CN107423850B - 基于时间序列lai曲线积分面积的区域玉米成熟期预测方法 - Google Patents
基于时间序列lai曲线积分面积的区域玉米成熟期预测方法 Download PDFInfo
- Publication number
- CN107423850B CN107423850B CN201710539044.5A CN201710539044A CN107423850B CN 107423850 B CN107423850 B CN 107423850B CN 201710539044 A CN201710539044 A CN 201710539044A CN 107423850 B CN107423850 B CN 107423850B
- Authority
- CN
- China
- Prior art keywords
- period
- lai
- corn
- maturity
- curve
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 240000008042 Zea mays Species 0.000 title claims abstract description 89
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 89
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 63
- 235000005822 corn Nutrition 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000012010 growth Effects 0.000 claims abstract description 41
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 claims abstract description 26
- 235000009973 maize Nutrition 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000003306 harvesting Methods 0.000 claims abstract description 6
- 238000009499 grossing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000011160 research Methods 0.000 claims description 6
- 230000009758 senescence Effects 0.000 claims description 6
- 230000035800 maturation Effects 0.000 claims description 4
- 230000007103 stamina Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 230000002301 combined effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009105 vegetative growth Effects 0.000 description 2
- 208000003643 Callosities Diseases 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 206010020649 Hyperkeratosis Diseases 0.000 description 1
- 206010021033 Hypomenorrhoea Diseases 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000036417 physical growth Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
- G01N2021/1797—Remote sensing in landscape, e.g. crops
