CN109919395A - 一种基于短周期遥感区域数据的冬小麦产量估测方法 - Google Patents
一种基于短周期遥感区域数据的冬小麦产量估测方法 Download PDFInfo
- Publication number
- CN109919395A CN109919395A CN201910256805.5A CN201910256805A CN109919395A CN 109919395 A CN109919395 A CN 109919395A CN 201910256805 A CN201910256805 A CN 201910256805A CN 109919395 A CN109919395 A CN 109919395A
- Authority
- CN
- China
- Prior art keywords
- data
- winter wheat
- npp
- fpar
- remotely
- 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
- 241000209140 Triticum Species 0.000 title claims abstract description 102
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012544 monitoring process Methods 0.000 title claims abstract description 17
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 238000009826 distribution Methods 0.000 claims abstract description 10
- 230000002123 temporal effect Effects 0.000 claims abstract description 5
- 230000005855 radiation Effects 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 208000000509 infertility Diseases 0.000 claims description 10
- 230000036512 infertility Effects 0.000 claims description 10
- 231100000535 infertility Toxicity 0.000 claims description 10
- 239000000047 product Substances 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 7
- 230000008901 benefit Effects 0.000 claims description 7
- 229910052799 carbon Inorganic materials 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000003306 harvesting Methods 0.000 claims description 6
- 239000013589 supplement Substances 0.000 claims description 5
- 208000005156 Dehydration Diseases 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000008635 plant growth Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 235000013311 vegetables Nutrition 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 13
- 230000012010 growth Effects 0.000 description 10
- 241000196324 Embryophyta Species 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 241000209219 Hordeum Species 0.000 description 2
- 235000007340 Hordeum vulgare Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000037039 plant physiology Effects 0.000 description 1
- 230000002062 proliferating effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于短周期遥感区域数据的冬小麦产量估测方法，与现有技术相比解决了尚无基于高时空分辨率NPP数据进行冬小麦产量预测的缺陷。本发明包括以下步骤：环境星遥感数据和气象数据的获取；环境星遥感数据和气象数据的预处理；冬小麦净初级生产力NPP的估算；冬小麦产量预测结果的获得。本发明通过利用改进的CASA模型，估算以5天为间隔的高时空分辨率冬小麦NPP空间分布信息，结合NPP‑产量转换模型，实现了冬小麦产量遥感估测。
Description
技术领域
本发明涉及遥感数据分析技术领域，具体来说是一种基于短周期遥感区域数据的冬小麦产量估测方法。
背景技术
目前，随着遥感技术的快速发展，常用的估产方法已由费时耗力的统计调查法、农学预报法、农业气象法等传统估测方式，逐步转化到即时性强、覆盖范围广、数据量大的遥感估产。近年来，国内外众多学者关于作物遥感估产做了大量研究，取得一定进展。尤其是基于遥感数据计算作物净初级生产力(NPP)模拟作物干物质量，再根据作物干物质量-产量模型估算作物单产的方法已成为当前研究热点。常见的作物产量遥感估测模型有：统计模型、参数模型和作物生长模型。
现有技术中，徐新刚等人基于Landsat5TM遥感影像，采用权重最优组合(WOC)的迭代算法，对大麦多个时相产量模型赋予最优权重，估算大麦产量；Lewis等人采用作物生育期内NDVI最大值作为产量的评价指标，建立了较高精度的产量估测模型；Kalubarme等人通过时序NDVI曲线提取的多种特征参数，与产量进行多元线性回归分析，建立冬小麦产量预测模型。
但这些估产模型本质上仍属于统计模型，缺乏作物生理依据，存在着稳定性不高、时空拓展性较差等问题；以ELCROS、CERES、WOFOST等模型作为代表的作物生长模型，充分考虑了作物形成的生理过程，机理性强，精度高，但结构过于复杂，输入参数数量较多，适合小区域应用，大范围推广难度较大；而具有半经验半机理特点的参数模型，兼具二者优点，不仅结构简单、涉及参数较少、易获取，而且适用性强，既可满足全国、乃至全球大尺度NPP模拟，也可用于区域尺度，是当前通过模拟作物NPP来估测产量的较好模型选择。
而CASA模型作为参数模型的典型代表，最早是基于Monteith于1972年提出的公式所发展而来，重点考虑了植被吸收的光合有效辐射和光能利用率两个因子对NPP形成过程中起到的驱动作用。自CASA模型发展以来，基于该模型估算NPP的应用极为广泛。但原始的CASA模型是基于北美地区多种植被NPP估算建立而来，在一些模型参数的求取和处理方面仍有许多不足：如原始模型将最大光能利用率ε*一律取值为0.389gC/MJ，并未区分各植被类型；对于光合有效辐射吸收比FPAR，模型只建立了其与比值植被指数SR的线性关系，无法很好地展现FPAR与植被的内在关系；另外，原模型采用土壤水分模型计算实际光能利用率ε中的水分胁迫因子，但土壤水分模型中的参数获取困难、计算复杂，不适合区域应用。可见，随着环境气候条件和植物自身特征的变化，原始CASA模型已不适用于当前植被NPP模拟。
同时，如何准确、及时地开展区域粮食作物的产量监测评估，对科学制定农产品进出口计划、调控粮食市场和指导种植结构调整等具有重要意义。因此，如何基于时间序列卫星遥感影像，利用改进的净初级生产力(NPP)模拟方法—CASA模型，开展区域冬小麦产量遥感估测研究已经成为急需解决的技术问题。
发明内容
本发明的目的是为了解决现有技术中尚无基于高时空分辨率NPP数据进行冬小麦产量预测的缺陷，提供一种基于短周期遥感区域数据的冬小麦产量估测方法来解决上述问题。
为了实现上述目的，本发明的技术方案如下：
一种基于短周期遥感区域数据的冬小麦产量估测方法，包括以下步骤：
环境星遥感数据和气象数据的获取：获取冬小麦全生育期内的HJ-1A/B数据，获取全生育期内的气象数据；
环境星遥感数据和气象数据的预处理：对环境星遥感数据和气象数据进行短时间的周期划分，并进行相应预处理；
冬小麦净初级生产力NPP的估算：对CASA模型部分输入参数进行优化，构建改进后的CASA模型，基于环境星遥感数据和气象数据利用改进的CASA模型模拟冬小麦净初级生产力NPP；
冬小麦产量预测结果的获得：将冬小麦净初级生产力NPP结合NPP-产量转换模型，将模拟好的冬小麦净初级生产力NPP转化为冬小麦预测产量。
所述的环境星遥感数据和气象数据的预处理包括以下步骤：
针对环境星遥感数据以5天为周期进行划分，得到短周期遥感数据，对短周期遥感数据进行筛选，筛选留取高质量的39景遥感影像数据为有效数据、其余为缺失数据；
对环境星遥感数据的有效数据进行大气辐射校正、几何校正、影像拼接、裁剪预处理；
对预处理后的环境星遥感数据进行S-G滤波处理；
对气象数据以5天为周期进行划分，获得5天的平均温度、总日照时数和总降水量；根据采集站点经纬度信息，为气象数值赋予空间坐标信息；利用空间插值方法，获得空间分辨率为30m的气象空间数据。
所述冬小麦净初级生产力NPP的估算包括以下步骤：
设定改进后的CASA模型表达式如下：
NPP(x,t)＝APAR(x,t)*ε(x,t)， (1)
式中，t表示时间；x表示像元；NPP(x,t)为像元x在t阶段的净初级生产力，单位为gC/m2；APAR(x,t)为像元x在t阶段所获取的光合有效辐射，单位为MJ/m2；ε(x,t)为像元x在t阶段的实际光能利用率，单位为gC/MJ；
进行光合有效辐射APAR的计算，其计算公式如下：
APAR(x,t)＝SOL(x,t)*FPAR(x,t)*0.5， (2)
式中，SOL(x,t)指像元x在t阶段的太阳总辐射量，单位为MJ/m2；FPAR(x,t)为植被层对入射光合有效辐射(PAR)的吸收比例；常数0.5表示植被所能利用的太阳有效辐射比率(波长为0.38～0.71μm)占太阳总辐射SOL的比例；
进行像元x在t阶段的太阳总辐射量SOL(x,t)的计算，其计算公式如下：
其中，SOL(x,t)指像元x在t阶段的太阳总辐射量，单位为MJ/m2；a和b是经验系数；指日照百分率，其中n和N分别为日照时数和日长；Ra是指天文辐射，单位为MJ/m2；
Ra由日地相对距离d、纬度太阳日落角ω0、太阳常数S0、太阳赤纬δ和天数J计算，计算公式如下：
式中，各参数的表达式为：
34)采用两种植被指数估算FPAR，并对两种植被指数估算的FPAR方法赋予相同权重的方法，即α取值为0.5，其公式如下所示：
FPAR(x,t)＝αFPARNDVI+(1-α)FPARSR (8)
其中，FPARNDVI和FPARSR表示为：
设定利用HJ-1A/B影像求取NDVI最值和FPAR最值来确定FPAR，计算公式如下：
利用FPAR与比值植被指数SR之间的线性关系，线性关系公式如下所示：
其中，FPARmax和FPARmin指的是FPAR最大值与最小值，取为常数；
设定光能利用率ε(x,t)估算公式，其公式如下：
ε(x,t)＝Tε1(x,t)*Tε2(x,t)*Wε(x,t)*ε* (12)
Tε1(x,t)＝0.8+0.002*Topt(x,t)-0.0005T2 opt(x,t) (13)
公式中Tε1(x,t)和Tε2(x,t)是像元x在t阶段对光能利用率的温度胁迫因子；Wε(x,t)为像元x在t阶段对光能利用率的水分胁迫因子；ε*是指理想条件下的最大光能利用率，单位为gC/MJ；T(x,t)是像元x在t阶段的平均温度；Topt(x,t)表示植物生长所需的适宜温度；EET(x,t)是实际蒸散量，单位为mm；PET(x,t)是潜在蒸散量，单位为mm。
所述冬小麦产量预测结果的获得包括以下步骤：
41)设定NPP-产量转换模型，其表达式如下所示：
式中，Yield为冬小麦产量，单位为g/m2；α是碳素转换系数，冬小麦生物体碳素含量约为45％，故α值为常数2.22；∑NPP是冬小麦全生育期的有机物量累计值；p为地上部分分配系数，p值为常数0.9；ω是小麦籽粒收获后储藏期的含水量系数，ω值为常数12.5％；HI为收获指数；
42)将净初级生产力NPP数据输入NPP-产量转换模型，得到预测的冬小麦产量。
所述冬小麦净初级生产力NPP的估算步骤与冬小麦产量预测结果的获得步骤之间还包括环境星遥感缺失数据的补充步骤；
环境星遥感缺失数据的补充步骤为利用处理后的MOD17A2H产品生成环境星遥感缺失数据周期内的净初级生产力NPP，对环境星遥感有效数据的NPP和MOD17A2H产品的NPP进行拟合，生成拟合后的冬小麦净初级生产力NPP，其具体步骤如下：
51)MODIS遥感数据的获取：获取MODIS遥感数据，MODIS遥感数据为MOD17A2H数据；
52)MODIS遥感数据的预处理，对MODIS遥感数据按五天为一周期进行划分，选取环境星缺失周期内的MODIS遥感数据；
53)对环境星缺失周期内选取的MOD17A2H遥感数据进行计算处理，得到时间分辨率为5天的MOD17A2H数据的冬小麦NPP值；
54)将MOD17A2H数据的冬小麦NPP值插补到环境星缺失周期内进行拟合差补，得到拟合后的冬小麦净初级生产力NPP数据。
有益效果
本发明的一种基于短周期遥感区域数据的冬小麦产量估测方法，与现有技术相比通过利用改进的CASA模型，估算以5天为间隔的高时空分辨率冬小麦NPP空间分布信息，结合NPP-产量转换模型，实现了冬小麦产量遥感估测。
实验结果表明：利用本发明的遥感估产方法，冬小麦实测与预测产量间的决定系数R2达到0.63，均方根误差RMSE为121.24g/m2，平均相对误差为-7.38％，其表明：本发明提出的基于时间系列遥感影像和改进的CASA模型开展的区域冬小麦产量估测方法，能够满足区域冬小麦估产的精度要求。
附图说明
图1为本发明的方法顺序图；
图2为2009年北京市通州、顺义区冬小麦产量空间分布图；
图3为本发明实验验证研究区(北京市通州、顺义区)冬小麦实测产量与预测产量关系对比图。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：
如图1所示，本发明所述的一种基于短周期遥感区域数据的冬小麦产量估测方法，包括以下步骤：
第一步，环境星遥感数据和气象数据的获取。获取全生育期内的HJ-1A/B数据，获取全生育期内的气象数据，小麦的全生育期为2008年10月-2009年6月，中国自主研发的环境与灾害监测预报小卫星星座A、B星(环境星)HJ-1A/B搭载空间分辨率为30m的CCD传感器；当A星和B星并行使用时，回访周期达到2d。本文所使用HJ-1A/B卫星的2级产品来自于中国资源卫星应用中心网站(http://www.cresda.com)。
第二步，环境星遥感数据和气象数据的预处理。对环境星遥感数据和气象数据进行短时间的周期划分，并进行相应预处理。其具体步骤如下：
(1)针对环境星遥感数据以5天为周期进行划分，得到短周期遥感数据。冬小麦度过越冬期后，随着太阳日照时数和强度不断增加、温度和降水量逐渐提高，生长发育过程也将不断加快，尤其是3～5月份，进入了积累干物质量的关键时期，冬小麦生长状态每隔2、3天将会有一个较为明显的生长变化。结合当前应用的遥感数据源，将以5天为周期。
对短周期遥感数据进行筛选，筛选留取高质量的39景遥感影像数据为有效数据、其余为缺失数据。因环境星在过境时，可能因云层较大或未完全覆盖研究区等问题，导致部分影像缺失。
(2)对环境星遥感数据的有效数据进行大气辐射校正、几何校正、影像拼接、裁剪等常规预处理。
(3)对预处理后的环境星遥感数据进行S-G(Savitzky-Golay)滤波处理。
(4)对气象数据以5天为周期进行划分，获得5天的平均温度、总日照时数和总降水量；根据采集站点经纬度信息，为气象数值赋予空间坐标信息；利用空间插值方法，获得空间分辨率为30m的气象空间数据。
第三步，冬小麦净初级生产力NPP的估算：对CASA模型部分输入参数进行优化，构建改进后的CASA模型，基于环境星遥感数据和气象数据利用改进的CASA模型模拟冬小麦净初级生产力NPP。
净初级生产力(NPP)是指植物在初级生产阶段，单位时间和单位面积所积累的有机物总量，它是体现植物生长状况的重要指标。本发明基于改进的CASA模型模拟冬小麦净初级生产力NPP，以实现研究区产量估算，CASA模型各参数可从遥感数据的反演和气象数据的处理后获取，其具体步骤如下：
(1)设定改进后的CASA模型表达式如下：
NPP(x,t)＝APAR(x,t)*ε(x,t)， (1)
式中，t表示时间；x表示像元；NPP(x,t)为像元x在t阶段的净初级生产力，单位为gC/m2；APAR(x,t)为像元x在t阶段所获取的光合有效辐射，单位为MJ/m2；ε(x,t)为像元x在t阶段的实际光能利用率，单位为gC/MJ。
(2)进行光合有效辐射APAR的计算，其计算公式如下：
APAR(x,t)＝SOL(x,t)*FPAR(x,t)*0.5， (2)
式中，SOL(x,t)指像元x在t阶段的太阳总辐射量，单位为MJ/m2；FPAR(x,t)为植被层对入射光合有效辐射(PAR)的吸收比例；常数0.5表示植被所能利用的太阳有效辐射比率(波长为0.38～0.71μm)占太阳总辐射SOL的比例。
(3)进行像元x在t阶段的太阳总辐射量SOL(x,t)的计算，由于实际应用中太阳总辐射气象站数量较少，直接统计太阳总辐射气象站数据求取SOL的方法并不适用。因此将利用日照时数逐日计算太阳辐射，分别累加得到间隔5d的太阳总辐射，其计算公式如下：
其中，SOL(x,t)指像元x在t阶段的太阳总辐射量，单位为MJ/m2；a和b是经验系数，a为0.22，b为0.72；指日照百分率，其中n和N分别为日照时数和日长；Ra是指天文辐射，单位为MJ/m2，
Ra由日地相对距离d、纬度太阳日落角ω0、太阳常数S0、太阳赤纬δ和天数J计算，计算公式如下：
式中，各参数的表达式为：
(4)采用两种植被指数估算FPAR，并对两种植被指数估算的FPAR方法赋予相同权重的方法，即α取值为0.5，其公式如下所示：
FPAR(x,t)＝αFPARNDVI+(1-α)FPARSR (8)
对于冬小麦来说，所处的生长季节与生长时期都会影响光合有效辐射吸收比FPAR数值大小，通过Ruimy等人的研究表明，植被归一化指数(NDVI)可以很好地反映植被类型和生长情况，与FPAR存在较好线性关系。
经过对比分析，本文采用冬小麦NDVI最大值概率分布图的95％下侧分位值和5％下侧分位值分别作为NDVImax和NDVImin的方法。但在本发明中，研究时间包含冬小麦全生育期(实验中共有39景HJ-1A/B影像和15景MOD17A2H产品)，涉及作物生长季时间长，处理影像多。考虑到冬小麦生育期中部分月份冬小麦NDVI值相差较大，故结合每月可用的HJ-1A/B影像，采用上述计算方法，求取每月的NDVI最值，SRmax和SRmin则分别由NDVImax和NDVImin所决定。具体每月NDVI最值和SR最值大小如表1所示：
表1冬小麦生育期各月的NDVI最值和SR最值对比表
在本发明改进的CASA模型中，两种植被指数均可估算FPAR。根据前人研究经验，基于NDVI的FPAR计算结果常高于实测数据，而基于SR的FPAR计算结果常低于实测数据。故本研究采用对两种计算方法赋予相同权重的方法，即α取值为0.5。
FPARNDVI和FPARSR表示为：
设定利用HJ-1A/B影像求取NDVI最值和FPAR最值来确定FPAR，计算公式如下：
利用FPAR与比值植被指数SR之间的线性关系，线性关系公式如下所示：
其中，FPARmax和FPARmin指的是FPAR最大值与最小值，取为常数。
(5)设定光能利用率ε(x,t)估算公式，理想状态下，植被存在理论上的最大光能利用率，但是在现实条件中，光能利用率受很多外界环境因素影响，主要为温度和降水两个因素，本发明将根据Potter和Field建立的计算模型，结合区域实际蒸散模型求算实际光能利用率，其公式如下：
ε(x,t)＝Tε1(x,t)*Tε2(x,t)*Wε(x,t)*ε* (12)
Tε1(x,t)＝0.8+0.002*Topt(x,t)-0.0005T2 opt(x,t) (13)
公式中Tε1(x,t)和Tε2(x,t)是像元x在t阶段对光能利用率的温度胁迫因子；Wε(x,t)为像元x在t阶段对光能利用率的水分胁迫因子；ε*是指理想条件下的最大光能利用率，单位为gC/MJ；T(x,t)是像元x在t阶段的平均温度；Topt(x,t)表示植物生长所需的适宜温度；EET(x,t)是实际蒸散量，单位为mm；PET(x,t)是潜在蒸散量，单位为mm。
最大光能利用率ε*作为CASA模型的一个重要参数，在小区域内可将其赋予定值处理，其值大小将直接影响到光能利用率的计算结果。Field等人在没有区分植被种类和地域类型情况下，认为全球植被最大光能利用率为0.389gC/MJ；Raymond等人认为光能利用率的上限为3.5gC/MJ；朱文泉等人根据NPP遥感建模思路，对中国多种典型植被的最大光能利用率进行模拟；Goetz等人通过研究表明最大光能利用率在0.42～3.8gC/MJ之间；而其他结果认为小麦的光能利用率范围为1.46～2.93gC/MJ。不同植被具有不同的生态生理结构，对于最大光能利用率也应该有所不同。本发明的研究对象是农作物冬小麦，在前人研究基础上，结合研究区环境条件，最后将冬小麦最大光能利用率定值为1.7gC/MJ。
在实际应用中，由于天气等原因的限制，可能会出现研究区某阶段缺失可用的环境星影像。若以10天或更长时间为一周期划分，虽可以避免数据缺失问题(天气原因导致10天以上影像缺失的情况极为少见)，但其势必不能产生很好的数据代表性；若将环境星遥感数据以2天为一周期划分，则其监测结果更为精确，但其涉及数据量过于庞大；若以10天或更长时间为一周期划分，其势必不能产生很好的数据代表性。而将环境星遥感数据以5天为一周期划分，其也带来了数据缺失的问题，因此利用MOD17A2H产品进行插补。
为了进一步提高冬小麦产量估测的准确性，在冬小麦净初级生产力NPP的估算步骤与冬小麦产量预测结果的获得步骤之间还包括环境星遥感缺失数据的补充步骤，即利用MODIS数据插补环境星遥感数据的缺失。
利用处理后的MOD17A2H产品生成环境星遥感缺失数据周期内的净初级生产力NPP数据，对环境星遥感有效数据的NPP数据和MOD17A2H数据的NPP数据进行拟合，生成拟合后的冬小麦净初级生产力NPP数据。
MOD17A2H是分辨率为500m、8d的总初级生产力GPP的集成产品，本发明实际使用时，对预处理的后的MOD17A2H可通过比例关系直接转化为所需的净初级生产力NPP。
其具体步骤如下：
A1)MODIS遥感数据的获取：获取MODIS遥感数据，MODIS遥感数据为MOD17A2H数据；
A2)MODIS遥感数据的预处理，对MODIS遥感数据按五天为一周期进行划分，选取环境星缺失周期内的MODIS遥感数据；
A3)对环境星缺失周期内选取的MOD17A2H遥感数据进行计算处理，得到时间分辨率为5天的MOD17A2H数据的冬小麦NPP值；
A4)将MOD17A2H数据的冬小麦NPP值插入到环境星缺失周期内进行拟合差补，得到拟合后的冬小麦净初级生产力NPP数据。
第四步，冬小麦产量预测结果的获得：将冬小麦净初级生产力NPP结合NPP-产量转换模型，将模拟好的冬小麦净初级生产力NPP转化为冬小麦预测产量。其具体步骤如下：
(1)设定NPP-产量转换模型，其表达式如下所示：
式中，Yield为冬小麦产量，单位为g/m2；α是碳素转换系数，冬小麦生物体碳素含量约为45％，故α值为常数2.22；∑NPP是冬小麦全生育期的有机物量累计值；p为地上部分分配系数，p值为常数0.9；ω是小麦籽粒收获后储藏期的含水量系数，ω值为常数12.5％；HI为收获指数，在本发明实验中取值为0.45。
(2)将净初级生产力NPP数据(拟合后的冬小麦净初级生产力NPP数据)输入NPP-产量转换模型，得到预测的冬小麦产量。
本发明利用冬小麦净初级生产力NPP估算冬小麦的经济产量，以2009年北京市通州、顺义区冬小麦估测为例进行实验。
首先根据改进后的CASA模型模拟出2009年北京市通州、顺义区冬小麦NPP，结合NPP-产量转换模型，将冬小麦NPP转换为冬小麦的经济产量。其中，碳素转换系数α、地上部分分配系数p和小麦籽粒含水量系数ω分别取值为常数2.22、0.9和12.5％；且依据前人研究经验，将收获指数HI设置为0.45。最终得到冬小麦预测产量数据。如图2所示，研究区冬小麦产量集中分布在300～800g/m2，超过整个研究区面积分布的90％。其中，产量在300～500g/m2区域面积约占50％，产量在500～700g/m2区域面积约占35％。图2中可以看出，2009年北京市通州、顺义区冬小麦长势差别较小，但通州区北部和顺义区西部冬小麦产量相对较小，高产地区主要集中在通州区中部和顺义区西部。总体而言，研究区冬小麦生长较为理想。
本发明为验证改进后的CASA模型和NPP-产量转换模型估算冬小麦产量的普适性，共选取了研究区内29个采样点进行精度验证，验证时选取采样点所在像元及临近八个像元的平均值作为该采样点的预测产量值。验证精度如图3所示。其中，决定系数R2达到0.63，均方根误差RMSE为121.24g/m2。通过分析，绝对误差平均值为-65.1g/m2，平均相对误差为-7.38％，能够满足区域冬小麦估产的精度要求，具有较好的应用潜力。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (5)
1.一种基于短周期遥感区域数据的冬小麦产量估测方法，其特征在于，包括以下步骤：
11)环境星遥感数据和气象数据的获取：获取冬小麦全生育期内的HJ-1A/B数据，获取全生育期内的气象数据；
12)环境星遥感数据和气象数据的预处理：对环境星遥感数据和气象数据进行短时间的周期划分，并进行相应预处理；
13)冬小麦净初级生产力NPP的估算：对CASA模型部分输入参数进行优化，构建改进后的CASA模型，基于环境星遥感数据和气象数据利用改进的CASA模型模拟冬小麦净初级生产力NPP；
14)冬小麦产量预测结果的获得：将冬小麦净初级生产力NPP结合NPP-产量转换模型，将模拟好的冬小麦净初级生产力NPP转化为冬小麦预测产量。
2.根据权利要求1所述的一种基于短周期遥感区域数据的冬小麦产量估测方法，其特征在于，所述的环境星遥感数据和气象数据的预处理包括以下步骤：
21)针对环境星遥感数据以5天为周期进行划分，得到短周期遥感数据，对短周期遥感数据进行筛选，筛选留取高质量的39景遥感影像数据为有效数据、其余为缺失数据；
22)对环境星遥感数据的有效数据进行大气辐射校正、几何校正、影像拼接、裁剪预处理；
23)对预处理后的环境星遥感数据进行S-G滤波处理；
24)对气象数据以5天为周期进行划分，获得5天的平均温度、总日照时数和总降水量；根据采集站点经纬度信息，为气象数值赋予空间坐标信息；利用空间插值方法，获得空间分辨率为30m的气象空间数据。
3.根据权利要求1所述的一种基于短周期遥感区域数据的冬小麦产量估测方法，其特征在于，所述冬小麦净初级生产力NPP的估算包括以下步骤：
31)设定改进后的CASA模型表达式如下：
NPP(x，t)＝APAR(x，t)*ε(x，t)， (1)
式中，t表示时间；x表示像元；NPP(x，t)为像元x在t阶段的净初级生产力，单位为gC/m2；APAR(x，t)为像元x在t阶段所获取的光合有效辐射，单位为MJ/m2；ε(x，t)为像元x在t阶段的实际光能利用率，单位为gC/MJ；
32)进行光合有效辐射APAR的计算，其计算公式如下：
APAR(x，t)＝SOL(x，t)*FPAR(x，t)*0.5， (2)
式中，SOL(x，t)指像元x在t阶段的太阳总辐射量，单位为MJ/m2；FPAR(x，t)为植被层对入射光合有效辐射(PAR)的吸收比例；常数0.5表示植被所能利用的太阳有效辐射比率(波长为0.38～0.71μm)占太阳总辐射SOL的比例；
33)进行像元x在t阶段的太阳总辐射量SOL(x，t)的计算，其计算公式如下：
其中，SOL(x，t)指像元x在t阶段的太阳总辐射量，单位为MJ/m2；a和b是经验系数；指日照百分率，其中n和N分别为日照时数和日长；Ra是指天文辐射，单位为MJ/m2；
Ra由日地相对距离d、纬度太阳日落角ω0、太阳常数S0、太阳赤纬δ和天数J计算，计算公式如下：
式中，各参数的表达式为：
34)采用两种植被指数估算FPAR，并对两种植被指数估算的FPAR方法赋予相同权重的方法，即α取值为0.5，其公式如下所示：
FPAR(x，t)＝αFPARNDVI+(1-α)FPARSR (8)
其中，FPARNDVI和FPARSR表示为：
设定利用HJ-1A/B影像求取NDVI最值和FPAR最值来确定FPAR，计算公式如下：
利用FPAR与比值植被指数SR之间的线性关系，线性关系公式如下所示：
其中，FPARmax和FPARmin指的是FPAR最大值与最小值，取为常数；
35)设定光能利用率ε(x，t)估算公式，其公式如下：
ε(x，t)＝Tε1(x，t)*Tε2(x，t)*Wε(x，t)*ε* (12)
Tε1(x，t)＝0.8+0.002*Topt(x，t)-0.0005T2 opt(x，t) (13)
公式中Tε1(x，t)和Tε2(x，t)是像元x在t阶段对光能利用率的温度胁迫因子；Wε(x，t)为像元x在t阶段对光能利用率的水分胁迫因子；ε*是指理想条件下的最大光能利用率，单位为gC/MJ；T(x，t)是像元x在t阶段的平均温度；Topt(x，t)表示植物生长所需的适宜温度；EET(x，t)是实际蒸散量，单位为mm；PET(x，t)是潜在蒸散量，单位为mm。
4.根据权利要求1所述的一种基于短周期遥感区域数据的冬小麦产量估测方法，其特征在于，所述冬小麦产量预测结果的获得包括以下步骤：
41)设定NPP-产量转换模型，其表达式如下所示：
式中，Yield为冬小麦产量，单位为g/m2；α是碳素转换系数，冬小麦生物体碳素含量约为45％，故α值为常数2.22；∑NPP是冬小麦全生育期的有机物量累计值；p为地上部分分配系数，p值为常数0.9；ω是小麦籽粒收获后储藏期的含水量系数，ω值为常数12.5％；HI为收获指数；
42)将净初级生产力NPP数据输入NPP-产量转换模型，得到预测的冬小麦产量。
5.根据权利要求1所述的一种基于短周期遥感区域数据的冬小麦产量估测方法，其特征在于，所述冬小麦净初级生产力NPP的估算步骤与冬小麦产量预测结果的获得步骤之间还包括环境星遥感缺失数据的补充步骤；
环境星遥感缺失数据的补充步骤为利用处理后的MOD17A2H产品生成环境星遥感缺失数据周期内的净初级生产力NPP，对环境星遥感有效数据的NPP和MOD17A2H产品的NPP进行拟合，生成拟合后的冬小麦净初级生产力NPP，其具体步骤如下：
51)MODIS遥感数据的获取：获取MODIS遥感数据，MODIS遥感数据为MOD17A2H数据；
52)MODIS遥感数据的预处理，对MODIS遥感数据按五天为一周期进行划分，选取环境星缺失周期内的MODIS遥感数据；
53)对环境星缺失周期内选取的MOD17A2H遥感数据进行计算处理，得到时间分辨率为5天的MOD17A2H数据的冬小麦NPP值；
54)将MOD17A2H数据的冬小麦NPP值插补到环境星缺失周期内进行拟合差补，得到拟合后的冬小麦净初级生产力NPP数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910256805.5A CN109919395A (zh) | 2019-04-01 | 2019-04-01 | 一种基于短周期遥感区域数据的冬小麦产量估测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910256805.5A CN109919395A (zh) | 2019-04-01 | 2019-04-01 | 一种基于短周期遥感区域数据的冬小麦产量估测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109919395A true CN109919395A (zh) | 2019-06-21 |
Family
ID=66967951
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910256805.5A Pending CN109919395A (zh) | 2019-04-01 | 2019-04-01 | 一种基于短周期遥感区域数据的冬小麦产量估测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109919395A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110378521A (zh) * | 2019-06-28 | 2019-10-25 | 河南农业大学 | 豫东北冬小麦产量预测模型的构建与应用 |
| CN111062526A (zh) * | 2019-12-09 | 2020-04-24 | 北京师范大学 | 一种冬小麦单产预测方法及系统 |
| CN111078811A (zh) * | 2019-11-30 | 2020-04-28 | 内蒙古蒙草生命共同体大数据有限公司 | 一种净初级生产力预警方法 |
| CN111259306A (zh) * | 2019-12-31 | 2020-06-09 | 华北水利水电大学 | 一种冬小麦区域作物系数测算方法 |
| CN112183428A (zh) * | 2020-10-09 | 2021-01-05 | 浙江大学中原研究院 | 一种小麦种植区域分割与产量预测方法 |
| CN112580982A (zh) * | 2020-12-21 | 2021-03-30 | 北京市测绘设计研究院 | 一种基于多时相遥感和casa模型的生态保护红线实施评估 |
| CN112579981A (zh) * | 2020-12-24 | 2021-03-30 | 青岛大学 | 一种耦合灌溉的区域尺度冬小麦产量遥感模拟方法 |
| CN112819227A (zh) * | 2021-02-02 | 2021-05-18 | 农业农村部规划设计研究院 | 一种县级尺度冬小麦单产预测方法及系统 |
| CN113033262A (zh) * | 2019-12-25 | 2021-06-25 | 中移(成都)信息通信科技有限公司 | 模型训练方法和农作物产量预估方法 |
| CN113139717A (zh) * | 2021-03-31 | 2021-07-20 | 北京农业信息技术研究中心 | 作物苗情分级遥感监测方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101196931A (zh) * | 2008-01-14 | 2008-06-11 | 北京林业大学 | 森林资源价值核算空间信息化技术方法 |
| CN106372730A (zh) * | 2016-08-25 | 2017-02-01 | 三亚中科遥感研究所 | 利用机器学习的植被净初级生产力遥感估算方法 |
| CN106446564A (zh) * | 2016-09-29 | 2017-02-22 | 华南农业大学 | 一种植被净初级生产力遥感估算方法 |
| CN107831168A (zh) * | 2017-10-25 | 2018-03-23 | 吉林省林业科学研究院 | 遥感技术测量水田防护林防护效果的方法 |
| CN108985588A (zh) * | 2018-06-28 | 2018-12-11 | 中国科学院遥感与数字地球研究所 | 一种农作物单产遥感估算方法、装置与系统 |
| CN109063893A (zh) * | 2018-06-25 | 2018-12-21 | 浙江大学 | 一种动态收获指数与净初级生产力结合的水稻单产估测方法 |
-
2019
- 2019-04-01 CN CN201910256805.5A patent/CN109919395A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101196931A (zh) * | 2008-01-14 | 2008-06-11 | 北京林业大学 | 森林资源价值核算空间信息化技术方法 |
| CN106372730A (zh) * | 2016-08-25 | 2017-02-01 | 三亚中科遥感研究所 | 利用机器学习的植被净初级生产力遥感估算方法 |
| CN106446564A (zh) * | 2016-09-29 | 2017-02-22 | 华南农业大学 | 一种植被净初级生产力遥感估算方法 |
| CN107831168A (zh) * | 2017-10-25 | 2018-03-23 | 吉林省林业科学研究院 | 遥感技术测量水田防护林防护效果的方法 |
| CN109063893A (zh) * | 2018-06-25 | 2018-12-21 | 浙江大学 | 一种动态收获指数与净初级生产力结合的水稻单产估测方法 |
| CN108985588A (zh) * | 2018-06-28 | 2018-12-11 | 中国科学院遥感与数字地球研究所 | 一种农作物单产遥感估算方法、装置与系统 |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110378521A (zh) * | 2019-06-28 | 2019-10-25 | 河南农业大学 | 豫东北冬小麦产量预测模型的构建与应用 |
| CN110378521B (zh) * | 2019-06-28 | 2022-04-22 | 河南农业大学 | 豫东北冬小麦产量预测模型的构建与应用 |
| CN111078811A (zh) * | 2019-11-30 | 2020-04-28 | 内蒙古蒙草生命共同体大数据有限公司 | 一种净初级生产力预警方法 |
| CN111078811B (zh) * | 2019-11-30 | 2024-01-09 | 内蒙古小草数字生态产业股份有限公司 | 一种净初级生产力预警方法 |
| CN111062526B (zh) * | 2019-12-09 | 2022-03-08 | 北京师范大学 | 一种冬小麦单产预测方法及系统 |
| CN111062526A (zh) * | 2019-12-09 | 2020-04-24 | 北京师范大学 | 一种冬小麦单产预测方法及系统 |
| CN113033262B (zh) * | 2019-12-25 | 2022-08-05 | 中移(成都)信息通信科技有限公司 | 模型训练方法和农作物产量预估方法 |
| CN113033262A (zh) * | 2019-12-25 | 2021-06-25 | 中移(成都)信息通信科技有限公司 | 模型训练方法和农作物产量预估方法 |
| CN111259306A (zh) * | 2019-12-31 | 2020-06-09 | 华北水利水电大学 | 一种冬小麦区域作物系数测算方法 |
| CN112183428A (zh) * | 2020-10-09 | 2021-01-05 | 浙江大学中原研究院 | 一种小麦种植区域分割与产量预测方法 |
| CN112580982B (zh) * | 2020-12-21 | 2023-10-24 | 北京市测绘设计研究院 | 一种基于多时相遥感和casa模型的生态保护红线实施评估 |
| CN112580982A (zh) * | 2020-12-21 | 2021-03-30 | 北京市测绘设计研究院 | 一种基于多时相遥感和casa模型的生态保护红线实施评估 |
| CN112579981B (zh) * | 2020-12-24 | 2022-05-31 | 青岛大学 | 一种耦合灌溉的区域尺度冬小麦产量遥感模拟方法 |
| CN112579981A (zh) * | 2020-12-24 | 2021-03-30 | 青岛大学 | 一种耦合灌溉的区域尺度冬小麦产量遥感模拟方法 |
| CN112819227A (zh) * | 2021-02-02 | 2021-05-18 | 农业农村部规划设计研究院 | 一种县级尺度冬小麦单产预测方法及系统 |
| CN112819227B (zh) * | 2021-02-02 | 2024-10-01 | 农业农村部规划设计研究院 | 一种县级尺度冬小麦单产预测方法及系统 |
| CN113139717A (zh) * | 2021-03-31 | 2021-07-20 | 北京农业信息技术研究中心 | 作物苗情分级遥感监测方法及装置 |
| CN113139717B (zh) * | 2021-03-31 | 2023-10-20 | 北京农业信息技术研究中心 | 作物苗情分级遥感监测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109919395A (zh) | 一种基于短周期遥感区域数据的冬小麦产量估测方法 | |
| Wang et al. | Detecting multi-temporal land cover change and land surface temperature in Pearl River Delta by adopting local climate zone | |
| Li et al. | Estimating bamboo forest aboveground biomass using EnKF-assimilated MODIS LAI spatiotemporal data and machine learning algorithms | |
| CN110516816B (zh) | 基于机器学习的全天候地表温度生成方法及装置 | |
| CN103003818B (zh) | 用于广阔地域上的多样化资源基础的测绘建模的系统和方法 | |
| CN104063718B (zh) | 在作物识别和面积估算中选择遥感数据和分类算法的方法 | |
| CN106446564A (zh) | 一种植被净初级生产力遥感估算方法 | |
| CN110927082A (zh) | 一种基于无人机成像高光谱遥感的冬小麦产量预测方法 | |
| Zhang et al. | Analysis on spatial structure of landuse change based on remote sensing and geographical information system | |
| EP3794386B1 (en) | Determination of location-specific weather information for agronomic decision support | |
| CN105912836A (zh) | 一种纯遥感数据驱动的流域水循环模拟方法 | |
| CN109903234A (zh) | 一种城市热力景观定量描述及多尺度特征分析方法 | |
| CN110222870A (zh) | 同化卫星荧光数据与作物生长模型的区域冬小麦估产方法 | |
| Fricke et al. | Using local climate zones to compare remotely sensed surface temperatures in temperate cities and hot desert cities | |
| CN108647401A (zh) | 一种基于空间遥感技术的流域氮磷污染评估方法 | |
| CN116362402B (zh) | 一种基于天气预报与表型信息监测的灌溉制度优化系统 | |
| Zhang et al. | Developing a process-based and remote sensing driven crop yield model for maize (PRYM–Maize) and its validation over the Northeast China Plain | |
| Boori et al. | Machine learning for yield prediction in Fergana valley, Central Asia | |
| Yao et al. | Estimation of rice yield with a process-based model and remote sensing data in the middle and lower reaches of Yangtze River of China | |
| Zhou et al. | Estimation of Hourly Air Temperature in China Based on LightGBM and Himawari-8 | |
| CN115527108A (zh) | 一种基于多时相Sentinel-2快速识别水土流失人为扰动地块的方法 | |
| Masabi et al. | Evaluation the efficiency of a parametric model based on MODIS data for solar radiation estimation in comparison with some empirical models | |
| Zhu et al. | Sugarcane water requirement and yield projections in major producing regions of China under future climate scenarios | |
| Li et al. | NPP distribution related to the terrains along the North-South Transect of Eastern China | |
| Li et al. | Npp estimation of high heterogeneous region based on spatiotemporal fusion |
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 |