CN108205718B - 一种粮食作物抽样测产方法及系统 - Google Patents
一种粮食作物抽样测产方法及系统 Download PDFInfo
- Publication number
- CN108205718B CN108205718B CN201810040239.XA CN201810040239A CN108205718B CN 108205718 B CN108205718 B CN 108205718B CN 201810040239 A CN201810040239 A CN 201810040239A CN 108205718 B CN108205718 B CN 108205718B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- yield
- grain
- sample
- plot
- 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
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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Abstract
本发明公开一种粮食作物抽样测产方法及系统。所述方法包括:获得测产粮食作物当年的耕地地块数据;获取测产粮食作物生长期的第一遥感影像;对所述第一遥感影像进行影像预处理得到遥感反演参数;根据所述耕地地块数据、所述第一遥感影像和所述遥感反演参数确定测产粮食作物的种植空间分布;从所述种植空间分布中选取测产样本地块;确定所述测产样本地块的单产;根据所述测产样本地块的单产和所述遥感反演参数构建测产回归模型;根据所述测产回归模型及所述遥感反演参数得到测产粮食作物单产空间分布。本发明以遥感反演参数为辅助参数,提高了粮食产量调查的时效性,降低调查成本、提高调查效率,提高预测精度,减少因调查产生的粮食资源浪费。
Description
技术领域
本发明涉及粮食抽样测产领域,特别是涉及一种粮食作物抽样测产方法及系统。
背景技术
粮食产量作为衡量一个国家和地区农业生产的基本指标,与粮食安全问题直接相关,甚至事关国家安全和社会稳定。我国自1952年成立国家统计局以来,粮食产量的调查、统计、发布均由国家统计局农村社会经济调查司定期进行。粮食产量的调查方法通过不断的改革创新先后经历了层层上报汇总、抽样上报推算、抽样实割实测,其中实割实测根据不同的作物品种及种植情况等,又可分为规测法、摸测法。目前,我国粮食产量调查主要还是依据1984年国家农调总队颁布的《全国农产量抽样调查试行方案》的抽样实割实测方法,该方案在准确调查全国、省乃至县(市)的粮食产量数据方面发挥了重要的作用。但是,随着我国农业现代化的快速发展,现行的实割实测方法测产虽然在不断地改进以适应新的测量要求,但也表现出了一些缺点:(1)样本更新落后,随着土地利用及种植规模的快速变化,原来定点调查的网点代表性不足;(2)不能取得省、县、乡粮食作物多级分层资料;(3)受总体播种面积的影响大,播种面积越准,则推算的总体产量越准,反之越差;(4)难以反映旱涝等自然灾害对产量的影响;(5)农业测产人工投入相对较高,减少人工投入的测产方案或机械化自动化的测产工具噬待研发。与此同时,国办发〔2011〕13号、中发〔2012〕1号、中发〔2016〕1号及2016年3月发布的“十三五”规划纲要等连续多年的政府文件又均对农业现代化建设、农业生产管理和粮食生产数据的核实提出了明确严格的要求。因此,适应粮食作物现代化种植发展模式的粮食测产方法继续探索实践,改革粮食产量的调查方法势在必行。
由于目前普遍采用实割实测进行样本地块的产量野外调查方法仍然存在人力、财力成本高,调查效率较低,且较大量的实割实测样本采集也是一种粮食资源的浪费。因此,本研究希望以尽可能的降低调查成本、提高调查效率、减少因调查产生的粮食资源浪费,实现粮食产量抽样测产野外调查的“单兵”高效执行为目标,将样本地块的产量野外实割实测方法改革为查棵数粒方法。
发明内容