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于农业遥感领域,为一种基于时间序列LAI曲线积分面积的区域玉米成熟期预测方法,具体步骤如下:S1、获得500米格网单元玉米的种植区域图;S2、以玉米生育期内MODIS LAI产品采用滤波算法重构LAI时间序列;S3、采用动态阈值法获取抽雄期的具体日期;S4、计算近三年玉米生育期计算抽雄期至成熟期的积分面积占出苗到成熟的积分总面积的百分比均值Rave;S5、全生育期LAI积分曲线;S6、在预报区间内逐日计算面积比Rpre,当Rpre≥Rave时,对应的日期即为玉米成熟期;S7:逐500米格网单元预测成熟期,生成区域玉米成熟期预测空间分布图,指导农作物的及时采收。
Description
技术领域
本发明属于农业遥感领域,具体涉及一种基于时间序列LAI曲线积分面积的区域玉米成熟期预测方法。
背景技术
传统的成熟期预测方法是以野外观测为基础的目视观察法,即主要直接地面定点观测作物的生长状况来预判成熟,但由于区域局限性强,需要消耗大量的时间及人力物力,难以进行大尺度作物成熟情况的时空分析;近年来通过国内外研究学者的不断努力,已发展出一些作物成熟期预测的方法与模型,如应用气象统计模型,研究温度、光周期、降水等因子对作物的影响,实现作物成熟期的预测,该模型虽简单易用,驱动参数少,但该方法代表性不强,区域推广较难;基于作物生长模型可以从作物生长机理出发描述作物生长发育与产量形成的过程,并以作物产量或品质(或两者综合)为目标构建代价函数,反向求解优化作物的收获时间,实现作物成熟期的预测,但大区域范围的作物生长模型标定与校准困难使其存在一定的局限性;基于遥感获取作物成熟期的信息,是遥感在精准农业中的一个重要应用,但单纯的遥感方法对遥感数据的时间和空间分辨率都有严格要求,受到云和卫星轨道的影响,获取大区域作物关键生育期所需的中等分辨率遥感数据难以在数据质量上满足要求。虽然气象统计模型、作物生长模型与遥感监测这3种方式都存在一定弊端,但是如果进行有机结合,利用遥感获取的物候判定值,仿用作物生长模型的驱动方法,如积温模型,太阳辐射模型,基于现实状况与作物生长趋势实现成熟期预测,这样既在大空间区域上能够得到推广,也简化了驱动模型,再者将集合预报数据引入冬小麦成熟期预报,有效地解决了目前时效性差、缺乏空间分布以及缺少定量描述等瓶颈问题。
叶面指数LAI(Leaf Area Index)是指一定土地面积上植物叶面面积总和与土地面积之比,是描述植被冠层结构的最基本的参量之一。LAI控制植被的各种生物、物理过程,如光合作用、呼吸作用、植被蒸腾、碳循环和降雨截留,是陆面过程中一个重要的结构参数。表征绿色植被时空变化的LAI可以通过卫星遥感资料进行反演。
在作物生长过程中,积温信息对其整个生育期都具有重要的指示意义,并具有一定程度上的成熟期预测性能,因此,充分考虑积温对于成熟期而言所具有的可预测性,提出将积温信息融入LAI时间序列中驱动CSDM模型,生成具有预测性能的模拟LAI曲线,最终基于积分面积建立成熟期预测模型,并对作物成熟期进行预测,预计可解决当前成熟期预测在空间分辨率和预测时效性上无法满足精准农业要求的问题。
目前,融合积温与LAI时间序列,建立基于时间序列LAI曲线积分面积的预测模型来实现区域作物成熟期预测的研究尚未见报道。
发明内容
为解决现有技术中存在的如下问题:如何将大范围高时效性的遥感数据和农业气象资料结合,并引入气象集合预报数据,构建一种基于时间序列LAI曲线积分面积的区域玉米成熟期预测方法,充分考虑积温对于成熟期而言所具有的可预测性,提出将积温信息融入LAI时间序列中驱动CSDM模型,生成具有预测性能的模拟LAI曲线,最终基于积分面积建立成熟期预测模型,并对作物成熟期进行预测,以解决当前成熟期预测在空间分辨率和预测时效性上无法满足精准农业要求的问题。
抽雄期标志着玉米由营养生长(根、茎和叶等的生长)转向生殖生长(开花结果)。也就是营养生长旺盛的并进阶段,这是决定玉米产量最为重要的关键期,也是玉米一生中生长发育最快,对养分、水分、温度、光照要求最多的时期,该时期其LAI达到峰值。因此,可以采用动态阈值法,获取玉米抽雄期的具体时间,即叶面积指数(LAI)达到峰值时的具体日期。本发明正是基于玉米抽雄期即叶面积指数(LAI)达到峰值时的具体日期这一情况,设计了一种基于时间序列LAI曲线积分面积的区域玉米成熟期预测方法,具体步骤如下:
S1、采用MODIS数据结合野外调查对研究区作物类型分类,获得500米格网单元玉米的种植区域图;
S2、获得玉米生育期内MODIS LAI产品,为消除云的影响采用滤波算法重构LAI时间序列;
S3、采用动态阈值法获取LAI达到峰值时的具体日期,即玉米抽雄期;
S4、针对近三年玉米生育期,提取其MODIS LAI时间序列,计算抽雄期至成熟期的积分面积占出苗到成熟的积分总面积的百分比均值Rave作为玉米成熟阈值;
S5、①玉米出苗期到抽雄期采用实际的MODIS LAI曲线,②抽雄期到成熟期采用冠层结构动力学模型CSDM曲线,结合气象观测数据和气象集合预报数据作为CSDM的输入,构建模拟LAI时间序列轨迹的CSDM曲线;再以模拟LAI时间序列轨迹的CSDM曲线为基础模拟LAI曲线;以①和②组成全生育期LAI积分曲线;
S6、提前15天进行成熟期预报,在预报区间内逐日以全生育期LAI积分曲线计算积分面积比值Rpre,当Rpre≥Rave时,对应的日期即为玉米成熟期;
S7:逐500米格网单元重复S6,生成区域玉米成熟期预测空间分布图,指导农作物的及时采收。
所述步骤S1采用MODIS数据结合野外调查对研究区作物类型分类,获得500米格网单元玉米的种植区域图的具体方法如下:
基于多时相MODIS数据,对研究作物分类,结合作物物候、光谱等特征,建立玉米和其他作物的分类知识规则,采用支持向量机分类算法,生成作物类型分布图,得到500米尺度的玉米种植区域图。
其中,步骤S2为消除云的影响采用滤波算法重构LAI时间序列,所采用的滤波算法是上包络线Savitzky-Golay滤波,滤波过程按公式(1)求得:
公式(1)中Yj+i表示原始LAI曲线上的一块窗口内的值,i表示LAI时序数据中第i个数据,j表示LAI时序数据中第j个数,m表示平滑窗口大小的一半,平滑数组包含有(2m+1)个点,Yj *表示滤波后窗口中心的LAI值,Ci表示第i个LAI值的滤波系数,N为卷积数目。
步骤S4中Rave按如下公式(2)求得:
公式(2)中,Rave为近三年间玉米抽雄期至成熟期时间段内积分面积占总积分面积百分比的平均值,S0为玉米出苗期,Sa为玉米抽雄期,Sb为玉米成熟期。
步骤S5中所述结合气象观测数据和气象集合预报数据,预测起始点之前结合气象观测数据,预测起始点之后结合气象集合预报数据。所述预测起始点为开始进行预测的日期。
步骤S5中所述气象观测数据和气象集合预报数据指每日最低空气温度和每日最高空气温度等气象数据。
步骤S5中所述气象集合预报数据采用交互式全球集合预报系统中可获取、且经验证精度较高的欧洲中期天气预报中心(ECMWF)和中国气象局(CMA)的预报数据建立EC模型,按如下公式(3)求得:
公式(3)中,ECMWF为欧洲中期天气预报中心预报数据,CMA为中国气象局(CMA)的预报数据。
S5结合气象观测数据和气象集合预报数据,通过拟合冠层结构动力学模型(CSDM)来模拟LAI时间序列轨迹。这种模型由描述生长和衰老与积温的组合效应的简单数学表达式组成。CSDM可以在生长周期内从有限数量的观察结果中持续描述生物物理变量的时间过程。这种在时间上平滑生物物理变量曲线的方法已经在许多研究中应用,而不一定基于积温。
所述步骤S5中使用的冠层结构动力学模型CSDM曲线,计算方法如下公式(4)所示:
公式(4)中,a和b定义生长和衰老速率,c是一个参数,允许一些可塑性曲线的形状,k是缩放系数,T0,Ta和Tb分别是作物出苗(播种至出苗期),中间生长(出苗期至抽雄期)和衰老结束(抽雄期至成熟期)的积温,e为自然常数,tt为从t1到t2的给定周期上的积温。
其中,tt基于每日最低(Tmin)和最高(Tmax)空气温度和玉米的基础温度Tbase。如果平均温度(Tmax,i+Tmin,i)/2低于Tbase,则tt被Tbase代替,此时不累计度数(即当温度低于Tbase时积温不能转换)。tt的计算公式如公式(5)所示:
公式(5)中Tmin为每日最低空气温度,Tmax为每日最高空气温度,Tbase为玉米的基础温度。
其中,所述Rpre的计算方法见公式(6):
公式(6)中Rpre为当前年份黑龙江春玉米抽雄至当前预测日期时间段内积分面积占总积分面积百分比,其中S0为玉米出苗期,Sa为玉米抽雄期,Sc为当前预测日期。
本发明还提供所述基于时间序列LAI曲线积分面积的区域玉米成熟期预测方法在指导玉米生产中的应用。
本发明与现有技术相比,有益效果为:
本发明所提供的基于时间序列LAI曲线积分面积的区域玉米成熟期预测方法,考虑遥感和农业气象资料两种数据分别在时间和空间上的优势,同时充分利用气象集合预报数据的预测性能,利用遥感获取的作物生育期时间序列曲线与物候判定值,参考农业气象站点记录的物候信息,再结合气象集合预报数据将其温度信息融入遥感生成的时间序列曲线中,基于作物生长和衰老规律建立关于积分面积比值的动态预测模型,该方法能够有效地克服当前成熟期预测在空间分辨率和预测时效性差尚无法满足精准农业要求的局限性,并引入气象集合预报数据,充分考虑作物种植区气候变化,为指导区域作物农机的调度以及防止突发情况做准备,经验证该方法适合于区域范围作物成熟期预测。
附图说明
图1为本发明基于时间序列LAI曲线积分面积的区域玉米成熟期预测方法步骤示意图;
图2为本发明基于时间序列LAI曲线积分面积的区域玉米成熟期预测方法流程示意图;
图3为实施例1中500米尺度的春玉米种植区域图;
图4为实施例1中黑龙江省春玉米成熟期预测空间分布图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
实施例1
本实施例中,以黑龙江的春玉米成熟期预测为例进一步阐述本发明的技术方案。本实施例的基于时间序列LAI曲线积分面积的2015年黑龙江春玉米成熟期预测方法的流程如图1、图2所示,包括:
步骤S1,利用研究区中分辨率成像光谱仪(MODerate-resolution ImagingSpectroradiometer,MODIS)影像,结合地面调查获得的作物类型样本点,采用支持向量机分类算法,结合农作物的物候特征,构建分类规则,获取作物类型分布图,从而得到分辨率为500米的春玉米种植区域图(见附图3),将其作为后续区域尺度成熟期预测的基础。
步骤S2,对黑龙江春玉米2012-2015年整个生育期内的MODIS LAI数据按时间序列合成,对每个栅格单元生成时间序列曲线。具体通过NASA提供的MRT投影转换工具,将黑龙江地区的数据进行镶嵌、投影转换和格式转换,选取生育期内所有时相影像进行叠加,生成基于栅格单元的时间序列曲线。时间序列MODIS LAI曲线进行滤波,以消除云污染造成的数据缺失。具体使用上包络线(Savitzky-Golay,SG)滤波解决叶面积指数变化过程不连续的问题,其原理表达如下:
式中:Yj+i表示原始LAI曲线上的一块窗口内的值,m为窗口的半径,N为卷积数目,窗口的宽度为2m+1;Yj *表示滤波后的LAI值;C表示第i个LAI值的滤波系数。在对S-G滤波改进的基础上,形成上包络线滤波方法,通过LAI时序变化趋势将LAI值分为真值和假值,用局部循环迭代的方式将S-G滤波值代替假值,与真值合成新的LAI平滑曲线,逐步拟合形成LAI时序数据的上包络线。具体步骤如下:
(1)对初始的LAI时间序列进行Savitzky-Golay滤波,得到的平滑后的结果。并分别保存平滑前和平滑后的序列;
(2)对比上一步的两个序列,用上述公式生成新的序列,作为初始序列;
其中O和N分别为初始和滤波后的LAI值,t代表迭代次数,并且i是LAI时间序列索引,表示LAI时序数据中第i个数据。
(3)重复(1)(2)两步,直到整个序列∑Ni t小于指定的阈值0.1。
步骤S3,采用动态阈值法获取黑龙江春玉米抽雄期的具体时间,即叶面积指数(LAI)达到峰值时的具体日期。
步骤S4,针对历史三年(最近的3年,2012-2014年)玉米生育期,提取其MODIS LAI时间序列,计算抽雄至成熟的积分面积占出苗到成熟的积分总面积的百分比均值Rave作为黑龙江春玉米成熟阈值,计算公式如下公式(2)所示:
Rave为2012-2014年间黑龙江春玉米抽雄至成熟时间段内积分面积占总积分面积百分比的平均值,其中S0为玉米出苗期,Sa为玉米抽雄期,Sb为玉米成熟期;
步骤S5,玉米出苗期到抽雄期采用实际的MODIS LAI曲线,②抽雄期到成熟期采用冠层结构动力学模型CSDM曲线,结合气象观测数据和气象集合预报数据作为CSDM的输入,构建模拟LAI时间序列轨迹的CSDM曲线;再以模拟LAI时间序列轨迹的CSDM曲线为基础模拟LAI曲线;以①和②组成全生育期LAI积分曲线,得到2015年全生育期LAI积分曲线。
其中,气象集合预报数据采用交互式全球集合预报系统中可获取、且经验证精度较高的欧洲中期天气预报中心(ECMWF)和中国气象局(CMA)的预报数据建立EC模型,计算方法如下公式(3)所示:
结合气象观测数据和气象集合预报数据,通过拟合冠层结构动力学模型(CSDM)来模拟LAI时间序列轨迹。这种模型由描述生长和衰老与积温的组合效应的简单数学表达式组成。CSDM可以在生长周期内从有限数量的观察结果中持续描述生物物理变量的时间过程。这种在时间上平滑生物物理变量曲线的方法已经在许多研究中应用,而不一定基于积温。本文中使用的CSDM如下:
