本發(fā)明涉及種植
技術領域：
，特別是涉及一種基于種植設備的作物產(chǎn)量預測方法及裝置。
背景技術：
：隨著科學技術的發(fā)展進步，種植箱、種植大棚等種植設備逐漸增多。種植箱多數(shù)應用于小型蔬菜作物的種植，不僅可以用于家庭裝飾，還可以達到娛樂及親子教育的目的。種植大棚多數(shù)應用于大規(guī)模蔬菜作物的種植，可以為用戶創(chuàng)造經(jīng)濟效益。不同的環(huán)境條件可能適合于不同種類的作物的生長，在不同環(huán)境條件下生成的同種類作物的產(chǎn)量也會不同。對于用戶而言，預先獲知作物的產(chǎn)量，可以及時根據(jù)預測的產(chǎn)量制定后續(xù)工作計劃，如進行運輸、經(jīng)營和營銷的安排等。目前用戶多是通過目測預估作物產(chǎn)量，預測結果與實際收獲結果偏差較大，無法為用戶制定后續(xù)工作計劃提供有效參考。技術實現(xiàn)要素：本發(fā)明的目的是提供一種基于種植設備的作物產(chǎn)量預測方法及裝置，以對目標作物的產(chǎn)量進行較為準確的預測，為用戶制定后續(xù)工作計劃提供有效參考，提升用戶體驗。為解決上述技術問題，本發(fā)明提供如下技術方案：一種基于種植設備的作物產(chǎn)量預測方法，包括：確定在種植設備內(nèi)生長的待預測產(chǎn)量的目標作物；獲得所述目標作物的生長環(huán)境數(shù)據(jù)；對所述生長環(huán)境數(shù)據(jù)進行分析，確定影響所述目標作物生長的影響維度信息；根據(jù)所述目標作物的影響維度信息和預先建立的作物產(chǎn)量預測模型，預測所述目標作物的第一產(chǎn)量；其中，通過以下步驟預先建立所述作物產(chǎn)量預測模型：獲得與所述目標作物的種類相同的作物的多組產(chǎn)量樣本數(shù)據(jù)；根據(jù)獲得的產(chǎn)量樣本數(shù)據(jù)，構建訓練集，所述訓練集中的每組數(shù)據(jù)包含作物產(chǎn)量及該作物產(chǎn)量對應的作物生長過程中的影響維度信息；使用所述訓練集進行機器學習，建立所述作物產(chǎn)量預測模型。在本發(fā)明的一種具體實施方式中，所述使用所述訓練集進行機器學習，建立所述作物產(chǎn)量預測模型，包括：使用所述訓練集進行機器學習，建立初始產(chǎn)量預測模型；根據(jù)所述訓練集中的影響維度信息和所述初始產(chǎn)量預測模型，確定所述訓練集中每組影響維度信息對應的測試產(chǎn)量；將所述訓練集中每組影響維度信息對應的測試產(chǎn)量與相應的作物產(chǎn)量進行比較，計算誤差值；如果所述誤差值不大于設定閾值，則將所述初始產(chǎn)量預測模型確定為所述作物產(chǎn)量預測模型；如果所述誤差值大于所述設定閾值，則擴大所述訓練集，重復執(zhí)行所述使用所述訓練集進行機器學習的步驟，直至所述誤差值不大于所述設定閾值，獲得所述作物產(chǎn)量預測模型。在本發(fā)明的一種具體實施方式中，所述根據(jù)所述目標作物的影響維度信息和預先建立的作物產(chǎn)量預測模型，預測所述目標作物的第一產(chǎn)量，包括：將所述目標作物的影響維度信息輸入到預先建立的作物產(chǎn)量預測模型中，采用多元線性回歸算法預測所述目標作物的第一產(chǎn)量。在本發(fā)明的一種具體實施方式中，在所述預測所述目標作物的第一產(chǎn)量之后，還包括：根據(jù)所述第一產(chǎn)量和預先獲得的所述目標作物在不同生長階段的歷史預測產(chǎn)量，預測所述目標作物的第二產(chǎn)量。在本發(fā)明的一種具體實施方式中，還包括：將所述第二產(chǎn)量輸出給所述種植設備，以使所述種植設備在自身顯示屏幕上輸出顯示所述第二產(chǎn)量；或者，將所述第二產(chǎn)量輸出給預設的所述種植設備的關聯(lián)終端，以使所述關聯(lián)終端輸出顯示所述第二產(chǎn)量。一種基于種植設備的作物產(chǎn)量預測裝置，包括：目標作物確定模塊，用于確定在種植設備內(nèi)生長的待預測產(chǎn)量的目標作物；生長環(huán)境數(shù)據(jù)獲得模塊，用于獲得所述目標作物的生長環(huán)境數(shù)據(jù)；影響維度信息確定模塊，用于對所述生長環(huán)境數(shù)據(jù)進行分析，確定影響所述目標作物生長的影響維度信息；第一產(chǎn)量預測模塊，用于根據(jù)所述目標作物的影響維度信息和預先建立的作物產(chǎn)量預測模型，預測所述目標作物的第一產(chǎn)量；作物產(chǎn)量預測模型建立模塊，用于通過以下步驟預先建立所述作物產(chǎn)量預測模型：獲得與所述目標作物的種類相同的作物的多組產(chǎn)量樣本數(shù)據(jù)；根據(jù)獲得的產(chǎn)量樣本數(shù)據(jù)，構建訓練集，所述訓練集中的每組數(shù)據(jù)包含作物產(chǎn)量及該作物產(chǎn)量對應的作物生長過程中的影響維度信息；使用所述訓練集進行機器學習，建立所述作物產(chǎn)量預測模型。在本發(fā)明的一種具體實施方式中，所述作物產(chǎn)量預測模型建立模塊，具體用于：使用所述訓練集進行機器學習，建立初始產(chǎn)量預測模型；根據(jù)所述訓練集中的影響維度信息和所述初始產(chǎn)量預測模型，確定所述訓練集中每組影響維度信息對應的測試產(chǎn)量；將所述訓練集中每組影響維度信息對應的測試產(chǎn)量與相應的作物產(chǎn)量進行比較，計算誤差值；如果所述誤差值不大于設定閾值，則將所述初始產(chǎn)量預測模型確定為所述作物產(chǎn)量預測模型；如果所述誤差值大于所述設定閾值，則擴大所述訓練集，重復執(zhí)行所述使用所述訓練集進行機器學習的步驟，直至所述誤差值不大于所述設定閾值，獲得所述作物產(chǎn)量預測模型。在本發(fā)明的一種具體實施方式中，所述第一產(chǎn)量預測模塊，具體用于：將所述目標作物的影響維度信息輸入到預先建立的作物產(chǎn)量預測模型中，采用多元線性回歸算法預測所述目標作物的第一產(chǎn)量。在本發(fā)明的一種具體實施方式中，還包括第二產(chǎn)量預測模塊，用于：根據(jù)所述第一產(chǎn)量和預先獲得的所述目標作物在不同生長階段的歷史預測產(chǎn)量，預測所述目標作物的第二產(chǎn)量。在本發(fā)明的一種具體實施方式中，還包括產(chǎn)量輸出模塊，用于：將所述第二產(chǎn)量輸出給所述種植設備，以使所述種植設備在自身顯示屏幕上輸出顯示所述第二產(chǎn)量；或者，將所述第二產(chǎn)量輸出給預設的所述種植設備的關聯(lián)終端，以使所述關聯(lián)終端輸出顯示所述第二產(chǎn)量。本發(fā)明實施例所提供的技術方案，通過機器學習預先建立作物產(chǎn)量預測模型，確定在種植設備內(nèi)生長的待預測產(chǎn)量的目標作物后，可以獲得目標作物的生長環(huán)境數(shù)據(jù)，并對生長環(huán)境數(shù)據(jù)進行分析，確定影響目標作物生長的影響維度信息，根據(jù)目標作物的影響維度信息與預先建立的作物產(chǎn)量預測模型，可以預測目標作物的第一產(chǎn)量。應用本發(fā)明實施例所提供的技術方案，可以對目標作物的產(chǎn)量進行較為準確的預測，為用戶制定后續(xù)工作計劃提供了有效參考，提升了用戶體驗。附圖說明為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1為本發(fā)明實施例中一種基于種植設備的作物產(chǎn)量預測方法的實施流程圖；圖2為本發(fā)明實施例中一種基于種植設備的作物產(chǎn)量預測裝置的結構示意圖。具體實施方式為了使本
技術領域：
的人員更好地理解本發(fā)明方案，下面結合附圖和具體實施方式對本發(fā)明作進一步的詳細說明。顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。參見圖1所示，為本發(fā)明實施例所提供的一種基于種植設備的作物產(chǎn)量預測方法的實施流程圖，該方法可以包括以下步驟：S110：確定在種植設備內(nèi)生長的待預測產(chǎn)量的目標作物。在本發(fā)明實施例中，目標作物為在種植箱、種植大棚等種植設備中生長的作物，可能正處于某個生長階段。在實際應用中，在目標作物還未到達成熟期、未被收獲時，用戶可能需要提前獲知目標作物的產(chǎn)量，以便根據(jù)預測的產(chǎn)量制定下一步工作計劃，如進行運輸、經(jīng)營或營銷等工作的安排。針對用戶對目標作物的產(chǎn)量的預測需求，應用本發(fā)明實施例所提供的技術方案，可以預測目標作物的產(chǎn)量。在本發(fā)明實施例中，可以在接收到用戶針對目標作物的產(chǎn)量預測請求時，確定待預測產(chǎn)量的目標作物，還可以按照設定周期確定待預測產(chǎn)量的目標作物，定期對目標作物的產(chǎn)量進行預測。S120：獲得目標作物的生長環(huán)境數(shù)據(jù)。在本發(fā)明實施例中，生長環(huán)境數(shù)據(jù)為生長過程中的環(huán)境信息數(shù)據(jù)。具體的，生長環(huán)境數(shù)據(jù)可以是濕度、溫度、空氣中二氧化碳含量、光照量、土壤PH值、種植面積、是否發(fā)生過病蟲害等數(shù)據(jù)。在步驟S110確定在種植設備內(nèi)生長的待預測產(chǎn)量的目標作物后，可以獲得目標作物的生長環(huán)境數(shù)據(jù)。在目標作物生長過程中，可以通過環(huán)境監(jiān)測手段實時獲取并記錄目標作物所處的環(huán)境信息，比如，通過種植設備中內(nèi)置的溫度傳感器獲取溫度信息，通過種植設備中內(nèi)置的濕度傳感器獲取濕度信息等。這些信息可以存儲于數(shù)據(jù)庫中，在確定待預測產(chǎn)量的目標作物后，在數(shù)據(jù)庫中提取該目標作物的生長環(huán)境數(shù)據(jù)。S130：對生長環(huán)境數(shù)據(jù)進行分析，確定影響目標作物生長的影響維度信息?？梢岳斫獾氖?，作物生長狀態(tài)的好壞與其所處的生長環(huán)境有較大關系，不同的生長環(huán)境可能適合于不同種類作物的生長，不同的生長環(huán)境下的同一種類作物的產(chǎn)量也可能不同。在本發(fā)明實施例中，每一類生長環(huán)境數(shù)據(jù)即可作為一種對作物生長產(chǎn)生影響的影響維度。具體的，影響維度可以是溫度、濕度、空氣中二氧化碳含量、光照量、土壤PH值、種植面積、是否發(fā)生過病蟲害等。在步驟S120獲得了目標作物的生長環(huán)境數(shù)據(jù)，進一步可以對該生長環(huán)境數(shù)據(jù)進行分析，確定影響目標作物生長的影響維度信息。比如，對目標作物的生長環(huán)境數(shù)據(jù)進行分析后，可以確定出影響目標作物生長的5個影響維度，每個影響維度對應的影響維度信息如表1所示：影響維度a影響維度b影響維度c影響維度d影響維度e21231表1在表1中，影響維度a信息為2、影響維度b信息為1，影響維度c信息為2，影響維度d信息為3，影響維度e信息為1。每個影響維度信息可以是根據(jù)預設的量化標準對實際值進行量化后的量化值。舉例而言，影響維度a為溫度，當溫度處于[18℃,20℃]范圍時，可以將其量化為1，當溫度處于[23℃,25℃]范圍時，可以將其量化為2。需要說明的是，上述僅為示例，可以根據(jù)實際情況對影響維度信息進行量化。在執(zhí)行本發(fā)明實施例所提供的技術方案過程中，使用相同的量化標準即可。S140：根據(jù)目標作物的影響維度信息及預先建立的作物產(chǎn)量預測模型，預測目標作物的第一產(chǎn)量。在本發(fā)明實施例中，可以預先建立作物產(chǎn)量預測模型。具體的，可以針對每種作物，建立與該種作物對應的作物產(chǎn)量預測模型，并將多個作物產(chǎn)量預測模型歸入到一個模型庫中進行維護和管理。當需要對目標作物的產(chǎn)量進行預測時，可以在模型庫中選擇出該目標作物對應的作物產(chǎn)量預測模型。在本發(fā)明一種具體實施方式中，可以通過以下步驟預先建立作物產(chǎn)量預測模型：步驟一：獲得與目標作物的種類相同的作物的多組產(chǎn)量樣本數(shù)據(jù)；步驟二：根據(jù)獲得的產(chǎn)量樣本數(shù)據(jù)，構建訓練集，訓練集中每組數(shù)據(jù)包含作物產(chǎn)量及該作物產(chǎn)量對應的作物生長過程中的影響維度信息；步驟三：使用訓練集進行機器學習，建立作物產(chǎn)量預測模型。為便于描述，將上述三個步驟結合起來進行說明。在本發(fā)明實施例中，可以從已有的樣本數(shù)據(jù)庫或者通過收集方式，獲得與目標作物的種類相同的作物的多組產(chǎn)量樣本數(shù)據(jù)。比如，目標作物為番茄，可以獲得在不同生長環(huán)境下生長后收獲了的番茄的產(chǎn)量樣本數(shù)據(jù)。根據(jù)獲得的產(chǎn)量樣本數(shù)據(jù)，可以構建訓練集。訓練集中每組數(shù)據(jù)包含作物產(chǎn)量及該作物產(chǎn)量對應的作物生長過程中的影響維度信息。比如，訓練集中的數(shù)據(jù)如表2所示：表2在表2中，第一組數(shù)據(jù)表明，在影響維度a信息為1、影響維度b信息為2、影響維度c信息為2、影響維度d信息為3、影響維度e信息為4的條件下，番茄的作物產(chǎn)量為100，同樣，第二組數(shù)據(jù)表明，影響維度a信息為2、影響維度b信息為1、影響維度c信息為3、影響維度d信息為4、影響維度e信息為1的條件下，番茄的作物產(chǎn)量為200，……。表2中每個影響維度信息為根據(jù)預設的量化標準進行量化的結果。使用訓練集進行機器學習，具體的，可以采用SparkMLlib工具進行機器學習。對訓練集進行機器學習后，可以建立作物產(chǎn)量預測模型，該作物產(chǎn)量預測模型與目標作物的種類相對應。在本發(fā)明的一種具體實施方式中，使用訓練集進行機器學習，建立作物產(chǎn)量預測模型的步驟可以包括以下步驟：第一個步驟：使用訓練集進行機器學習，建立初始產(chǎn)量預測模型；第二個步驟：根據(jù)訓練集中的影響維度信息和初始產(chǎn)量預測模型，確定訓練集中每組影響維度信息對應的測試產(chǎn)量；第三個步驟：將訓練集中每組影響維度信息對應的測試產(chǎn)量與相應的作物產(chǎn)量進行比較，計算誤差值；第四個步驟：如果誤差值不大于設定閾值，則將初始產(chǎn)量預測模型確定為作物產(chǎn)量預測模型；第五個步驟：如果誤差值大于設定閾值，則擴大訓練集，重復執(zhí)行第一個步驟，直至誤差值不大于設定閾值，獲得作物產(chǎn)量預測模型。為便于描述，將上述五個步驟結合起來進行說明。可以理解的是，訓練集中包含的數(shù)據(jù)量的多少，決定了作物產(chǎn)量預測模型預測的準確程度。在使用訓練集進行機器學習，建立初始產(chǎn)量預測模型之后，可以根據(jù)訓練集中的影響維度信息和該初始產(chǎn)量預測模型，確定訓練集中每組影響維度信息對應的測試產(chǎn)量。比如，根據(jù)表2所示訓練集中的五組影響維度信息和初始產(chǎn)量預測模型，確定訓練集中每組影響維度信息對應的測試產(chǎn)量分別為：100.096727606148779、199.010885884130228、149.01398452802604、49.8719347753771587和299.2157726888216165。將訓練集中每組影響維度信息對應的測試產(chǎn)量與相應的作物產(chǎn)量進行比較，可以計算得到誤差值。比如，表2所示訓練集中的五組影響維度信息對應的測試產(chǎn)量與相應的作物產(chǎn)量關系表如表3所示：作物名稱作物產(chǎn)量測試產(chǎn)量番茄100100.096727606148779番茄200199.010885884130228番茄150149.01398452802604番茄5049.8719347753771587番茄300299.2157726888216165表3根據(jù)表3，可以計算測試產(chǎn)量與作物產(chǎn)量的誤差值為：TrainingMeanSquaredError＝2.273594614100682。如果該誤差值不大于設定閾值，則表明當前的初始產(chǎn)量預測模型的準確程度能夠達到設定要求，可以直接將該初始產(chǎn)量預測模型確定為作物產(chǎn)量預測模型。設定閾值可以根據(jù)實際情況進行設定和調整，本發(fā)明實施例對此不做限制。如果該誤差值大于設定閾值，則表明當前的初始產(chǎn)量預測模型的準確程度不能夠達到設定要求，在這種情況下，可以擴大訓練集，具體的，可以通過收集更多的產(chǎn)量樣本數(shù)據(jù)構建訓練集。擴大訓練集后，可以重復執(zhí)行使用訓練集進行機器學習的步驟，直至誤差值不大于設定閾值，獲得當前的作物產(chǎn)量預測模型，以供后續(xù)業(yè)務使用。這樣，可以提高作物產(chǎn)量預測模型的預測準確程度。根據(jù)目標作物的影響維度信息及預先建立的作物產(chǎn)量預測模型，可以預測目標作物的第一產(chǎn)量。具體的，可以將影響維度信息輸入到預先建立的作物產(chǎn)量預測模型中，采用多元線性回歸算法獲得目標作物的第一產(chǎn)量。預測得到第一產(chǎn)量后，可以直接將該第一產(chǎn)量輸出給種植設備，種植設備可以在自身顯示屏幕上輸出顯示該第一產(chǎn)量，供用戶查看?；蛘呖梢灾苯訉⒃摰谝划a(chǎn)量輸出給預設的種植設備的關聯(lián)終端，關聯(lián)終端可以輸出顯示該第一產(chǎn)量，供用戶查看。本發(fā)明實施例所提供的方法，通過機器學習預先建立作物產(chǎn)量預測模型，確定在種植設備內(nèi)生長的待預測產(chǎn)量的目標作物后，可以獲得目標作物的生長環(huán)境數(shù)據(jù)，并對生長環(huán)境數(shù)據(jù)進行分析，確定影響目標作物生長的影響維度信息，根據(jù)目標作物的影響維度信息與預先建立的作物產(chǎn)量預測模型，可以預測目標作物的第一產(chǎn)量。應用本發(fā)明實施例所提供的技術方案，可以對目標作物的產(chǎn)量進行較為準確的預測，為用戶制定后續(xù)工作計劃提供了有效參考，提升了用戶體驗。在本發(fā)明的一個實施例中，在預測目標作物的第一產(chǎn)量之后，該方法還可以包括以下步驟：根據(jù)第一產(chǎn)量和預先獲得的目標作物在不同生長階段的歷史預測產(chǎn)量，預測目標作物的第二產(chǎn)量。在實際應用中，針對目標作物，可以按照設定周期執(zhí)行本發(fā)明實施例所提供的技術方案進行產(chǎn)量預測，這樣，在每個周期都可以得到一個預測產(chǎn)量。在當前時刻，獲得目標作物的第一產(chǎn)量后，可以根據(jù)該第一產(chǎn)量與預先獲得的目標作物在不同生長階段的歷史預測產(chǎn)量，確定目標作物的第二產(chǎn)量。參照歷史預測產(chǎn)量對第一產(chǎn)量進行修正，進一步提高了作物產(chǎn)量預測模型預測的準確程度。具體的，可以將第一產(chǎn)量與歷史預測產(chǎn)量進行平均，或者，按照設定權重將第一產(chǎn)量和歷史預測產(chǎn)量進行平均，將均值作為第二產(chǎn)量。在本發(fā)明的一種具體實施方式中，該方法還可以包括以下步驟：將第二產(chǎn)量輸出給種植設備，以使種植設備在自身顯示屏幕上輸出顯示第二產(chǎn)量；或者，將第二產(chǎn)量輸出給預設的種植設備的關聯(lián)終端，以使關聯(lián)終端輸出顯示第二產(chǎn)量。這樣，方便用戶及時獲知預測的第二產(chǎn)量，以便用戶進行下一步工作安排。相應于上面的方法實施例，本發(fā)明實施例還提供了一種基于種植設備的作物產(chǎn)量預測裝置，下文描述的一種基于種植設備的作物產(chǎn)量預測裝置與上文描述的一種基于種植設備的作物產(chǎn)量預測方法可相互對應參照。參見圖2所示，該裝置包括以下模塊：目標作物確定模塊210，用于確定在種植設備內(nèi)生長的待預測產(chǎn)量的目標作物；生長環(huán)境數(shù)據(jù)獲得模塊220，用于獲得目標作物的生長環(huán)境數(shù)據(jù)；影響維度信息確定模塊230，用于對生長環(huán)境數(shù)據(jù)進行分析，確定影響目標作物生長的影響維度信息；第一產(chǎn)量預測模塊240，用于根據(jù)目標作物的影響維度信息和預先建立的作物產(chǎn)量預測模型，預測目標作物的第一產(chǎn)量；作物產(chǎn)量預測模型建立模塊250，用于通過以下步驟預先建立作物產(chǎn)量預測模型：獲得與目標作物的種類相同的作物的多組產(chǎn)量樣本數(shù)據(jù)；根據(jù)獲得的產(chǎn)量樣本數(shù)據(jù)，構建訓練集，訓練集中的每組數(shù)據(jù)包含作物產(chǎn)量及該作物產(chǎn)量對應的作物生長過程中的影響維度信息；使用訓練集進行機器學習，建立作物產(chǎn)量預測模型。本發(fā)明實施例所提供的裝置，通過機器學習預先建立作物產(chǎn)量預測模型，確定在種植設備內(nèi)生長的待預測產(chǎn)量的目標作物后，可以獲得目標作物的生長環(huán)境數(shù)據(jù)，并對生長環(huán)境數(shù)據(jù)進行分析，確定影響目標作物生長的影響維度信息，根據(jù)目標作物的影響維度信息與預先建立的作物產(chǎn)量預測模型，可以預測目標作物的第一產(chǎn)量。應用本發(fā)明實施例所提供的技術方案，可以對目標作物的產(chǎn)量進行較為準確的預測，為用戶制定后續(xù)工作計劃提供了有效參考，提升了用戶體驗。在本發(fā)明的一種具體實施方式中，作物產(chǎn)量預測模型建立模塊250，具體用于：使用訓練集進行機器學習，建立初始產(chǎn)量預測模型；根據(jù)訓練集中的影響維度信息和初始產(chǎn)量預測模型，確定訓練集中每組影響維度信息對應的測試產(chǎn)量；將訓練集中每組影響維度信息對應的測試產(chǎn)量與相應的作物產(chǎn)量進行比較，計算誤差值；如果誤差值不大于設定閾值，則將初始產(chǎn)量預測模型確定為作物產(chǎn)量預測模型；如果誤差值大于設定閾值，則擴大訓練集，重復執(zhí)行使用訓練集進行機器學習的步驟，直至誤差值不大于設定閾值，獲得作物產(chǎn)量預測模型。在本發(fā)明的一種具體實施方式中，第一產(chǎn)量預測模塊240，具體用于：將目標作物的影響維度信息輸入到預先建立的作物產(chǎn)量預測模型中，采用多元線性回歸算法預測目標作物的第一產(chǎn)量。在本發(fā)明的一種具體實施方式中，還包括第二產(chǎn)量預測模塊，用于：根據(jù)第一產(chǎn)量和預先獲得的目標作物在不同生長階段的歷史預測產(chǎn)量，預測目標作物的第二產(chǎn)量。在本發(fā)明的一種具體實施方式中，還包括產(chǎn)量輸出模塊，用于：將第二產(chǎn)量輸出給種植設備，以使種植設備在自身顯示屏幕上輸出顯示第二產(chǎn)量；或者，將第二產(chǎn)量輸出給預設的種植設備的關聯(lián)終端，以使關聯(lián)終端輸出顯示第二產(chǎn)量。本說明書中各個實施例采用遞進的方式描述，每個實施例重點說明的都是與其它實施例的不同之處，各個實施例之間相同或相似部分互相參見即可。對于實施例公開的裝置而言，由于其與實施例公開的方法相對應，所以描述的比較簡單，相關之處參見方法部分說明即可。專業(yè)人員還可以進一步意識到，結合本文中所公開的實施例描述的各示例的單元及算法步驟，能夠以電子硬件、計算機軟件或者二者的結合來實現(xiàn)，為了清楚地說明硬件和軟件的可互換性，在上述說明中已經(jīng)按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術方案的特定應用和設計約束條件。專業(yè)技術人員可以對每個特定的應用來使用不同方法來實現(xiàn)所描述的功能，但是這種實現(xiàn)不應認為超出本發(fā)明的范圍。結合本文中所公開的實施例描述的方法或算法的步驟可以直接用硬件、處理器執(zhí)行的軟件模塊，或者二者的結合來實施。軟件模塊可以置于隨機存儲器(RAM)、內(nèi)存、只讀存儲器(ROM)、電可編程ROM、電可擦除可編程ROM、寄存器、硬盤、可移動磁盤、CD-ROM、或
技術領域：
內(nèi)所公知的任意其它形式的存儲介質中。本文中應用了具體個例對本發(fā)明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的技術方案及其核心思想。應當指出，對于本
技術領域：
的普通技術人員來說，在不脫離本發(fā)明原理的前提下，還可以對本發(fā)明進行若干改進和修飾，這些改進和修飾也落入本發(fā)明權利要求的保護范圍內(nèi)。當前第1頁1 2 3