CN109918826A - 一种基于关键物候期多源植被参量的水稻估产方法 - Google Patents
一种基于关键物候期多源植被参量的水稻估产方法 Download PDFInfo
- Publication number
- CN109918826A CN109918826A CN201910206963.XA CN201910206963A CN109918826A CN 109918826 A CN109918826 A CN 109918826A CN 201910206963 A CN201910206963 A CN 201910206963A CN 109918826 A CN109918826 A CN 109918826A
- Authority
- CN
- China
- Prior art keywords
- rice
- period
- nirv
- yield estimation
- yield
- 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.)
- Granted
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 91
- 235000009566 rice Nutrition 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 27
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 90
- 238000001556 precipitation Methods 0.000 claims abstract description 9
- 238000011160 research Methods 0.000 claims description 13
- 238000013480 data collection Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 3
- 235000013339 cereals Nutrition 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 8
- 239000000284 extract Substances 0.000 abstract description 2
- 230000005855 radiation Effects 0.000 description 9
- 238000002310 reflectometry Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
Landscapes
- Cultivation Of Plants (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于关键物候期多源植被参量的水稻估产方法。该方法首先基于水体与植被指数比值指数提取水稻分布区域,针对水稻种植区域,逐像元获取水稻拔节期、抽穗期、成熟期等关键物候期,进而确定水稻孕穗期和灌浆结实期,综合水稻孕穗期和灌浆结实期两个生长期的多个植被参量累积量,并考虑到抽穗期降水的影响,建立水稻估产模型。本发明方法具有时空连续性好、鲁棒性强、成本低,简单易用,适用于大范围水稻估产等优点。
Description
技术领域
本发明属于农作物生长监测技术领域,是一种农作物估产方法,具体为一种基于关键物候期多源植被参量的水稻估产方法。
背景技术
民以食为天,农作物种植面积和产量信息,一直是关乎国计民生的重大问题。传统的农业估产方法,速度慢并且人力成本高,难以实现大范围农作物产量信息快速获取。随着遥感技术的发展,通过建立作物光谱与产量的关系,农业遥感估产取得了重要进展。但是,由于农作物产量形成受到太阳辐射量、土壤肥力水平和温湿条件等多方面因素影响,目前农业遥感估产结果存在比较大的不确定性因素。同时,缺乏高时效性和高精度的详细农作物分布数据,也给大面积农作物估产带来挑战。因此,需要从快速提取农作物分布,进而结合气象条件和植被生长状况,特别是精准聚焦农作物关键物候期多源植被参量等多方面入手,提高农作物估产精度以及方法的实用性和鲁棒性。
发明内容
本发明的目的在于提供一种基于关键物候期多源植被参量的水稻估产方法,该方法具有时空连续性好、鲁棒性强、成本低,简单易用,适用于大范围水稻估产等优点。
为实现上述目的,本发明的技术方案是:一种基于关键物候期多源植被参量的水稻估产方法,包括如下步骤,
步骤S01:建立研究区植被和气候参量时序数据集;
步骤S02:开展研究区水稻空间分布制图;
步骤S03:逐像元获取水稻关键物候期;
步骤S04:建立水稻估产模型;
步骤S05:确定水稻估产模型参数值;
步骤S06:获得研究区水稻产量分布图。
在本发明一实施例中,所述步骤S03的具体实现方式为:针对水稻分布区域,逐像元获取水稻关键物候期,包括:水稻拔节期、抽穗期、成熟期;从NIRv时序曲线中求取水稻生长期内的NIRv最大值,将最大值出现日期定义为峰值期,将从峰值期到峰值期后8天这段时间定义为水稻抽穗期;将峰值期往前推20天确定为水稻拔节期,将峰值期往后推20天确定为水稻成熟期;将水稻从拔节到峰值期这段时间,确定为孕穗期;将水稻从峰值期到成熟期这段时间,确定为灌浆结实期。
在本发明一实施例中,所述步骤S04中,建立的水稻估产模型如下:
Riceyield=a×NIRvP1+b×NIRvP2-c×(Rainfallh)
其中,NIRvP1=NIRv1×PAR1,NIRvP2=NIRv2×PAR2;a、b、c为常数;NIRv1、NIRv1分别对应为孕穗期、灌浆结实期内逐日NIRv的累积量;PAR1、PAR2分别对应孕穗期、灌浆结实期内逐日PAR的累积量;Rainfallh表示抽穗期内的降水量。
在本发明一实施例中,所述a、b、c取值分别为:a为9.07,b为13.16,c为-1.78。
在本发明一实施例中,该方法适用于农业遥感估产技术及其相关应用领域中。
相较于现有技术,本发明具有以下有益效果:
(1)综合考虑农作物产量的核心要素:农作物生长状态和光合有效辐射,提高水稻估产精度;
(2)聚焦水稻孕穗和灌浆结实期两个关键物候期,构建关键物候期植被参量,并且兼顾到水稻抽穗期强降水对产量的负面影响,进一步提高水稻估产精度;
(3)依据时序信号自动获取水稻的关键物候期,逐像元计算关键物候期植被参量并进行估产,所构建的流程方法完全可以实现自动运行处理,极大地提高了估产效率;
(4)所采用的数据都能公开免费下载,极大降低成本,方法简单易行,可用于农业生产管理、农产品期货和农业保险等行业需求,支撑农作物遥感估产的大范围推广应用。
附图说明
图1为本发明实施例的实现流程图。
图2水稻关键物候期示意图。
图3高产田与低产田NIRv、PAR、Rainfall时序信号图。
图4水稻产量与NIRvP1、NIRvP2、Rainfallh的散点图。
图5研究区水稻产量分布图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
请参照图1,本发明提供一种基于关键物候期多源植被参量的水稻估产方法,包括以下步骤:
步骤S01:建立研究区植被和气候参量时序数据集。
采用500米8天最大化合成MOD09A1波段反射率数据,提取近红外波段反射率数据NIRt,并且计算MODIS NDVI、EVI、LSWI和NIRv。基于无云日计算得到的时序数据,利用线性插值方法获得2017年研究区逐日MODIS EVI、LSWI和NIRv时序数据集。然后,采用WhittakerSmoother数据平滑方法,逐像元构建平滑后的2017年逐日MODIS EVI、LSWI和NIRv时序数据集。
光合有效辐射PAR数据,采用全球陆表植被参量产品,即(Global Land SurfaceSatellite,简称GLASS)(http://glcf.umd.edu/data)。其空间分辨率为0.05°,时间分辨率为8天。为确保与MODIS NIRv时序数据集一致,将其重采样到500m。
气候数据采用热带测雨观测计划(Tropical Rainfall Measuring Mission,TRMM)TRMM降水量数据。空间分辨率为0.25°,时间分辨率为3h。为确保与其他数据集一直,将其重采样到500m,并且将时间尺度为3h的数据聚合到以1天为时间尺度。
步骤S02:开展研究区水稻空间分布制图。
利用水体与植被指数变化比值指数开展研究区水稻分布制图。首先基于水体指数与植被指数EVI的年内时序数据集,逐像元检测每个生长周期内植被指数最大值所对应的植被生长盛期,依据植被开始生长到生长盛期内遥感水体指数与植被指数的变化幅度,建立水体与植被指数变化比值指数(Ratio of Change amplitude of LSWI to EVI,RCLE),进行水稻自动制图。具体实施为将生长盛期往前推40天,定义为植被开始生长时间。判断水稻的依据为:RCLE<0.6。
步骤S03:逐像元获取水稻关键物候期
针对所提取的水稻分布区域,逐像元获取水稻关键物候期,包括:水稻拔节期、抽穗期、成熟期。逐像元,从NIRv时序曲线中求取水稻生长期内的NIRv最大值,将最大值出现日期定义为峰值期,将从峰值期到峰值期后8天这段时间定义为水稻抽穗期。将峰值期往前推20天确定为水稻拔节期,将峰值期往后推20天确定为水稻成熟期。将水稻从拔节期到峰值期这段时间,确定为水稻孕穗期;将水稻从峰值期到成熟期这段时间,确定为水稻灌浆结实期(见图2)。
步骤S04:建立水稻估产模型
分别以一个高产和一个低产水稻点位为例,说明水稻产量与多种植被参量和气候因素的关系(见图3)。在高产水稻田内,水稻在孕穗期和灌浆结实期内的NIRv累积量均较高,并且光合有效辐射数值也较高,抽穗期内降水量较小。同时综合孕穗和灌浆结实期两个关键物候期,分别考虑到水稻生长状况和太阳辐射的共同作用,以及抽穗期强降水对水稻产量的影响,建立水稻估产模型如下:
Riceyield=a×NIRvP1+b×NIRvP2-c×(Rainfallh)
其中NIRvP1=NIRv1×PAR1,NIRvP2=NIRv2×PAR2
其中a,b,c为常数;NIRv1、NIRv1分别对应为孕穗期、灌浆结实期内逐日NIRv的累积量;PAR1、PAR2分别对应孕穗期、灌浆结实期内逐日PAR的累积量;Rainfallh表示抽穗期内的降水量。
步骤S05:确定水稻估产模型参数值。
选取若干个水稻产量监测点位,分别做出水稻产量与三个变量NIRvP1、NIRvP2、Rainfallh的散点图(见图4)。可以看出,水稻产量与NIRvP1、NIRvP2呈正相关关系,但其斜率有一定差异。相比之下,灌浆结实期NIRvP1对水稻产量的影响更大。与之相反的是,抽穗期降水量与水稻产量呈负相关关系。通过最小二乘拟合,确定水稻估产模型中a,b,c为常数的取值。本专利中a,b,c的取值分别为:a为9.07,b为13.16,c为-1.78。
步骤S06:获得研究区水稻产量分布图
依据上述所建立的流程,逐像元判断是否为水稻,如果为水稻,进一步依据水稻估产模型进行估产,最终生成研究区水稻产量分布图。依据本实施例中提供的方法,以哈尔滨市为例,所获得的研究区2017年水稻产量分布图见图5。
上述各术语解释如下:
MODIS数据:中分辨率成像光谱仪数据,全称为MODerate resolution ImagingSpectroradiometer。
植被指数:植被指数是表征植被生长状态以及空间分布密度的因子。常见的植被指数有NDVI和EVI。NDVI为归一化植被指数,全称为Normalized Difference VegetationIndex。EVI为增强型植被指数,全称为Enhanced Vegetation Index。EVI指数的计算公式为:
其中Red,Blue,NIR分别为红光、蓝光和近红外波段。
地表湿度指数,全称为Land Surface Water Index(LSWI)。其计算公式为:
其中NIR,SWIR分别为近红外和短波红外波段。
植被红外反射率,全称为Near Infrared Reflectance of vegetation,表示植被贡献的反射率。其计算公式为:NIRV=NIRT*NDVI,其中NIRT表示近红外波段总反射率(Totalscene NIR reflectance),NDVI为增强型植被指数。
光合有效辐射,全称为Photosynthetically active radiation(PAR)。表示太阳辐射中对植物光合作用有效的光谱成分,即光合有效辐射。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (5)
1.一种基于关键物候期多源植被参量的水稻估产方法,其特征在于,包括如下步骤,
步骤S01:建立研究区植被和气候参量时序数据集;
步骤S02:开展研究区水稻空间分布制图;
步骤S03:逐像元获取水稻关键物候期;
步骤S04:建立水稻估产模型;
步骤S05:确定水稻估产模型参数值;
步骤S06:获得研究区水稻产量分布图。
2.根据权利要求1所述的一种基于关键物候期多源植被参量的水稻估产方法,其特征在于,所述步骤S03的具体实现方式为:针对水稻分布区域,逐像元获取水稻关键物候期,包括:水稻拔节期、抽穗期、成熟期;从NIRv时序曲线中求取水稻生长期内的NIRv最大值,将最大值出现日期定义为峰值期,将从峰值期到峰值期后8天这段时间定义为水稻抽穗期;将峰值期往前推20天确定为水稻拔节期,将峰值期往后推20天确定为水稻成熟期;将水稻从拔节到峰值期这段时间,确定为孕穗期;将水稻从峰值期到成熟期这段时间,确定为灌浆结实期。
3.根据权利要求2所述的一种基于关键物候期多源植被参量的水稻估产方法,其特征在于,所述步骤S04中,建立的水稻估产模型如下:
Riceyield=a×NIRvP1+b×NIRvP2-c×(Rainfallh)
其中,NIRvP1=NIRv1×PAR1,NIRvP2=NIRv2×PAR2;a、b、c为常数;NIRv1、NIRv1分别对应为孕穗期、灌浆结实期内逐日NIRv的累积量;PAR1、PAR2分别对应孕穗期、灌浆结实期内逐日PAR的累积量;Rainfallh表示抽穗期内的降水量。
4.根据权利要求3所述的一种基于关键物候期多源植被参量的水稻估产方法,其特征在于,所述a、b、c取值分别为:a为9.07,b为13.16,c为-1.78。
5.根据权利要求1-4任一所述的一种基于关键物候期多源植被参量的水稻估产方法,其特征在于,该方法适用于农业遥感估产技术及其相关应用领域中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910206963.XA CN109918826B (zh) | 2019-03-19 | 2019-03-19 | 一种基于关键物候期多源植被参量的水稻估产方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910206963.XA CN109918826B (zh) | 2019-03-19 | 2019-03-19 | 一种基于关键物候期多源植被参量的水稻估产方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109918826A true CN109918826A (zh) | 2019-06-21 |
CN109918826B CN109918826B (zh) | 2022-07-22 |
Family
ID=66965630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910206963.XA Expired - Fee Related CN109918826B (zh) | 2019-03-19 | 2019-03-19 | 一种基于关键物候期多源植被参量的水稻估产方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109918826B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330126A (zh) * | 2020-10-29 | 2021-02-05 | 福州福大经纬信息科技有限公司 | 基于遥感指数的耕地质量等级评价方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100107487A1 (en) * | 2008-10-22 | 2010-05-06 | Holland Alexandra D | Methods for estimating intrinsic autotrophic biomass yield and productivity in unicellular photosynthetic algae |
CN101858971A (zh) * | 2010-06-02 | 2010-10-13 | 浙江大学 | 一种基于modis数据的水稻单产遥感估算方法 |
-
2019
- 2019-03-19 CN CN201910206963.XA patent/CN109918826B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100107487A1 (en) * | 2008-10-22 | 2010-05-06 | Holland Alexandra D | Methods for estimating intrinsic autotrophic biomass yield and productivity in unicellular photosynthetic algae |
CN101858971A (zh) * | 2010-06-02 | 2010-10-13 | 浙江大学 | 一种基于modis数据的水稻单产遥感估算方法 |
Non-Patent Citations (3)
Title |
---|
MICHAEL MARSHALL等: "Optimizing a remote sensing production efficiency model for macro-scale GPP and yield estimation in agroecosystems", 《REMOTE SENSING OF ENVIRONMENT》 * |
曹林奎: "《农业生态学原理》", 31 March 2011, 上海交通大学出版社 * |
李新星: "基于时间序列植被指数的水稻发育期提取和估产", 《中国优秀博硕士学位论文全文数据库》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330126A (zh) * | 2020-10-29 | 2021-02-05 | 福州福大经纬信息科技有限公司 | 基于遥感指数的耕地质量等级评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109918826B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829234B (zh) | 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法 | |
CN106372592B (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
CN109614891A (zh) | 基于物候学和遥感的农作物识别方法 | |
Trout et al. | Remote sensing of canopy cover in horticultural crops | |
Esquerdo et al. | Use of NDVI/AVHRR time-series profiles for soybean crop monitoring in Brazil | |
CN105678281B (zh) | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 | |
CN104915674B (zh) | Landsat8和MODIS融合构建高时空分辨率数据识别秋粮作物的方法 | |
CN111666815B (zh) | 一种基于Sentinel-2遥感影像的大蒜种植信息自动化提取方法 | |
CN106897707B (zh) | 基于多源中分的特征影像时间序列合成方法及装置 | |
CN106529451B (zh) | 一种冬小麦—夏玉米种植模式遥感识别方法 | |
Meng et al. | Corn yield forecasting in northeast china using remotely sensed spectral indices and crop phenology metrics | |
CN105758806B (zh) | 基于光谱特征的地膜覆盖农田遥感监测方法 | |
CN109740570B (zh) | 一种基于地形指数和物候差异的梯田遥感识别方法 | |
CN116091938B (zh) | 一种针对单季稻种植面积的多源遥感监测方法 | |
WO2015139356A1 (zh) | 一种确定田间调查及田间管理的空间尺度的方法及系统 | |
CN114387516A (zh) | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 | |
CN107273797B (zh) | 基于水体指数变异系数的水稻亚像元识别方法 | |
CN110516943B (zh) | 一种基于地表温度的春灌期灌溉面积动态监测遥感方法 | |
CN105678280B (zh) | 基于纹理特征的地膜覆盖农田遥感监测方法 | |
CN114299393A (zh) | 一种基于光学和雷达时序数据的烟稻种植模式识别方法 | |
Son et al. | Rice yield estimation through assimilating satellite data into a crop simumlation model | |
Sari et al. | Detecting rice phenology in paddy fields with complex cropping pattern using time series MODIS data | |
CN107340268B (zh) | 一种基于遥感时序数据的旱地作物识别方法 | |
CN109918826A (zh) | 一种基于关键物候期多源植被参量的水稻估产方法 | |
Zovko et al. | Assessing plant water status from infrared thermography for irrigation management |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220722 |
|
CF01 | Termination of patent right due to non-payment of annual fee |