式中a和b定义生长和衰老速率,c是一个参数,允许一些可塑性曲线的形状,k是缩放系数,T0,Ta和Tb是作物出苗,中间生长和衰老结束的积温,tt为从t1到t2的给定周期上的积温,计算公式如下:
其基于每日最低(Tmin)和最高(Tmax)空气温度和玉米的基础温度Tbase(基础温度指的是玉米生长发育的最低温度,一般为8-10℃,结合本课题组研究,本实施例采用10℃作为玉米的基础温度)。如果平均温度(Tmax,i+Tmin,i)/2低于Tbase,则它被Tbase代替,此时不累计度数(即当温度低于Tbase时积温不能转换)。
步骤S6,提前15天进行成熟期预报,在预报区间内逐日计算面积比Rpre,Rpre的计算方法见公式(6):
公式(6)中Rpre为当前年份黑龙江春玉米抽雄至当前预测日期时间段内积分面积占总积分面积百分比,其中S0为玉米出苗期,Sa为玉米抽雄期,Sc为当前预测日期。
当Rpre≥Rave时,对应的日期即为黑龙江春玉米成熟期。结合气象观测数据和气象集合预报数据作为CSDM的输入,并计算出面积比之后,即可判定当前预测日期是否成熟期。
步骤S7,逐500米格网单元运行S6,生成黑龙江春玉米成熟期预测空间分布图,指导农作物的及时采收。(见附图4)
针对实验结果进行分析,2015年黑龙江春玉米成熟期日期预测值与农业气象站点观测的成熟期日期较为一致,总体前后天数相差3d左右,预测精度达到玉米采收要求。
本发明所提供的基于时间序列LAI曲线积分面积的区域玉米成熟期预测方法,将大范围高时效性的遥感数据和农业气象资料结合,并引入气象集合预报数据,构建一种基于时间序列LAI曲线积分面积的区域玉米成熟期预测方法,充分考虑积温对于成熟期而言所具有的可预测性,提出将积温信息融入LAI时间序列中驱动CSDM模型,生成具有预测性能的模拟LAI曲线,最终基于积分面积建立成熟期预测模型,并对作物成熟期进行预测,以解决当前成熟期预测在空间分辨率和预测时效性上无法满足精准农业要求的问题。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (7)
1.一种基于时间序列LAI曲线积分面积的区域玉米成熟期预测方法,其特征在于,具体步骤如下:
S1、采用MODIS数据结合野外调查对研究区作物类型分类,获得500米格网单元玉米的种植区域图;
S2、获得玉米生育期内MODIS LAI产品,为消除云的影响采用滤波算法重构LAI时间序列;
S3、采用动态阈值法获取LAI达到峰值时的具体日期,即玉米抽雄期;
S4、针对近三年玉米生育期,提取其MODIS LAI时间序列,分别计算抽雄期至成熟期的积分面积占出苗到成熟的积分面积的比值Rave,并以近三年的Rave的均值作为玉米成熟阈值;
S5、①玉米出苗期到抽雄期采用实际的MODIS LAI曲线,②抽雄期到成熟期采用冠层结构动力学模型CSDM曲线,结合气象观测数据和气象集合预报数据作为CSDM的输入,构建模拟LAI时间序列轨迹的CSDM曲线;再以模拟LAI时间序列轨迹的CSDM曲线为基础模拟LAI曲线;以①和②组成全生育期LAI积分曲线;
S6、提前15天进行成熟期预报,在预报区间内逐日以全生育期LAI积分曲线计算积分面积比值Rpre,当Rpre≥近三年的Rave的均值时,预测对应的日期即为玉米成熟期;
所述Rpre的计算方法见公式(6):
公式(6)中Rpre为当前年份种植区域玉米抽雄期至当前预测日期时间段内积分面积占玉米出苗期至当前预测日期时间段内积分面积的比值,其中S0为玉米出苗期,Sa为玉米抽雄期,Sc为当前预测日期;
S7:逐500米格网单元重复S6,生成区域玉米成熟期预测空间分布图,指导农作物的及时采收。
4.如权利要求1所述的方法,其特征在于,步骤S5中所述结合气象观测数据和气象集合预报数据,预测起始点之前结合气象观测数据,预测起始点之后结合气象集合预报数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710539044.5A CN107423850B (zh) | 2017-07-04 | 2017-07-04 | 基于时间序列lai曲线积分面积的区域玉米成熟期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710539044.5A CN107423850B (zh) | 2017-07-04 | 2017-07-04 | 基于时间序列lai曲线积分面积的区域玉米成熟期预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107423850A CN107423850A (zh) | 2017-12-01 |
CN107423850B true CN107423850B (zh) | 2020-06-30 |
Family
ID=60426446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710539044.5A Active CN107423850B (zh) | 2017-07-04 | 2017-07-04 | 基于时间序列lai曲线积分面积的区域玉米成熟期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107423850B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109781626B (zh) * | 2019-03-11 | 2021-07-06 | 王祥 | 一种基于光谱分析的近岸高悬沙水体绿潮遥感识别方法 |
CN110175931B (zh) * | 2019-05-10 | 2020-04-24 | 北京师范大学 | 一种大范围快速提取农作物种植面积和物候信息的方法 |
CN110390287A (zh) * | 2019-07-17 | 2019-10-29 | 中科光启空间信息技术有限公司 | 一种基于卫星遥感的作物成熟期预测方法 |
CN111931987A (zh) * | 2020-07-09 | 2020-11-13 | 黑龙江省农业科学院农业遥感与信息研究所 | 时间序列lai曲线积分面积区域水稻成熟期预测方法 |
CN111931988A (zh) * | 2020-07-09 | 2020-11-13 | 黑龙江省农业科学院农业遥感与信息研究所 | 遥感影像、作物模型与气象预报融合水稻成熟期预测方法 |
CN113378476B (zh) * | 2021-06-28 | 2022-07-19 | 武汉大学 | 一种全球250米分辨率时空连续的叶面积指数卫星产品生成方法 |
CN113673490B (zh) * | 2021-10-21 | 2022-01-04 | 武汉大学 | 一种物候期自适应的作物生理参数遥感估测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008111725A (ja) * | 2006-10-30 | 2008-05-15 | Tokyo Electric Power Co Inc:The | 葉面積指数算出装置、葉面積指数算出方法及びそのプログラム |
CN102346808A (zh) * | 2011-06-08 | 2012-02-08 | 北京师范大学 | 一种从hj-1卫星数据反演lai的方法 |
CN102651096A (zh) * | 2012-04-28 | 2012-08-29 | 中国农业大学 | 同化叶面积指数时序曲线特征的冬小麦估产方法 |
CN105321120A (zh) * | 2014-06-30 | 2016-02-10 | 中国农业科学院农业资源与农业区划研究所 | 同化蒸散发和叶面积指数的区域土壤水分监测方法 |
-
2017
- 2017-07-04 CN CN201710539044.5A patent/CN107423850B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008111725A (ja) * | 2006-10-30 | 2008-05-15 | Tokyo Electric Power Co Inc:The | 葉面積指数算出装置、葉面積指数算出方法及びそのプログラム |
CN102346808A (zh) * | 2011-06-08 | 2012-02-08 | 北京师范大学 | 一种从hj-1卫星数据反演lai的方法 |
CN102651096A (zh) * | 2012-04-28 | 2012-08-29 | 中国农业大学 | 同化叶面积指数时序曲线特征的冬小麦估产方法 |
CN105321120A (zh) * | 2014-06-30 | 2016-02-10 | 中国农业科学院农业资源与农业区划研究所 | 同化蒸散发和叶面积指数的区域土壤水分监测方法 |
Non-Patent Citations (3)
Title |
---|
Using Thermal Time and Pixel Purity for Enhancing Biophysical Variable Time Series: An Interproduct Comparison;Grégory Duveiller 等;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20130430;第51卷(第4期);第1-9页 * |
卫星遥感和积温-辐射模型预测区域冬小麦成熟期;黄健熙 等;《农业工程学报》;20160430;第32卷(第7期);第1-6页 * |
积温-辐射与LAI 积分面积模型的玉米成熟期预测方法;黄健熙 等;《农业机械学报》;20191018;第1-19页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107423850A (zh) | 2017-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107423850B (zh) | 基于时间序列lai曲线积分面积的区域玉米成熟期预测方法 | |
CN104134095B (zh) | 一种基于尺度转换和数据同化的农作物产量估测方法 | |
CN110909933B (zh) | 一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法 | |
EP3211987B1 (en) | Method for providing a three-dimensional assessment of water movement through soil and across a field and associated system | |
CN110751094B (zh) | 一种基于gee综合遥感影像和深度学习方法的作物估产方法 | |
CN111898922B (zh) | 一种多尺度农作物产量评估方法及系统 | |
CN111241912A (zh) | 一种基于机器学习算法的多植被指数的水稻产量估测方法 | |
CN106951979A (zh) | 遥感、作物模型与气象预报融合的作物成熟期预测方法 | |
CN114140695A (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
CN115310680A (zh) | 一种番茄种苗模型建模与生长预测方法 | |
CN116776290A (zh) | 一种烟草大数据模型构建方法 | |
CN115861831A (zh) | 基于作物物候知识的时间序列遥感数据农作物识别方法 | |
CN114092776A (zh) | 应用于智慧农业的多传感器数据融合方法 | |
CN117455062A (zh) | 一种基于多源异构农业数据的农作物产量预测算法 | |
CN114707412B (zh) | 一种基于植被冠层时变特征的swat模型优化方法 | |
CN116151454A (zh) | 一种多光谱无人机预测矮林芳樟精油产量的方法及系统 | |
CN114626010A (zh) | 一种基于CatBoost的灌溉量计算方法及系统 | |
CN110751322B (zh) | 一种基于大数据分析预测的荔枝控梢促花管理方法 | |
Yao et al. | Integrating microweather forecasts and crop physiological indicators for greenhouse environmental control | |
CN117744898B (zh) | 一种大田粮食作物产量年际预测模型构建方法 | |
CN115909062A (zh) | 基于多点位融合的小麦产量估测方法 | |
CN117436710B (zh) | 一种基于作物模型的干旱评估方法 | |
CN113640230B (zh) | 一种田间小麦水分利用率快速检测方法及系统 | |
CN118364975A (zh) | 多源数据驱动混合机理学习模型的小麦产量预测方法 | |
CN118446559A (zh) | 基于数据与知识双重驱动的大豆单产遥感估算方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |