CN109117977B - 基于相对遥感变量及相对产量信息的水稻遥感估产方法 - Google Patents
基于相对遥感变量及相对产量信息的水稻遥感估产方法 Download PDFInfo
- Publication number
- CN109117977B CN109117977B CN201810696110.4A CN201810696110A CN109117977B CN 109117977 B CN109117977 B CN 109117977B CN 201810696110 A CN201810696110 A CN 201810696110A CN 109117977 B CN109117977 B CN 109117977B
- Authority
- CN
- China
- Prior art keywords
- yield
- relative
- remote sensing
- value
- vegetation index
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 24
- 235000009566 rice Nutrition 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 20
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 23
- 230000007613 environmental effect Effects 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000011160 research Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000013179 statistical model Methods 0.000 claims description 3
- 239000002689 soil Substances 0.000 abstract description 4
- 235000013339 cereals Nutrition 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 239000008267 milk Substances 0.000 description 2
- 210000004080 milk Anatomy 0.000 description 2
- 235000013336 milk Nutrition 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- 238000003911 water pollution Methods 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (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
一种基于相对遥感变量及相对产量信息的水稻遥感估产方法,所述方法包括以下步骤:1消除环境影响的相对遥感变量;2相对产量变量的构建;3基于相对遥感变量和相对产量变量的水稻估产模型构建;4目标地块的“产量相对值”计算;5目标水稻单产估测。该方法有效的消除了遥感估产由于不同年份和不同区域的气候、土壤、栽培和田间管理等条件的不同对估产结果产生较大影响,为精确进行农作物估产提供了一种新的思路和方法。
Description
技术领域
本发明利用遥感技术获取的农作物反射辐射值或反射率,以相同时期某一长势稳定的农作物田块为基准,涉及一种基于遥感数据的相对农作物估产方法,实现农作物的田间精确估产。
背景技术
粮食供给的稳定与社会经济的发展密切相关,粮食生产安全历来也是各个国家高度重视得问题。急剧增加的人口数量、耕地面积的减少、水资源污染和水资源短缺、环境的恶化、全球气候的变暖,严重影响农业生产和危及粮食安全。粮食安全目前已成为许多国家和地区的面临的最大的挑战。在当今复杂多变条件下,精准地粮食产量信息获取对于国家粮食安全、农业政策的制定、国家粮食价格的调控、水资源的合理调配具有重要的指导意义。
目前,利用卫星遥感数据进行区域农作物生产力估算时,最常用的是基于遥感光谱信息的农作物估产统计模型,旨在利用遥感技术获取农作物的反射辐射值或反射率建立不同时期植被指数与产量关系,从而得到目标年份的估产结果。
但是该估产方法缺陷在于利用历史年份数据进行建模,我们知道不同年份不同区域的气候、土壤、栽培和田间管理等条件存在差异,从而导致农作物的生长状态、生育期、产量等要素也有较大的不同。若以历史年份的农作物在其当年的生长条件下获得的遥感参数来预测与历史年份不同的生长条件下的目标年份的生产力,其结果往往会产生较大的误差。
发明内容
为了克服已有水稻遥感估产方法的准确性较差的不足,本发明提出了一种基于相对遥感变量及相对产量信息的水稻遥感估产方法,有效消除遥感估产由于不同年份和不同区域的气候、土壤、栽培和田间管理等条件的不同对估产结果产生较大影响,
本发明解决其技术问题所采用的技术方案是:
一种基于相对遥感变量及相对产量信息的水稻遥感估产方法,包括以下步骤:
1)消除环境影响的相对遥感变量
选择研究区内一个种植均匀且长势良好的田块作为基准田块,将不同时期获得的基准田块植被指数作为“植被指数基准值”,而后将研究区内其他田块的植被指数均除以基准田块的“植被指数基准值”,得到“植被指数相对值”,即相对植被指数,计算公式为:
式中,ΔVI为相对植被指数,VIS为植被指数基准值,VI为除基准田外其他田块的植被指数;
2)相对产量变量的构建
利用之前选定的基准田块,将该田块水稻产量值作为“产量基准值”,而后将研究区内其他田块的产量均除以基准田块的“产量基准值”,得到“产量相对值”,相对产量信息;
式中,RY为相对产量,YieldS为产量基准值,Yield为除基准田外其他田块的产量值;
3)基于相对遥感变量和相对产量变量的水稻估产模型构建
将步骤1)和步骤2)中获得的不同时期的“植被指数相对值”作为自变量和“产量相对值”作为因变量进行建模,得到拟合函数;
RY=f(ΔVI) (3)
4)目标地块的“产量相对值”计算
利用步骤1)中的公式(1)计算目标地块不同时期的“植被指数相对值”,将其带入步骤3)中构建的模型获得的目标地块的拟合“产量相对值”;
5)目标水稻单产估测
依据公式(4)计算目标地块水稻产量;
EY=FRY×YieldS (4)
式中,EY为预测产量,FRY为步骤4)得到的拟合“产量相对值”,YieldS为产量基准值。
进一步,所述步骤3)中用于拟合建模的统计模型可以采用线性、指数、对数、幂函数或多项式等多种形式。
本发明的有益效果主要表现在:有效消除遥感估产由于不同年份和不同区域的气候、土壤、栽培和田间管理等条件的不同对估产结果产生较大影响,准确性较高。
附图说明
图1是农作物相对估产计算过程图解。
图2是实测产量与预测产量对比图。
图3是基于相对遥感变量及相对产量信息的水稻遥感估产方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图3,一种基于相对遥感变量及相对产量信息的水稻遥感估产方法,包括以下步骤:
1)消除环境影响的相对遥感变量
选择研究区内一个种植均匀且长势良好的田块作为基准田块,将不同时期获得的基准田块植被指数作为“植被指数基准值”,而后将研究区内其他田块的植被指数均除以基准田块的“植被指数基准值”,得到“植被指数相对值”,即相对植被指数,计算公式为:
式中,ΔVI为相对植被指数,VIS为植被指数基准值,VI为除基准田外其他田块的植被指数;
2)相对产量变量的构建
利用之前选定的基准田块,将该田块水稻产量值作为“产量基准值”,而后将研究区内其他田块的产量均除以基准田块的“产量基准值”,得到“产量相对值”,相对产量信息;
式中,RY为相对产量,YieldS为产量基准值,Yield为除基准田外其他田块的产量值;
3)基于相对遥感变量和相对产量变量的水稻估产模型构建
将步骤1)和步骤2)中获得的不同时期的“植被指数相对值”作为自变量和“产量相对值”作为因变量进行建模,得到拟合函数。
RY=f(ΔVI) (3)
4)目标地块的“产量相对值”计算
利用步骤1)中的公式(1)计算目标地块不同时期的“植被指数相对值”,将其带入步骤3)中构建的模型获得的目标地块的拟合“产量相对值”;
5)目标水稻单产估测
依据公式(4)计算目标地块农作物产量。
EY=FRY×YieldS (4)
式中,EY为预测产量,FRY为步骤4)得到的拟合“产量相对值”,YieldS为产量基准值。
进一步,所述步骤3)中,采用线性、指数、对数、幂函数或多项式拟合。
该实验区共22块实验田,根据需要利用无人机装载的高光谱成像仪获得不同时期的遥感数据——水稻反射辐射值。我们选择了孕穗期、抽穗期和乳熟期三个时期的辐射值。然后利用该辐射值计算出各实验田的归一化植被指数(NDVI),并以1号田的NDVI为标准,计算所有实验的田的相对NDVI。同样的,以1号田的产量值作为标准,计算所有实验田的产量相对值。计算结果如表1所示。
表1
将孕穗期、抽穗期和乳熟期三个时期的相对NDVI值作为三个自变量x1、x2、x3,产量相对值作为因变量y。经过测试,该组实验数据采用多元线性拟合的效果最好,R2达到了0.83,拟合方程为:
y=-1.064+0.196x1+2.042x2-0.232x3
而后将y乘以1号田的实测产量即可得到各个实验田的预测产量。由于数据量的限制,我们利用上述拟合方程,采用留一交叉验证法对2号至22号实验田分别进行估产计算(实验田1为基准田块,不参与计算),并与实际产量作对比,结果如表2和图2所示,平均相对误差达到了0.01%,估产结果较为理想。
表2。
Claims (2)
1.基于相对遥感变量及相对产量信息的水稻遥感估产方法,其特征在于,所述方法包括以下步骤:
1)消除环境影响的相对遥感变量
选择研究区内一个种植均匀且长势良好的田块作为基准田块,将不同时期获得的基准田块植被指数作为“植被指数基准值”,而后将研究区内其他田块的植被指数均除以基准田块的“植被指数基准值”,得到“植被指数相对值”,即相对植被指数,计算公式为:
式中,ΔVI为相对植被指数,VIS为植被指数基准值,VI为除基准田外其他田块的植被指数;
2)相对产量变量的构建
利用之前选定的基准田块,将该田块水稻产量值作为“产量基准值”,而后将研究区内其他田块的产量均除以基准田块的“产量基准值”,得到“产量相对值”,相对产量信息;
式中,RY为相对产量,YieldS为产量基准值,Yield为除基准田外其他田块的产量值;
3)基于相对遥感变量和相对产量变量的水稻估产模型构建
将步骤1)和步骤2)中获得的不同时期的“植被指数相对值”作为自变量和“产量相对值”作为因变量进行建模,得到拟合函数;
RY=f(ΔVI) (3)
4)目标地块的“产量相对值”计算
利用步骤1)中的公式(1)计算目标地块不同时期的“植被指数相对值”,将其带入步骤3)中构建的模型获得的目标地块的拟合“产量相对值”;
5)目标水稻单产估测
依据公式(4)计算目标地块水稻产量;
EY=FRY×YieldS (4)
式中,EY为预测产量,FRY为步骤4)得到的拟合“产量相对值”,YieldS为产量基准值。
2.如权利要求1所述的基于相对遥感变量及相对产量信息的水稻遥感估产方法,其特征在于,所述步骤3)中用于拟合建模的统计模型可以采用线性、指数、对数、幂函数或多项式等多种形式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810696110.4A CN109117977B (zh) | 2018-06-29 | 2018-06-29 | 基于相对遥感变量及相对产量信息的水稻遥感估产方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810696110.4A CN109117977B (zh) | 2018-06-29 | 2018-06-29 | 基于相对遥感变量及相对产量信息的水稻遥感估产方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109117977A CN109117977A (zh) | 2019-01-01 |
CN109117977B true CN109117977B (zh) | 2021-06-29 |
Family
ID=64822026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810696110.4A Active CN109117977B (zh) | 2018-06-29 | 2018-06-29 | 基于相对遥感变量及相对产量信息的水稻遥感估产方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109117977B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210408B (zh) * | 2019-06-04 | 2020-06-02 | 黑龙江省七星农场 | 基于卫星与无人机遥感结合的作物生长预测系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077475A (zh) * | 2014-06-24 | 2014-10-01 | 北京师范大学 | 一种基于多算法集成的全球陆表蒸散估算系统及方法 |
CN106295865A (zh) * | 2016-08-02 | 2017-01-04 | 沈阳农业大学 | 一种水稻产量的预测方法 |
-
2018
- 2018-06-29 CN CN201810696110.4A patent/CN109117977B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077475A (zh) * | 2014-06-24 | 2014-10-01 | 北京师范大学 | 一种基于多算法集成的全球陆表蒸散估算系统及方法 |
CN106295865A (zh) * | 2016-08-02 | 2017-01-04 | 沈阳农业大学 | 一种水稻产量的预测方法 |
Non-Patent Citations (2)
Title |
---|
杨文.NOAA 卫星遥感技术在昆明夏粮监测及估产中的应用.《 中国气象学会2008年年会卫星遥感应用技术与处理方法分会场论文集》.2008, * |
水稻遥感估产模拟模式比较;唐延林等;《农业工程学报》;20040131;第166-171页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109117977A (zh) | 2019-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3179319B1 (en) | Method for irrigation planning and system for its implementation | |
CN110309985B (zh) | 一种农作物产量预测方法及系统 | |
US20190043142A1 (en) | Systems to prescribe and deliver fertilizer over agricultural fields and related methods | |
US9953241B2 (en) | Systems and methods for satellite image processing to estimate crop yield | |
CN109508693B (zh) | 基于成像高光谱植被指数和生育期长度信息的无人机遥感水稻估产方法 | |
CN107392376B (zh) | 一种农作物气象产量预测方法及系统 | |
CA3023513A1 (en) | Statistical blending of weather data sets | |
CN110222475A (zh) | 一种基于无人机多光谱遥感反演冬小麦植株含水率的方法 | |
CN112348812B (zh) | 林分年龄信息测量方法及装置 | |
CN108982369B (zh) | 融合gf-1wfv和modis数据的地块尺度作物长势监测方法 | |
Meng et al. | Corn yield forecasting in northeast china using remotely sensed spectral indices and crop phenology metrics | |
CN108509836A (zh) | 双极化合成孔径雷达与作物模型数据同化的作物估产方法 | |
CN103439297B (zh) | 一种荒漠草原绿色植物鲜重遥感估算方法 | |
CN114818888B (zh) | 基于多通道卡尔曼滤波的土壤成分数据融合方法和系统 | |
JP2020140347A (ja) | 作物管理システム及び作物管理方法 | |
CN112585505A (zh) | 确定用于农学决策支持的位置特定的天气信息 | |
CN114663489A (zh) | 一种地块时空特征约束下的农作物叶面积指数遥感反演方法及系统 | |
CN109117977B (zh) | 基于相对遥感变量及相对产量信息的水稻遥感估产方法 | |
Pelta et al. | Forecasting seasonal plot-specific crop coefficient (Kc) protocol for processing tomato using remote sensing, meteorology, and artificial intelligence | |
CN107609695B (zh) | 基于可调植被指数的作物产量遥感估算方法 | |
CN111723984B (zh) | 基于植被指数与稻花光谱信息的水稻遥感估产方法 | |
CN115830442B (zh) | 一种基于机器学习的小麦茎蘖密度遥感估算方法和系统 | |
CN117745004A (zh) | 一种基于全生育期氮营养诊断的玉米氮肥推荐方法及系统 | |
CN117236519B (zh) | 水肥调控方法、装置、电子设备和存储介质 | |
CN116195495B (zh) | 一种基于物联网技术进行节水灌溉的方法和系统 |
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 |