CN107480888A - 一种基于apsim模型的农业旱灾风险评估方法 - Google Patents
一种基于apsim模型的农业旱灾风险评估方法 Download PDFInfo
- Publication number
- CN107480888A CN107480888A CN201710704701.7A CN201710704701A CN107480888A CN 107480888 A CN107480888 A CN 107480888A CN 201710704701 A CN201710704701 A CN 201710704701A CN 107480888 A CN107480888 A CN 107480888A
- Authority
- CN
- China
- Prior art keywords
- crop
- mrow
- msub
- arid
- apsim
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012502 risk assessment Methods 0.000 title claims abstract description 18
- 230000012010 growth Effects 0.000 claims abstract description 22
- 238000004088 simulation Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000010276 construction Methods 0.000 claims abstract description 5
- 208000005156 Dehydration Diseases 0.000 claims description 24
- 238000004519 manufacturing process Methods 0.000 claims description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000009395 breeding Methods 0.000 claims description 9
- 230000001488 breeding effect Effects 0.000 claims description 9
- 239000002689 soil Substances 0.000 claims description 9
- 238000003973 irrigation Methods 0.000 claims description 3
- 230000002262 irrigation Effects 0.000 claims description 3
- 241000196324 Embryophyta Species 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 241000209149 Zea Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 208000003643 Callosities Diseases 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 206010020649 Hyperkeratosis Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000032696 parturition Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于APSIM作物模型的农业旱灾风险评估方法,该方法包括构建所需的APSIM作物模型,对模型进行参数率定和模型验证,对作物生长过程进行模拟,构造干旱致灾强度指数,模拟计算作物因旱损失率,建立作物因旱损失率与干旱致灾强度水平之间的关系曲线,划分旱灾风险等级进行风险评估等内容。本发明基于对作物耗水量的准确模拟,确保了模型在严重干旱等极端环境下的高度敏感性,因而也使得评估的结果更加准确、可靠。
Description
技术领域
本发明涉及农业旱灾风险评估技术领域,尤其涉及一种基于作物生长模型的农业旱灾风险评估方法。
背景技术
旱灾在持续时间、影响范围和灾害影响等方面位列自然灾害之首,被视为影响粮食安全的决定性因素。农业旱灾风险评估为干旱风险管理的重要内容,是定量认识旱灾风险的有效途径,也是旱灾风险控制和管理的前提和基础。
目前,旱灾风险评估方法主要有3大类:一是基于随机理论的概率统计方法,利用统计方法对以往的旱灾资料进行分析,找出旱灾演变规律,计算得到的风险概率,从而评估旱灾风险。二是基于区域灾害系统论的模糊综合评估方法,从致灾因子的危险性,承灾体的暴露性和孕灾环境的脆弱性建立评价指标体系,采用综合方法计算旱灾风险。三是基于干旱事件过程的旱灾风险评估方法,通过气象等要素进行干旱识别,进而建立干旱频率-潜在损失之间的定量关系,以此评估旱灾风险。已有的旱灾风险评估方法主要存在以下问题:(1)旱灾损失是致灾因子、承灾体及孕灾环境的综合作用,不是随机的。(2)在构建指标评价体系时,权重等会受到人为主观影响。(3)对数据要求较高,目前的数据资料难以满足要求。
因此,发明一种既能够客观反映农业干旱致灾机理,又可以充分运用灾情相关数据,综合考虑各种成灾要素以实现对农业旱灾风险的科学量化评估方法,就成为一个亟待解决的技术问题。
发明内容
本发明提供了一种农业旱灾风险评估方法,从农业干旱致灾机理出发,综合考虑各种成灾要素,建立评估模型,模拟作物生长,特别是通过对作物耗水量的准确模拟,保持了模型在严重干旱等极端环境下的敏感性,也确保了评估结果的准确、可靠。
本发明提供的一种基于APSIM模型的农业旱灾风险评估方法,包括以下步骤:
(1)对APSIM模型进行基础数据录入,构建所需的APSIM作物生长模型;
(2)对所述APSIM作物生长模型进行参数率定和模型验证;
(3)基于所述的APSIM作物生长模型,对作物生长过程进行长序列模拟,输出作物日水分胁迫及作物产量;
(4)根据所述日水分胁迫值及胁迫天数构造干旱致灾强度指数,利用所述模拟作物产量计算作物因旱损失率;
(5)建立作物因旱损失率与干旱致灾强度水平之间的关系曲线;
(6)根据所述关系曲线,反查不同干旱致灾强度重现期下的作物因旱损失率,划分旱灾风险等级,进行风险评估。
进一步的,所述的作物因旱损失率,是将模型模拟的历年最高产量作为作物潜在产量,将作物潜在产量与作物模拟历年产量的差值作为作物因旱损失量,其计算公式为:
其中,Rloss为作物因旱损失率,Ym为作物潜在产量,Ys为作物模拟产量。
进一步的,所述干旱致灾强度指数的计算公式为;
其中,HI为作物生育期内的干旱致灾强度指数,HIyj为第j站点第y年的干旱致灾强度,fi为第i天作物水分胁迫值,n为生育期天数,maxHI与minHI分别为所有站点所有年份内的最大值与最小值。
进一步的,所述的作物水分胁迫值是配置的APSIM模型在无灌溉的情况下,输出作物在生育期内受水分胁迫影响的逐日水分胁迫值,其计算公式为:
其中:f是作物水分胁迫值,Wu为土壤可供水量,Wd为作物需水量。
进一步的,所述的干旱致灾强度水平,是指干旱致灾强度的经验频率;将干旱致灾强度指数按从大到小的次序排列为x1、x2、…、xm、…、xn,则按下式计算经验频率:
其中,P为等于和大于xm的经验频率,m为xm的序号,即等于和大于xm的项数,n为样本容量,即干旱致灾强度数据的总项数。
进一步的,所述基础数据包括:
气象数据,土壤数据,田间管理数据,作物生育数据。
进一步的,所述的旱灾风险等级通过地图进行展示。
本发明公开了一种基于APSIM作物模型的农业旱灾风险评估方法,该方法通过构建所需的APSIM作物生长模型,对作物生长过程进行模拟,构造干旱致灾强度指数,模拟计算作物因旱损失率,建立作物因旱损失率与干旱致灾强度水平之间的关系曲线并划分旱灾风险等级实现对农业旱灾风险的评估。本发明在客观反映农业干旱致灾机理的基础上,充分运用灾情相关数据,综合考虑各种成灾要素,对农业旱灾风险进行了量化评估,特别是通过对模型中作物耗水量的准确模拟,保持了模型在极端环境下的敏感性,也使得评估的结果更加准确、可靠。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例1的评估方法流程图;
图2为本发明实施例2中的致灾水平与作物损失率关系图;
图3为本发明实施例2中的旱灾损失风险示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
APSIM(Agricultural Production System Simulator)模型,是澳大利亚科学家开发研制的、用于模拟农业系统各生物过程的机理模型。APSIM模型的特色,主要是对极端环境变化条件下预测产量变化和经济风险分析具有充分的敏感性;其次是对干旱地区作物水分关系具有较强的分析能力。图1为本发明提供的基于APSIM模型的评估方法流程图,该流程包括以下步骤:
步骤一:对APSIM模型进行基础数据录入,包括气象数据、土壤数据、田间管理数据,构建所需的APSIM作物生长模型。
步骤二:对APSIM作物生长模型进行参数率定和模型验证。主要是利用历史上不同年度、不同地域、不同作物生育期内的气象数据、土壤数据、田间管理数据、作物生育数据及产量等数据进行相关参数的率定和模型的验证。
步骤三:基于所述的APSIM作物生长模型,对作物生长过程进行长序列模拟,输出作物日水分胁迫及作物产量;
步骤四:根据所述日需水量控制作物供水量构造干旱致灾强度指数,利用所述作物模拟产量计算作物因旱损失率。
所述的作物因旱损失率,是将模型模拟的历年最高产量作为作物潜在产量,将作物潜在产量与作物模拟产量的差值作为作物因旱损失量,其计算公式为:
其中,Rloss为作物因旱损失率,Ym为作物潜在产量,Ys为作物模拟产量。
所述干旱致灾强度指数的计算公式为;
其中,HI为作物生育期内的干旱致灾强度指数,HIyj为第j站点第y年的干旱致灾强度,fi为第i天作物水分胁迫值,n为生育期天数,maxHI与minHI分别为所有站点所有年份内的最大值与最小值。
这里的作物水分胁迫值是配置的APSIM模型在无灌溉的情况下,输出作物在生育期内受水分胁迫影响的逐日水分胁迫值,其计算公式为:
其中:f是作物水分胁迫值,Wu为土壤可供水量,Wd为作物需水量。
步骤五:建立作物因旱损失率与干旱致灾强度水平之间的关系曲线;
利用步骤四中计算的干旱致灾强度,进一步计算出干旱致灾强度水平。这里的干旱致灾强度水平,是指干旱致灾强度的经验频率;将干旱致灾强度指数按从大到小的次序排列为x1、x2、…、xm、…、xn,则按下式计算经验频率:
其中,P为等于和大于xm的经验频率,m为xm的序号,即等于和大于xm的项数,n为样本容量,即干旱致灾强度数据的总项数。
根据作物因旱损失率与干旱致灾强度水平之间的对应关系,绘制出二者的关系曲线。
步骤六:根据所述关系曲线,反查不同干旱致灾强度重现期下的作物因旱损失率,划分旱灾风险等级,进行风险评估,进行地图展示。
实施例2:
在实施例1的基础上,以中国辽宁省的玉米作物为例,具体实施步骤如下:
步骤一:建立生长模型。输入基础资料,包括辽宁省各地市逐日气象数据、土壤数据以及作物田间管理数据作为APSIM模型的参数设置及输入数据。
步骤二:利用辽宁省各地市1996-2005年玉米单产及生育期数据对各地市进行参数率定,2006-2013年数据进行模型验证。
步骤三:利用建立的APSIM作物模型对辽宁省各地市1961-2013年作物产量进行模拟,假设历年最高产量为潜在产量,潜在产量与模拟各个年份产量的差值为当年的作物因旱损失量。从而计算因旱损失率。其计算公式为:
其中,Rloss为作物因旱损失率,Ym为作物潜在产量,Ys为作物模拟产量。
步骤四:作物在生育期遭受水分胁迫的强度和天数是反映农业干旱强度的直接因素。在APSIM模型中,生物量累积水分胁迫值计算考虑作物的需水量与实际可供水量,其计算公式为:
其中:f是作物水分胁迫值,Wu为土壤可供水量,Wd为作物需水量。
步骤五:根据步骤四中的水分胁迫值及水分胁迫天数,计算构造干旱致灾强度指数。其计算公式为:
其中,HI为作物生育期内的干旱致灾强度指数,HIyj为第j站点第y年的干旱致灾强度,fi为第i天作物水分胁迫值,n为生育期天数,maxHI与minHI分别为所有站点所有年份内的最大值与最小值。
步骤六:由步骤五计算的干旱致灾强度,计算干旱致灾强度频率。
利用步骤五中计算的干旱致灾强度,进一步计算出干旱致灾强度水平。这里的干旱致灾强度水平,是指干旱致灾强度的经验频率;将干旱致灾强度指数按从大到小的次序排列为x1、x2、…、xm、…、xn,则按下式计算经验频率:
其中,P为等于和大于xm的经验频率,m为xm的序号,即等于和大于xm的项数,n为样本容量,即干旱致灾强度数据的总项数。
步骤七:根据步骤三计算的作物因旱损失率及步骤六计算的干旱致灾强度频率,建立曲线关系,根据关系曲线反查不同干旱制造强度重现期下的玉米因旱损失率,划分旱灾风险等级并在地图上进行展示。
具体如图2、3所示。
本发明通过构建所需的APSIM作物生长模型,对作物生长过程进行模拟,构造干旱致灾强度指数,模拟计算作物因旱损失率,建立作物因旱损失率与干旱致灾强度水平之间的关系曲线并划分旱灾风险等级实现对农业旱灾风险的评估。本发明在客观反映农业干旱致灾机理的基础上,充分运用灾情相关数据,综合考虑各种成灾要素,对农业旱灾风险进行了量化评估,特别是通过对模型中作物耗水量的准确模拟,保持了模型在极端环境下的敏感性,也使得评估的结果更加准确、可靠。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种基于APSIM模型的农业旱灾风险评估方法,其特征在于,包括以下步骤:
(1)对APSIM模型进行基础数据录入,构建所需的APSIM作物生长模型;
(2)对所述APSIM作物生长模型进行参数率定和模型验证;
(3)基于所述的APSIM作物生长模型,对作物生长过程进行长序列模拟,输出作物日水分胁迫及作物产量;
(4)根据所述日水分胁迫值及胁迫天数构造干旱致灾强度指数,利用所述模拟作物产量计算作物因旱损失率;
(5)建立作物因旱损失率与干旱致灾强度水平之间的关系曲线;
(6)根据所述关系曲线,反查不同干旱致灾强度重现期下的作物因旱损失率,划分旱灾风险等级,进行风险评估。
2.根据权利要求1所述的农业旱灾风险评估方法,其特征在于,所述的作物因旱损失率,是将模型模拟的历年最高产量作为作物潜在产量,将作物潜在产量与作物模拟历年产量的差值作为作物因旱损失量,其计算公式为:
<mrow>
<msub>
<mi>R</mi>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>s</mi>
<mi>s</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>Y</mi>
<mi>m</mi>
</msub>
<mo>-</mo>
<msub>
<mi>Y</mi>
<mi>s</mi>
</msub>
</mrow>
<msub>
<mi>Y</mi>
<mi>m</mi>
</msub>
</mfrac>
</mrow>
其中,Rloss为作物因旱损失率,Ym为作物潜在产量,Ys为作物模拟产量。
3.根据权利要求书1所述的农业旱灾风险评估方法,其特征在于,所述干旱致灾强度指数的计算公式为;
<mrow>
<msub>
<mi>HI</mi>
<mrow>
<mi>y</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>min</mi>
<mi> </mi>
<mi>H</mi>
<mi>I</mi>
</mrow>
<mrow>
<mi>max</mi>
<mi> </mi>
<mi>H</mi>
<mi>I</mi>
<mo>-</mo>
<mi>min</mi>
<mi> </mi>
<mi>H</mi>
<mi>I</mi>
</mrow>
</mfrac>
</mrow>
其中,HI为作物生育期内的干旱致灾强度指数,HIyj为第j站点第y年的干旱致灾强度,fi为第i天作物水分胁迫值,n为生育期天数,maxHI与minHI分别为所有站点所有年份内的最大值与最小值。
4.根据权利要求3所述的农业旱灾风险评估方法,其特征在于,所述的作物水分胁迫值是配置的APSIM模型在无灌溉的情况下,输出作物在生育期内受水分胁迫影响的逐日水分胁迫值,其计算公式为:
<mrow>
<mi>f</mi>
<mo>=</mo>
<mfrac>
<msub>
<mi>W</mi>
<mi>u</mi>
</msub>
<msub>
<mi>W</mi>
<mi>d</mi>
</msub>
</mfrac>
</mrow>
其中:f是作物水分胁迫值,Wu为土壤可供水量,Wd为作物需水量。
5.根据权利要求书1所述的农业旱灾评估方法,其特征在于,所述的干旱致灾强度水平,是指干旱致灾强度的经验频率;将干旱致灾强度指数按从大到小的次序排列为x1、x2、…、xm、…、xn,则按下式计算经验频率:
<mrow>
<mi>P</mi>
<mo>=</mo>
<mfrac>
<mi>m</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>&times;</mo>
<mn>100</mn>
<mi>%</mi>
</mrow>
其中,P为等于和大于xm的经验频率,m为xm的序号,即等于和大于xm的项数,n为样本容量,即干旱致灾强度数据的总项数。
6.根据权利要求1所述的农业旱灾风险评估方法,其特征在于,所述基础数据包括:
气象数据,土壤数据,田间管理数据,作物生育数据。
7.根据权利要求1所述的农业旱灾风险评估方法,其特征在于,所述的旱灾风险等级通过地图进行展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710704701.7A CN107480888A (zh) | 2017-08-17 | 2017-08-17 | 一种基于apsim模型的农业旱灾风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710704701.7A CN107480888A (zh) | 2017-08-17 | 2017-08-17 | 一种基于apsim模型的农业旱灾风险评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107480888A true CN107480888A (zh) | 2017-12-15 |
Family
ID=60599842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710704701.7A Pending CN107480888A (zh) | 2017-08-17 | 2017-08-17 | 一种基于apsim模型的农业旱灾风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107480888A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109712025A (zh) * | 2019-01-14 | 2019-05-03 | 三峡大学 | 一种基于Logistic的抗旱适宜供水量确定方法 |
CN110321774A (zh) * | 2019-04-04 | 2019-10-11 | 平安科技(深圳)有限公司 | 农作物灾情评估方法、装置、设备及计算机可读存储介质 |
CN110596345A (zh) * | 2019-07-29 | 2019-12-20 | 中国水利水电科学研究院 | 一种旱涝急转标准的计算方法 |
CN110705811A (zh) * | 2018-07-10 | 2020-01-17 | 中国水利水电科学研究院 | 基于水位埋深值预测产量的方法和装置 |
CN112561315A (zh) * | 2020-12-15 | 2021-03-26 | 云南省气候中心(云南省生态气象和卫星遥感中心) | 烤烟气象灾害定量评估及预估方法 |
CN113762768A (zh) * | 2021-09-02 | 2021-12-07 | 中国水利水电科学研究院 | 基于天气发生器和作物模型的农业旱灾动态风险评估方法 |
CN114723293A (zh) * | 2022-04-11 | 2022-07-08 | 湖南省水利水电科学研究院 | 基于历史典型干旱年旱灾影响指标的干旱风险评估方法 |
CN117436710A (zh) * | 2023-12-20 | 2024-01-23 | 中国气象局气象干部培训学院 | 一种基于作物模型的干旱评估方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103424405A (zh) * | 2013-08-27 | 2013-12-04 | 华南农业大学 | 一种基于hj-1a/1b ccd数据的干旱监测方法 |
CN103440420A (zh) * | 2013-08-30 | 2013-12-11 | 民政部国家减灾中心 | 农业旱灾致灾因子危险性评估方法 |
CN104361249A (zh) * | 2014-11-25 | 2015-02-18 | 民政部国家减灾中心 | 基于作物生长模型的作物旱灾致灾强度指数计算方法 |
CN104732045A (zh) * | 2015-04-22 | 2015-06-24 | 民政部国家减灾中心 | 一种基于作物生长模型确定作物旱灾自然脆弱性曲线的方法 |
CN105389740A (zh) * | 2015-12-29 | 2016-03-09 | 中国科学院遥感与数字地球研究所 | 一种基于作物生长模型的农业旱灾风险评估方法 |
CN105760814A (zh) * | 2016-01-25 | 2016-07-13 | 中国水利水电科学研究院 | 一种基于数据挖掘的干旱监测方法 |
-
2017
- 2017-08-17 CN CN201710704701.7A patent/CN107480888A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103424405A (zh) * | 2013-08-27 | 2013-12-04 | 华南农业大学 | 一种基于hj-1a/1b ccd数据的干旱监测方法 |
CN103440420A (zh) * | 2013-08-30 | 2013-12-11 | 民政部国家减灾中心 | 农业旱灾致灾因子危险性评估方法 |
CN104361249A (zh) * | 2014-11-25 | 2015-02-18 | 民政部国家减灾中心 | 基于作物生长模型的作物旱灾致灾强度指数计算方法 |
CN104732045A (zh) * | 2015-04-22 | 2015-06-24 | 民政部国家减灾中心 | 一种基于作物生长模型确定作物旱灾自然脆弱性曲线的方法 |
CN105389740A (zh) * | 2015-12-29 | 2016-03-09 | 中国科学院遥感与数字地球研究所 | 一种基于作物生长模型的农业旱灾风险评估方法 |
CN105760814A (zh) * | 2016-01-25 | 2016-07-13 | 中国水利水电科学研究院 | 一种基于数据挖掘的干旱监测方法 |
Non-Patent Citations (1)
Title |
---|
杨轩: "基于APSIM模型的冬小麦_玉米和紫花苜蓿的生产潜力分析", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705811A (zh) * | 2018-07-10 | 2020-01-17 | 中国水利水电科学研究院 | 基于水位埋深值预测产量的方法和装置 |
CN110705811B (zh) * | 2018-07-10 | 2022-05-13 | 中国水利水电科学研究院 | 基于水位埋深值预测产量的方法和装置 |
CN109712025B (zh) * | 2019-01-14 | 2020-01-07 | 三峡大学 | 一种基于Logistic的抗旱适宜供水量确定方法 |
CN109712025A (zh) * | 2019-01-14 | 2019-05-03 | 三峡大学 | 一种基于Logistic的抗旱适宜供水量确定方法 |
CN110321774B (zh) * | 2019-04-04 | 2022-05-17 | 平安科技(深圳)有限公司 | 农作物灾情评估方法、装置、设备及计算机可读存储介质 |
CN110321774A (zh) * | 2019-04-04 | 2019-10-11 | 平安科技(深圳)有限公司 | 农作物灾情评估方法、装置、设备及计算机可读存储介质 |
CN110596345A (zh) * | 2019-07-29 | 2019-12-20 | 中国水利水电科学研究院 | 一种旱涝急转标准的计算方法 |
CN112561315A (zh) * | 2020-12-15 | 2021-03-26 | 云南省气候中心(云南省生态气象和卫星遥感中心) | 烤烟气象灾害定量评估及预估方法 |
CN113762768A (zh) * | 2021-09-02 | 2021-12-07 | 中国水利水电科学研究院 | 基于天气发生器和作物模型的农业旱灾动态风险评估方法 |
CN114723293A (zh) * | 2022-04-11 | 2022-07-08 | 湖南省水利水电科学研究院 | 基于历史典型干旱年旱灾影响指标的干旱风险评估方法 |
CN114723293B (zh) * | 2022-04-11 | 2024-03-29 | 湖南省水利水电科学研究院 | 基于历史典型干旱年旱灾影响指标的干旱风险评估方法 |
CN117436710A (zh) * | 2023-12-20 | 2024-01-23 | 中国气象局气象干部培训学院 | 一种基于作物模型的干旱评估方法 |
CN117436710B (zh) * | 2023-12-20 | 2024-03-26 | 中国气象局气象干部培训学院 | 一种基于作物模型的干旱评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480888A (zh) | 一种基于apsim模型的农业旱灾风险评估方法 | |
Meresa et al. | Hydro-meteorological drought projections into the 21-st century for selected Polish catchments | |
Dourado-Neto et al. | Principles of crop modeling and simulation: I. Uses of mathematical models in agricultural science | |
Kansiime et al. | Perceived and actual rainfall trends and variability in eastern Uganda: implications for community preparedness and response | |
Tripathy et al. | Forecasting wheat yield in Punjab state of India by combining crop simulation model WOFOST and remotely sensed inputs | |
CN105389740A (zh) | 一种基于作物生长模型的农业旱灾风险评估方法 | |
Benke et al. | A spatial-statistical approach to the visualisation of uncertainty in land suitability analysis | |
CN102183621A (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
Lin et al. | Drought trends and the extreme drought frequency and characteristics under climate change based on SPI and HI in the upper and middle reaches of the Huai River Basin, China | |
Wang et al. | Characteristic analysis of droughts and waterlogging events for maize based on a new comprehensive index through coupling of multisource data in Midwestern Jilin Province, China | |
CN104732045A (zh) | 一种基于作物生长模型确定作物旱灾自然脆弱性曲线的方法 | |
Gunarathna et al. | Sensitivity analysis of plant-and cultivar-specific parameters of APSIM-sugar model: variation between climates and management conditions | |
Ahmad et al. | The impacts of climate variability on crop yields and irrigation water demand in South Asia | |
Sanjeevaiah et al. | Understanding the temporal variability of rainfall for estimating agro-climatic onset of cropping season over south interior Karnataka, India | |
Zhang et al. | Short-term forecasting of daily crop evapotranspiration using the ‘Kc-ETo’approach and public weather forecasts | |
Abeysiriwardana et al. | A comparative study of potential evapotranspiration estimation by three methods with FAO Penman–Monteith method across Sri Lanka | |
Kasemset et al. | Multiple regression model for forecasting quantity of supply of off-season longan | |
Ferreira da Costa et al. | The water, climate and energy nexus in the São Francisco River Basin, Brazil: An analysis of decadal climate variability | |
Amiri | Evaluation of water schemes for maize under arid area in Iran using the SWAP Model | |
Nie et al. | Study on the Water Supply and the Requirements, Yield, and Water Use Efficiency of Maize in Heilongjiang Province Based on the AquaCrop Model | |
Liverman | Forecasting the impact of climate on food systems: Model testing and model linkage | |
Khan et al. | Irrigation water requirement prediction through various data mining techniques applied on a carefully pre-processed dataset | |
Coelho et al. | A perspective for advancing climate prediction services in Brazil | |
Hensawang et al. | Predicting rice production in Central Thailand using the WOFOST model with ENSO impact | |
Arshad et al. | An alternative statistical model to analysis pearl millet (Bajra) yield in province Punjab and Pakistan |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171215 |
|
WD01 | Invention patent application deemed withdrawn after publication |