本发明的目的是提供一种粮食作物抽样测产方法及系统,用来降低调查成本、提高调查效率,提高预测精度。
为实现上述目的,本发明提供了如下方案:
一种粮食作物抽样测产方法,所述方法包括:
获得测产粮食作物当年的耕地地块数据;
获取测产粮食作物生长期的第一遥感影像;
对所述第一遥感影像进行影像预处理得到遥感反演参数;
根据所述耕地地块数据、所述第一遥感影像和所述遥感反演参数确定测产粮食作物的种植空间分布;
从所述种植空间分布中选取测产样本地块;
确定所述测产样本地块的单产;
根据所述测产样本地块的单产和所述遥感反演参数构建测产回归模型;
根据所述测产回归模型及所述遥感反演参数得到测产粮食作物单产空间分布。
可选的,所述确定所述测产样本地块的单产,具体包括:
对所述测产样本地块进行样方布设,各所述样方均匀分布在所述测产样本地块中;
得到每个样方的粮食作物的颗粒数,并计算样方的平均颗粒数;
计算所述样方的粮食作物的千粒重;
根据所述平均颗粒数和所述千粒重计算所述测产样本地块的单产。
可选的,所述获得测产粮食作物当年的耕地地块数据,具体包括:
获取测产地区前一年的第二遥感影像和历史土地利用数据;
对所述第二遥感影像进行辐射定标、大气校正、几何校正形成第二标准遥感影像数据;
统一所述第二标准遥感影像数据和所述历史土地利用数据的空间参考;
根据转换后的历史土地利用数据对转换后的标准遥感影像数据进行解译获得测产区当年的耕地地块数据。
可选的,所述对所述第一遥感影像进行影像预处理得到遥感反演参数,具体包括:
对所述第一遥感影像进行辐射定标、大气校正、几何校正形成第一标准遥感影像数据;
将所述第一标准遥感影像数据的空间参考转换为所述耕地地块数据的空间参考,
将转换后的所述第一标准遥感影像数反演计算得到能够反映作物生长特征的遥感反演参数。
可选的,所述根据所述测产样本地块的单产和所述遥感反演参数构建测产回归模型,具体包括:
根据所述测产样本地块的单产和所述遥感反演参数获得平均遥感反演参数;
根据所述平均遥感反演参数确定多个与所述测产样本相关性高的测产点;
获取多个所述测产点的遥感参数;
根据多个所述测产点的遥感参数构建测产回归模型。
可选的,所述第一遥感影像的参数为归一化植被指数或叶面积指数。
一种粮食作物抽样测产系统,所述系统包括:
耕地地块数据获取模块,用于获得测产粮食作物当年的耕地地块数据;
第一遥感影像获取模块,用于获取测产粮食作物生长期的第一遥感影像;
遥感反演参数得到模块,用于对所述第一遥感影像进行影像预处理得到遥感反演参数;
种植空间分布确定模块,用于根据所述耕地地块数据、所述第一遥感影像和所述遥感反演参数确定测产粮食作物的种植空间分布;
测产样本地块选取模块,用于从所述种植空间分布中选取测产样本地块;
测产样本地块的单产确定模块,用于确定所述测产样本地块的单产;
测产回归模型构建模块,用于根据所述测产样本地块的单产和所述遥感反演参数构建测产回归模型;
测产粮食作物单产空间分布得到模块,用于根据所述测产回归模型及所述遥感反演参数得到测产粮食作物单产空间分布。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明粮食作物抽样测产方法以遥感反演参数为辅助参数,提高了粮食产量调查的时效性,降低调查成本、提高调查效率,提高预测精度,减少因调查产生的粮食资源浪费,实现粮食产量抽样测产野外调查的“单兵”高效执行,为粮食产量的调查提供了一种新的手段。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明粮食作物抽样测产方法的流程图;
图2为本发明冬小麦调查地块样方布设示意图一;
图3为本发明冬小麦调查地块样方布设示意图二;
图4为本发明玉米调查地块样方布设示意图一;
图5为本发明玉米调查地块样方布设示意图二;
图6为本发明粮食作物抽样测产系统的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
近几十年来,随着气象、遥感观/探测技术的不断进步,基于气象、遥感数据的粮食作物估产技术已基本成熟且国内外均有业务化应用,为准确估算粮食产量做出了突出贡献,但仍然是“后验证模式”,实际产量数据的核实仍然必要,且不可替代。近年,空间信息技术在各行各业的各项普查、常规调查以及调查方法更新换代方面发展迅速,国内基于遥感和抽样技术发展了粮食作物种植面积统计调查技术,并通过实际的业务化应用表明,充分利用空间信息技术能够有效提高农业统计调查数据量、降低调查成本、提高调查效率,且技术水平在一定程度上赶超美国、欧盟、韩国等现代化的基于空间信息的对地调查技术。因此,受气象、遥感的粮食作物估产技术、基于遥感抽样的粮食作物种植面积统计调查技术的启发,同时考虑人性化野外调查方式,本研究尝试利用空间信息技术改革粮食作物产量调查方法,以期能够提高农作产量调查的质量和效率,并降低调查成本。
由于目前普遍采用实割实测进行样本地块的产量野外调查方法仍然存在人力、财力成本高,调查效率较低,且较大量的实割实测样本采集也是一种粮食资源的浪费。因此,本研究希望以尽可能的降低调查成本、提高调查效率、减少因调查产生的粮食资源浪费,实现粮食产量抽样测产野外调查的“单兵”高效执行为目标,将样本地块的产量野外实割实测方法改革为查棵数粒方法。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明粮食作物抽样测产方法的流程图。如图1所示,所述粮食作物抽样测产方法包括以下步骤:
步骤101:获得测产粮食作物当年的耕地地块数据;所述获得测产粮食作物当年的耕地地块数据,具体包括:
步骤1011:获取测产地区前一年的第二遥感影像和历史土地利用数据;
步骤1012:对所述第二遥感影像进行辐射定标、大气校正、几何校正形成第二标准遥感影像数据;
步骤1013:统一所述第二标准遥感影像数据和所述历史土地利用数据的空间参考;
步骤1014:根据转换后的历史土地利用数据对转换后的标准遥感影像数据进行解译获得测产区当年的耕地地块数据。
获取测产地区前一年的高分辨率遥感影像和历史土地利用数据或历史耕地地块数据,首先对遥感影像进行辐射定标、大气校正、几何校正等预处理形成标准遥感影像产品数据,然后将标准遥感影像产品数据和历史土地利用数据或历史耕地地块数据进行空间参考(投影)转换,均转换为Albers等积投影或测产区地方精准空间参考,最后,通过基于历史土地利用数据或历史耕地地块数据对遥感影像进行解译获得测产区当年的耕地地块数据。
步骤102:获取测产粮食作物生长期的第一遥感影像;
步骤103:对所述第一遥感影像进行影像预处理得到遥感反演参数。
获取测产作物生长期的多光谱遥感影像,对遥感影像进行辐射定标、大气校正、几何校正等预处理形成标准遥感影像产品数据,并转换为与耕地地块数据相同的空间参考,反演计算得到能够反映作物生长特征的遥感参数,如NDVI(归一化植被指数)、LAI(叶面积指数)。
步骤104:根据所述耕地地块数据、所述第一遥感影像和所述遥感反演参数确定测产粮食作物的种植空间分布;结合耕地地块数据和遥感影像及反演得到的遥感参数,通过计算机解译和目视解译得到测产粮食作物的种植空间分布。
步骤105:从所述种植空间分布中选取测产样本地块;根据抽样理论及实际测产实施条件,设计合理可行的抽样方案,从测产作物的种植地块中抽取实地测产调查样本。
步骤106:确定所述测产样本地块的单产,具体包括:
步骤1061:对所述测产样本地块进行样方布设,各所述样方均匀分布在所述测产样本地块中。
步骤1062:得到每个样方的粮食作物的颗粒数,并计算样方的平均颗粒数;
步骤1063:计算所述样方的粮食作物的千粒重;
步骤1064:根据所述平均颗粒数和所述千粒重计算所述测产样本地块的单产。
下面将夏粮和秋粮分开进行样方布设,具体如下:
1、夏粮(如冬小麦)样本调查的方案设计、测产样本查课数粒调查实施。
(1)确定种植冬小麦的目标地块(XX地块,前文中抽样确定);
(2)对目标地块进行样方布设,样方的布设要按一定的规则均匀分布在目标地块内(如图2),样方布设数量一般为5个,样方大小10平方尺,样方编号为XX-01,XX-02,XX-03,…(如图3)。图2所示具体算法如下:
首先,根据地块的面积计算得到样本地块的全距和半距,垂直于地块边界一个半距的距离确定第一个样方的位置;其次,平行于地块短边方向(垂直于长边)距第一个样本点一个全距的距离确定第二个样本点位置,依次确定第三、四、五个样本点位置。需要说明的是,当相邻两个样本点的距离超出地块长度时,应反方向(剩余距离)行走选点,相隔距离为一个全距。
(3)分别查数各样方内的小麦麦穗数,并分别抽取10棵冬小麦麦穗,麦穗选择按实地麦穗粒数均一的原则分别抽取,保存样本;
(4)脱粒得到每个麦穗的粒数,并经过脱水、去杂得到样本的千粒重;
(5)根据上述得到的样方穗数、粒数,先计算得到每个样方的平均穗数和粒数,之后通过引入去杂得到的样本的千粒重得到抽样地块的平均产量(单产/总产)。
2、秋粮(玉米)样本调查的方案设计、测产样本查课数粒调查实施
(1)确定种植玉米的目标地块(XX地块,前文中抽样确定);
(2)对目标地块进行样方布设,与夏粮相同是样方的布设要按一定的规则均匀分布在目标地块内(如图4),样方布设数量一般为5个,但是,与夏粮(小麦)不同的是,秋粮(玉米)的种植间距较大,如果采用10平方尺大小的样方,会出现作物样本数量不均的现象,因此,秋粮(玉米)样方为10尺垄长大小,即垄测法,编号规则仍然为XX-01,XX-02,XX-03,…(如图5)。
图4所示具体算法如下:
平均垄宽=与垄垂直的边/垄数;
样本距离(全距)=总垄长/5,保留整数;
半距=样本距离/2,保留整数;
样本间隔垄数=样本距离/平均垄长,保留1位小数,计算所得数值,整数部分作为间隔垄数,小数部分用于计算样本竖隔距离;
样本竖隔距离=样本间隔垄数的小数部分*平均垄长,保留1位小数,如果间隔垄数的小数部分为0,指定小数部分为0.1,再计算样本竖隔距离。
第一个样本点的位置:
所在垄数=半距/平均垄长(取整垄),如图3中,第一个样本点所在垄数=139263/1446=96垄…3,确认垄数为96+1=97垄;
竖隔距离=所在垄数的小数部分*平均垄长,如图3中,第一个样本点竖隔距离=0.3*482.0=144.6米(保留1位小数),如果所在垄数小数部分为0,指定取0.1。
第二个样本点的位置:
所在垄数=第一个样本点所在垄数+样本间隔垄数;
竖隔距离=第一个样本点竖隔距离+样本竖隔距离。
依次类推,确定第三、四、五个样本点的位置,需要说明的是,如图3所示,取样方向的标记采用同奇同偶同方向的原则,另个样本点的竖隔距离如超出地块范围则加1垄并变换地块走向,后一个点所在垄数的计算也对应加1垄。
(3)通过室内抽取的样本,根据样本的唯一ID编号,找到相对应的地块,进行外业调查。每个样本的调查信息包括该地块玉米的垄数、取得每个10尺样带玉米的穗数,保存样本;
(4)脱粒得到每个样方内每个玉米穗的颗粒数,并经过脱水、去杂得到样本的千粒重;
(5)根据上述得到的样方穗数、粒数,先计算得到每个样方的平均穗数和粒数,进一步得到抽样地块的穗数和粒数,之后通过引入去杂得到的样本的千粒重得到抽样地块的平均产量(单产/总产)。
需要解释的是,由于实际实施中不可避免的存在工作量的评估与时间的局限相矛盾,为了在预期的计划内准确的完成测产区玉米测产外业调查,对于工作量最大的玉米粒数查数,可采取通过对样方内每个玉米穗中的行数和列数进行统计,从而得到每个玉米穗的粒数。对于每个玉米穗中存在的每列玉米粒不统一的的情况,尽量选取玉米穗中玉米粒中等的情况进行统计,或者对玉米穗进行不同部位的多次统计取均值进行统计。千粒重可通过对采集样本进行随机抽样的方式取得。
基于前文的过程得到的样本地块的单产,根据不同的抽样方案计算得到测产区的平均单产,总体方法为:由抽样样本地块单产与抽样地块作物种植面积做加权平均(权重为每层内每个样本地块作物种植面积),得出测产区作物的平均单产:
其中,m为测产区单产,mi为第i个抽样地块的单产,Si为第i个抽样地块作物种植面积。
步骤107:根据所述测产样本地块的单产和所述遥感反演参数构建测产回归模型,具体包括:
步骤1071:根据所述测产样本地块的单产和所述遥感反演参数获得平均遥感反演参数;
步骤1072:根据所述平均遥感反演参数确定多个与所述测产样本相关性高的测产点;
步骤1073:获取多个所述测产点的遥感参数;
步骤1074:根据多个所述测产点的遥感参数构建测产回归模型。
以往的抽样测产结果只得到测产区的整体产量数据,无法从空间上表现产量的分布,而本案例利用由遥感反演的作物NDVI提取作物,实测样本地块均有与之对应的关键生长期NDVI值,因此,本案例建立样本实测单产与其对应的生长期NDVI回归方程,将产量基于NDVI直接空间化。通过样本实测单产与其对应的生长期NDVI的相关性分析,选取选取相关性较高的2-3期测产点或样本地块遥感参数构建测产回归模型,即:
对于非样本区域(像元)单产,则带入对应区域(像元)的NDVI及由式(1)回归得到的a、b、c、d四个常数即得,具体公式如下:
Y=a×NDVI1+b×NDVI2+c×NDVI3+d;
Y为非样本区域(像元)预测单产,NDVI为非样本区域(像元)的NDVI(均)值。
对于较大尺度的测产区域,会存在各子区域同一作物种植特点不同,种植结构也有一定差异。因此,为了能够得到准确的产量空间分布,对不同的子区域根据各自的作物种植特点可分区建立不同的回归方程。
步骤108:根据所述测产回归模型及所述遥感反演参数得到测产粮食作物单产空间分布。以测产作物种植地块的遥感参数作为输入变量,带入测产回归模型得到测产区的测产作物单产空间分布。
以北京市市顺义区2015年玉米产量的调查为具体实施例对本发明做进一步阐述。北京地区属华北平原北部,为太行山脉和燕山山脉夹汇形成的向东南展开的扇形大弯,地形地貌以山区、平原为主,农业用地复杂,规整地块和破碎地块共存,且又是兼具首都行政职能和发达的经济职能为一体的直辖市,粮食作物种植面积总量较小,种类较多,且分布相对不均,年际变动大,种植结构相对复杂,粮食生产和都市农业生产对比特征明显,具有显著的典型性。因此,本研究选取北京顺义区区作为实践区,以2015年玉米的测产作为实践过程,直接在复杂环境中检验本发明的可行性与测产精度。数据的选取及预处理说明情况见表1,其中遥感参数选择NDVI。
表1
本研究案例以测产区标准耕地地块矢量数据为基础,基于北京顺义区2015年玉米生长期的6期遥感影像的光谱信息和NDVI变化信息,结合监督分类和目视解译方法提取测产区玉米种植空间分布标准地块。本研究中总共提取2015年玉米种植地块11,657个,合计种植面积10,107.62公顷。
根据抽样理论及实际操作的可行性,本案例以随机抽样的方式从玉米种植地块中抽取30个地块作为测产样本,按照秋粮作物的样本调查方案实施野外地调查,为了验证本方法的测产精度,同步在样本地块进行实割实测,以该产量作为准真值。
本案例查课数粒和实割实测的得到的30个可用样本中,平均每公顷有64,280个玉米棒,每个玉米棒平均有406.86颗玉米粒,玉米的实测平均千粒重为290.32克,经逐个样本地块的对推算及面积加权平均获得2015年顺义区的玉米单产为7,682.07kg/ha,而实割实测的面积加权平均得到的2015年顺义区的玉米单产为6,785.41kg/ha,二者的相对误差为13%。
本案例中经相关分析选择2015年9月12日和2015年9月23日的两期NDVI进行回归建模,首先进行交叉性回归分析,即先预留一个样本,剩下的29个样本进行回归建模,用预留的样本进行验证,逐次回归的相对误差在-0.11~0.12之间,平均误差为0.001,远小于0.05的实际测产整体精度要求,因此回归结果符合精度要求;其次,将逐次回归的系数进行平均作为最终回归模型的系数,即:
本案例详细介绍了基于查棵数粒的粮食作物遥感参数辅助抽样测产方法,并以北京顺义区为案例区,收集了2015年该地区的玉米生产相关数据进行基于查棵数粒的测产实践。结果显示无论是基于查棵数粒的平均单产推算还是基于遥感参数的产量空间回归推算,结果平均相对误差均在13%,考虑实际农作物的收获会存在大约15%的水杂损耗,因此,进度能够那满足粮食测产的需求。基于查棵数粒的粮食作物遥感参数辅助抽样测产方法简单,操作容易,具有一定可行性。
图6为本发明粮食作物抽样测产系统的结构图。如图6所示,所述粮食作物抽样测产系统包括:耕地地块数据获取模块601、第一遥感影像获取模块602、遥感反演参数得到模块603、种植空间分布确定模块604、测产样本地块选取模块605、测产样本地块的单产确定模块606、测产回归模型构建模块607和测产粮食作物单产空间分布得到模块608,上述8个模块依次连接。
耕地地块数据获取模块601用于获得测产粮食作物当年的耕地地块数据;
第一遥感影像获取模块602用于获取测产粮食作物生长期的第一遥感影像;
遥感反演参数得到模块603用于对所述第一遥感影像进行影像预处理得到遥感反演参数;
种植空间分布确定模块604用于根据所述耕地地块数据、所述第一遥感影像和所述遥感反演参数确定测产粮食作物的种植空间分布;
测产样本地块选取模块605用于从所述种植空间分布中选取测产样本地块;
测产样本地块的单产确定模块606用于确定所述测产样本地块的单产;
测产回归模型构建模块607用于根据所述测产样本地块的单产和所述遥感反演参数构建测产回归模型;
测产粮食作物单产空间分布得到模块608用于根据所述测产回归模型及所述遥感反演参数得到测产粮食作物单产空间分布。
对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种粮食作物抽样测产方法,其特征在于,所述方法包括:
获得测产粮食作物当年的耕地地块数据;
获取测产粮食作物生长期的第一遥感影像;
对所述第一遥感影像进行影像预处理得到遥感反演参数;
根据所述耕地地块数据、所述遥感影像和所述遥感反演参数确定测产粮食作物的种植空间分布;
从所述种植空间分布中选取测产样本地块;
确定所述测产样本地块的单产;
根据所述测产样本地块的单产和所述遥感反演参数构建测产回归模型;
根据所述测产回归模型及所述遥感反演参数得到测产粮食作物单产空间分布;
所述根据所述测产样本地块的单产和所述遥感反演参数构建测产回归模型,具体包括:
根据所述测产样本地块的单产和所述遥感反演参数获得平均遥感反演参数;
根据所述平均遥感反演参数确定多个与所述测产样本相关性高的测产点;
获取多个所述测产点的遥感参数;
根据多个所述测产点的遥感参数构建测产回归模型。
2.根据权利要求1所述的方法,其特征在于,所述确定所述测产样本地块的单产,具体包括:
对所述测产样本地块进行样方布设,各所述样方均匀分布在所述测产样本地块中;
得到每个样方的粮食作物的颗粒数,并计算样方的平均颗粒数;
计算所述样方的粮食作物的千粒重;
根据所述平均颗粒数和所述千粒重计算所述测产样本地块的单产。
3.根据权利要求1所述的方法,其特征在于,所述获得测产粮食作物当年的耕地地块数据,具体包括:
获取测产地区前一年的第二遥感影像和历史土地利用数据;
对所述第二遥感影像进行辐射定标、大气校正、几何校正形成第二标准遥感影像数据;
统一所述第二标准遥感影像数据和所述历史土地利用数据的空间参考;
根据转换后的历史土地利用数据对转换后的标准遥感影像数据进行解译获得测产区当年的耕地地块数据。
4.根据权利要求1所述的方法,其特征在于,所述对所述第一遥感影像进行影像预处理得到遥感反演参数,具体包括:
对所述第一遥感影像进行辐射定标、大气校正、几何校正形成第一标准遥感影像数据;
将所述第一标准遥感影像数据的空间参考转换为所述耕地地块数据的空间参考;
将转换后的所述第一标准遥感影像数反演计算得到能够反映作物生长特征的遥感反演参数。
5.根据权利要求1所述的方法,其特征在于,所述第一遥感影像的参数为归一化植被指数或叶面积指数。
6.一种粮食作物抽样测产系统,其特征在于,所述系统包括:
耕地地块数据获取模块,用于获得测产粮食作物当年的耕地地块数据;
第一遥感影像获取模块,用于获取测产粮食作物生长期的第一遥感影像;
遥感反演参数得到模块,用于对所述第一遥感影像进行影像预处理得到遥感反演参数;
种植空间分布确定模块,用于根据所述耕地地块数据、所述第一遥感影像和所述遥感反演参数确定测产粮食作物的种植空间分布;
测产样本地块选取模块,用于从所述种植空间分布中选取测产样本地块;
测产样本地块的单产确定模块,用于确定所述测产样本地块的单产;
测产回归模型构建模块,用于根据所述测产样本地块的单产和所述遥感反演参数构建测产回归模型;测产回归模型构建模块用于根据所述测产样本地块的单产和所述遥感反演参数获得平均遥感反演参数;根据所述平均遥感反演参数确定多个与所述测产样本相关性高的测产点;获取多个所述测产点的遥感参数;根据多个所述测产点的遥感参数构建测产回归模型;
测产粮食作物单产空间分布得到模块,用于根据所述测产回归模型及所述遥感反演参数得到测产粮食作物单产空间分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810040239.XA CN108205718B (zh) | 2018-01-16 | 2018-01-16 | 一种粮食作物抽样测产方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810040239.XA CN108205718B (zh) | 2018-01-16 | 2018-01-16 | 一种粮食作物抽样测产方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108205718A CN108205718A (zh) | 2018-06-26 |
CN108205718B true CN108205718B (zh) | 2021-10-15 |
Family
ID=62606291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810040239.XA Active CN108205718B (zh) | 2018-01-16 | 2018-01-16 | 一种粮食作物抽样测产方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108205718B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3827401B1 (en) * | 2018-07-26 | 2023-08-09 | Climate LLC | Generating agronomic yield maps from field health imagery |
CN108984803B (zh) * | 2018-10-22 | 2020-09-22 | 北京师范大学 | 一种农作物产量空间化的方法及系统 |
US11935242B2 (en) | 2020-03-09 | 2024-03-19 | International Business Machines Corporation | Crop yield estimation |
US11763557B1 (en) * | 2020-09-22 | 2023-09-19 | Sentera, Inc. | Permanent crop and permanent cropland analysis using aerial vehicles |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102829739A (zh) * | 2012-08-21 | 2012-12-19 | 北京农业信息技术研究中心 | 一种面向对象的作物叶面积指数遥感反演方法 |
CN106600434A (zh) * | 2016-10-18 | 2017-04-26 | 河南省农业科学院农业经济与信息研究所 | 基于作物模型与同化技术的作物长势遥感监测方法 |
CN107389895A (zh) * | 2017-06-08 | 2017-11-24 | 环境保护部卫星环境应用中心 | 土壤水分混合型遥感反演方法及系统 |
CN107527014A (zh) * | 2017-07-20 | 2017-12-29 | 武汉珈和科技有限公司 | 县级作物种植面积遥感统计抽样调查方案设计方法 |
-
2018
- 2018-01-16 CN CN201810040239.XA patent/CN108205718B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102829739A (zh) * | 2012-08-21 | 2012-12-19 | 北京农业信息技术研究中心 | 一种面向对象的作物叶面积指数遥感反演方法 |
CN106600434A (zh) * | 2016-10-18 | 2017-04-26 | 河南省农业科学院农业经济与信息研究所 | 基于作物模型与同化技术的作物长势遥感监测方法 |
CN107389895A (zh) * | 2017-06-08 | 2017-11-24 | 环境保护部卫星环境应用中心 | 土壤水分混合型遥感反演方法及系统 |
CN107527014A (zh) * | 2017-07-20 | 2017-12-29 | 武汉珈和科技有限公司 | 县级作物种植面积遥感统计抽样调查方案设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108205718A (zh) | 2018-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600434B (zh) | 基于作物模型与同化技术的作物长势遥感监测方法 | |
CN108205718B (zh) | 一种粮食作物抽样测产方法及系统 | |
CN108984803B (zh) | 一种农作物产量空间化的方法及系统 | |
CN111368736B (zh) | 基于sar和光学遥感数据的水稻精细化估产方法 | |
CN107256451A (zh) | 农业大数据基于gis的农业适宜性评价分析方法 | |
CN102175209B (zh) | 历史遥感产品数据支持下的作物种植面积测量高效抽样方法 | |
CN102393238A (zh) | 一种草地地上干物质量遥感估测方法 | |
CN102592181A (zh) | 一种作物种植面积统计数据空间分布的优化方法 | |
CN106092915B (zh) | 一种草地绿色植物与枯萎植物重量比例遥感估算方法 | |
CN104881727A (zh) | 一种基于遥感抽样的农作物灾情损失评估方法 | |
CN112668705B (zh) | 基于深度学习的干旱指数监测方法及系统 | |
CN105912836A (zh) | 一种纯遥感数据驱动的流域水循环模拟方法 | |
AU2016273991A1 (en) | Detection of environmental conditions | |
CN109325433A (zh) | 引入地形因子的黑土区大豆生物量多时相遥感反演方法 | |
CN107632967A (zh) | 一种草地产草量估算方法 | |
CN113591631A (zh) | 一种基于多源数据的作物估产方法 | |
CN112819227A (zh) | 一种县级尺度冬小麦单产预测方法及系统 | |
Wu et al. | Improved CASA model based on satellite remote sensing data: simulating net primary productivity of Qinghai Lake basin alpine grassland | |
CN103439299B (zh) | 一种作物群体光能空间分布量化方法 | |
CN101276446B (zh) | 一种区域作物需水量测算方法 | |
CN115271557B (zh) | 一种优先保护空间的划分方法 | |
CN106682756B (zh) | 一种基于rs/gis的冬虫夏草产量预测模型 | |
CN109598455A (zh) | 一种适用于新疆机采棉种植的区划方法及系统 | |
CN110033187B (zh) | 一种基于环境数据的指标数据获取方法 | |
CN113406305A (zh) | 一种农业干旱监测指数确定方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |