CN109920472A - 一种籽粒蛋白质含量的预测方法及装置 - Google Patents
一种籽粒蛋白质含量的预测方法及装置 Download PDFInfo
- Publication number
- CN109920472A CN109920472A CN201910013412.1A CN201910013412A CN109920472A CN 109920472 A CN109920472 A CN 109920472A CN 201910013412 A CN201910013412 A CN 201910013412A CN 109920472 A CN109920472 A CN 109920472A
- Authority
- CN
- China
- Prior art keywords
- protein content
- grain protein
- prediction
- linear model
- crop
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种籽粒蛋白质含量的预测方法及装置,包括获取待测作物的植被指数和关键环境因子;将任一植被指数和关键环境因子输入至籽粒蛋白质含量预测分层线性模型,输出待测作物的籽粒蛋白质含量;籽粒蛋白质含量预测分层线性模型根据任一植被指数和若干个关键环境因子获得。本发明综合考虑遥感信息与籽粒蛋白质含量关系的年际差异,引入分层线性模型,以关键环境因子为年际籽粒蛋白质模型的差异因子,构建籽粒蛋白质含量预测的嵌套模型,同时,可以通过结合区域的气象数据与卫星遥感数据耦合,构建空间转移性好的籽粒蛋白质含量预测模型,基于该籽粒蛋白质含量预测模型,使得该预测方法及装置精度高、时效性强、普适性好。
Description
技术领域
本发明实施例涉及领域,更具体地,涉及一种籽粒蛋白质含量的预测 方法及装置。
背景技术
我国目前小麦产量大,但是,国内小麦却呈现出生产量、进口量、库存 量“三量齐增”的问题,优质小麦需求持续增长,农业大而不强、多而不忧 的问题突出。纵观国内小麦市场需求,一方面小麦生产已基本满足国内市场 需求,且局部地区丰年有余;另一方面小麦生产的品种结构性矛盾突出,优 质小麦供不应求并依赖国外进口。在国家标准(GB/T1732-1998)中,(粗) 蛋白质含量是小麦籽粒品质评价的一项关键指标。因此,开展区域尺度的小 麦籽粒蛋白质含量遥感预测,具有重要的现实意义。
目前,国内外研究学者基于遥感技术进行作物蛋白质含量预测开展了大 量的研究,主要可归结为四类,分别为:以“遥感信息-籽粒蛋白质含量”模 式的经验模型,以“遥感信息-农学参数-籽粒蛋白质含量”模式的定量模型, 基于遥感信息与生态因子的籽粒蛋白质含量半机理模型,和基于遥感信息与 作物生长模型同化的机理解释模型。
其中,前两类模型研究较多,操作简单且易实现,但机理解释性不强, 在区域间和年际间扩展应用过程中偏差较大;同化模型方法考虑过多的输入 变量,并且复杂的同化算法、合适的品质生长模型选择及本地化和运算时间 问题,限制了该类方法的区域应用。因此,发展以遥感信息与生态因子结合 的籽粒蛋白质含量预测方法,利用生态因子考虑年际及空间的异质性以及遥 感信息与籽粒蛋白质含量的半机理模型,为构建普适性及适用于时空扩展的 籽粒蛋白质遥感预测模型提供了切实可行的方案。
另外,前人基于遥感信息和生态因子的籽粒蛋白质含量半机理模型可细 分为两类:一类是通过选择与蛋白质含量敏感的生态因子作为自变量,与遥 感信息共同构建线性或非线性回归模型。且研究结果表明结合遥感数据和生 态因子的籽粒蛋白质预测结果比单独利用遥感数据或单独利用生态因子的精 度高。另一类是通过氮素的运转机理简化模型,并考虑耦合温度等环境因子 对籽粒氮素运转的影响,实现籽粒蛋白质含量预测。
但是,目前的籽粒蛋白质的预测方法仍然存在以下问题:1、蛋白质含量 遥感预测的经验模型和定量模型,操作简单且易实现,但机理解释性不强, 在区域间和年际间扩展应用过程中偏差较大;2、运用作物生长模型与遥感信 息同化的籽粒蛋白质含量遥感预测模型受作物生长模型机理模拟、同化算法、 点-面扩展运算效率等问题,大大限制了其区域扩展应用;3、基于遥感信息 和生态因子的籽粒蛋白质含量半机理模型方面,以生态因子作为自变量进行 籽粒蛋白质含量建模,同样存在生态因子对蛋白质构成机理解释不强,容易产生预测偏差;氮素的运转机理简化模型中,许多简化系数与作物品种有关, 具有品种依赖性,以及生态因子以灌浆期环境因子为主,蛋白质含量预报的 时效性存在问题。
发明内容
为了解决上述问题,本发明实施例提供了一种籽粒蛋白质含量的预测方 法及装置。
根据本发明实施例的第一方面,本发明实施例提供了一种籽粒蛋白质含 量的预测方法,该方法包括:获取待测作物的植被指数和关键环境因子;将 待测作物的任一植被指数和若干个关键环境因子输入至籽粒蛋白质含量预测 分层线性模型,输出待测作物的籽粒蛋白质含量;籽粒蛋白质含量预测分层 线性模型根据任一植被指数和若干个关键环境因子获得。
根据本发明实施例的第二方面,本发明实施例提供了一种籽粒蛋白质含 量的预测装置,该装置包括:选择模块,用于获取待测作物的植被指数和关 键环境因子;预测模块,用于将待测作物的任一植被指数和若干个关键环境 因子输入至籽粒蛋白质含量预测分层线性模型,预测籽粒蛋白质含量,籽粒 蛋白质含量预测分层线性模型根据任一植被指数和若干个关键环境因子获得。
根据本发明实施例的第三方面,提供了一种电子设备,该电子设备包括: 存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理 器调用程序指令能够执行第一方面的各种可能的实现方式中任一种可能 的实现方式所提供的籽粒蛋白质含量的预测方法。
根据本发明实施例的第四方面,提供了一种非暂态计算机可读存储介 质,其上存储有计算机程序,该计算机程序使计算机执行第一方面的各种 可能的实现方式中任一种可能的实现方式所提供的籽粒蛋白质含量的预 测方法。
本发明实施例提供了一种籽粒蛋白质含量的预测方法及装置,综合考 虑遥感信息与籽粒蛋白质含量关系的年际差异,引入分层线性模型,以关 键环境因子为年际籽粒蛋白质模型的差异因子,构建籽粒蛋白质含量预测 的嵌套模型,同时,可以通过结合区域的气象数据与卫星遥感数据耦合, 构建空间转移性好的籽粒蛋白质含量预测模型,基于该籽粒蛋白质含量预 测模型,使得该预测方法及装置精度高、时效性强、普适性好。
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 施例或现有技术描述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的前提下,还可以根据这些图获得其他的附图。
图1为本发明实施例的一种籽粒蛋白质含量的预测方法的总体流程示 意图;
图2为本发明实施例的一种籽粒蛋白质含量的预测方法的详细流程示 意图;
图3为本发明实施例的一种籽粒蛋白质含量的预测方法的装置的结构 示意图;
图4为根据本发明一个优选实施方式的一种电子设备的结构示意图;
图5为根据本发明一个优选实施方式的单独基于植被指数的籽粒蛋白质 含量预测线性模型的预测结果图;
图6(a)为根据本发明一个优选实施方式的籽粒蛋白质含量预测分层模 型的预测结果图;
图6(b)为根据本发明一个优选实施方式的籽粒蛋白质含量预测分层模 型的预测结果图;
图6(c)为根据本发明一个优选实施方式的籽粒蛋白质含量预测分层模 型的预测结果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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地描述,显然, 所描述的实施例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。
目前,籽粒蛋白质含量的预测方法有很多,其中,蛋白质含量遥感预测 的经验模型和定量模型,操作简单且易实现,但机理解释性不强,在区域间 和年际间扩展应用过程中偏差较大;而运用作物生长模型与遥感信息同化的 籽粒蛋白质含量遥感预测模型受作物生长模型机理模拟、同化算法、点-面扩 展运算效率等问题,大大限制了其区域扩展应用;另外,基于遥感信息和生 态因子的籽粒蛋白质含量半机理模型方面,以生态因子作为自变量进行籽粒 蛋白质含量建模,同样存在生态因子对蛋白质构成机理解释不强,容易产生 预测偏差;同时,氮素的运转机理简化模型中,许多简化系数与作物品种有 关,具有品种依赖性,以及生态因子以灌浆期环境因子为主,蛋白质含量预 报的时效性存在问题。
图1为本发明实施例的一种籽粒蛋白质含量的预测方法的总体流程示 意图,如图1所示,本发明实施例提供了一种籽粒蛋白质含量的预测方法, 该方法包括:
S1、获取待测作物的植被指数和关键环境因子;
S2、将待测作物的植被指数和若干个关键环境因子输入至籽粒蛋白质含 量预测分层线性模型,输出待测作物的籽粒蛋白质含量;籽粒蛋白质含量预 测分层线性模型根据任一植被指数和若干个关键环境因子获得。
具体地,植被指数是根据植被的光谱特性,将卫星可见光和近红外波段 进行组合,形成了各种植被指数。植被指数是对地表植被状况的简单、有效 和经验的度量,目前已经定义了40多种植被指数被广泛应用于多个领域。各 种植被指数与籽粒蛋白质含量的相关性不同,因此选取与籽粒蛋白质的含量 相关性不同,为了更好地对籽粒蛋白质含量进行预测,因此选取与籽粒蛋白 质含量相关性较高的植被指数。
同时,分层线性模型(Hierarchical linear model,简称HLM,又称多层线 性模型,Multilevel linear model)。HLM常用于社会科学和行为科学,在科 学研究进行取样时,样本往往来自于不同的层级和单位,由此得到的数据带 来了很多多层跨级,因此设计的HLM专门解决此类嵌套结构,即分层结构 的问题。为了考虑籽粒蛋白质年际之间的差异,选择若干个关键环境因子作 为差异因子,结合选取的任一植被指数,建立籽粒蛋白质含量预测分层线性 模型。
最后,基于籽粒蛋白质含量预测分层线性模型,结合待测作物的任一植 被指数和关键环境因子,预测出待测作物的蛋白质含量。
本发明实施例通过分析待测作物的植被指数,考虑造成年际间籽粒蛋白 质遥感预测模型差异的关键环境因子,引入分层线性模型实现基于关键环境 因子对年际籽粒蛋白质模型差异的纠正,提供一种精度高、时效性强、普适 性好的籽粒蛋白质含量预测分层线性模型,基于该模型预测出待测作物的蛋 白质含量。
基于上述实施例,籽粒蛋白质含量预测分层线性模型包括互相嵌套的第 一分层线性模型和第二分层线性模型,第二分层线性模型嵌套于第一分层线 性模型内;第一分层线性模型根据植被指数和待测作物的品种获得;第二分 层线性模型根据若干个关键因子获得。
具体地,嵌套模型为结构方程模型的一种,例如,若甲模型的所有自由 参数是乙模型内同类参数的一部分,则称甲模型嵌套于乙模型内。籽粒蛋白 质含量预测分层线性模型分为第一分层线性模型和第二分层线性模型,即第 二分层线性模型的自由参数为第一分层线性模型内同类参数的一部分,因此 第二分层线性模型嵌套于第一分层线性模型内。
进一步地,第一分层线性模型根据植被指数和待测作物的品种获得;第 二分层线性模型根据若干个关键因子获得。
基于上述实施例,获取待测作物的植被指数和关键环境因子,具体包括: 获取待测作物的遥感信息和气象数据;气象数据包括待测作物开花期前一个 月的每日辐射量、每日最高温度、每日最低温度,每日最低温度和每日降水 量;根据待测作物的遥感信息,获取植被指数;根据待测作物的气象数据, 获取关键环境因子。
具体地,植被指数是两个或多个波长范围内的地物反射率组合运算,以 增强植被的某一特性或细节。所有植被指数要求从高精度的多光谱仪或高光 谱反射率数据中计算,因此植被指数是根据待测作物的遥感信息计算获得。 因此,需要基于现有遥感平台和传感器获得作物开花期不同空间分辨率和光 谱分辨率的作物冠层光谱信息,并进行光谱信息的预处理。例如,卫星影像 数据的获取需要进行辐射定标、大气校正及正射校正等;地面冠层高光谱需 要通过目标反射强度和已知反射率的参考白板进行比值转化得到冠层反射率。
同时,选择若干个关键环境因子作为差异因子,关键环境因子从气象数 据中选取,气象数据可从田间气象站或国家气象科学数据共享服务平台 (http://data.cma.cn/)下载待测作物开花期前一个月(约拔节期至开花期)的 每日辐射量Rad、最高温度Tmax、最低温度Tmin和降水量Pre数据。
基于上述实施例,第一分层线性模型具体为:
GPC=β0+β1·VI+β2·TY+X
其中,GPC为籽粒蛋白质的含量,VI为植被指数,TY为待测作物的品种 筋型,强筋、中强筋和弱筋型品种分别取值1、2和3,X为第一分层线性模 型的残差项;β0为第一分层线性模型的截距,β1为VI的回归系数,β2为TY的 回归系数。
具体地,第一分层线性模型中,籽粒蛋白质含量GPC根据选择的植被指 数VI和待测作物的品种筋型TY求得,即建立籽粒蛋白质含量GPC与植被指数 VI和待测作物的品种TY有关的第一分层线性模型。其中,β0、β1和β2为自由 参数。
需要说明的是,植被指数VI应当选择与籽粒蛋白质含量相关性较高的植 被指数以便能更好地对籽粒蛋白质含量进行预测。表1为各种植被指数VI 与籽粒蛋白质含量的相关性,如表1所示,各种植被指数VI根据公式计算得 到植被指数VI与籽粒蛋白质的相关性r,r的绝对值由大到小表示植被指数VI 与籽粒蛋白质的相关性由大到小。其中,公式中的R表示波段的反射率。
由表1可知,与籽粒蛋白质相关性较高的三个植被指数VI为光谱多边形 植被指数SPVI、叶片氮浓度的光谱指数MCARI/MTVI2和红边模型CIred edge。
表1
进一步地,第二分层线性模型具体为:
βi=γi0+γi1·Radmean+γi2·Tmaxmean+γi3·Tminmean+γi4·Presum+μi
其中,βi为β0、β1或β2,Radmean为平均每日辐射量,Tmaxmean为平均最高 温度,Tminmean为平均最低温度,Presum为总降水量;γi0为第二分层线性模型的 截距,γi1为Radmean的回归系数,γi2为Tmaxmean的回归系数,γi3为Tminmean的回归 系数,γi4为Presum的回归系数,μi为第二分层线性模型的残差项。
具体地,第二分层线性模型用于分别确定第一分层线性模型中的自由参 数β0、β1和β2,即第二分层线性模型嵌套于第一分层线性模型内。其中,γi0、 γi1、γi2、γi3和γi4可以根据HLM软件计算获得。针对不同的植被指数VI分别 确定βi对应的γi0、γi1、γi2、γi3和γi4值,即针对不同的植被指数VI分别确定β0对应的γi0、γi1、γi2、γi3和γi4值,β1对应的γi0、γi1、γi2、γi3和γi4值,和β2对 应的γi0、γi1、γi2、γi3和γi4值。
进一步地,植被指数VI包括SPVI、MCARI/MTVI2和CIred edge。表2为籽 粒蛋白质含量预测分层线性模型中不同植被指数的的βi对应的γi0、γi1、γi2、 γi3和γi4值,如表2所示,第一分层线性模型中,若植被指数VI选择SPVI, 则β0对应的γ01为111.539、γ11为-2.516、γ12为-2.922、γ13为2.023、γ14为0.039。
表2
需要说明的是,关键环境因子包括平均每日辐射量Radmean,平均最高温 度Tmaxmean,平均最低温度Tminmean和总降水量Presum,分别为根据待测作物开花 期前一个月(约拔节期至开花期)的每日辐射量Rad、最高温度Tmax、最低 温度Tmin和降水量Pre数据取平均值或求和所得。
需要说明的是,图5为根据本发明一个优选实施方式的单独基于植被指 数的籽粒蛋白质含量预测的线性模型结果图,如图5所示,本发明实施例以 植被指数SPVI为例,选择与籽粒蛋白质相关性最高的植被指数SPVI与籽粒 蛋白质含量相关联。由图5可知,若单独将植被指数VI与籽粒蛋白质含量相 关联,则对籽粒蛋白质含量存在严重的低估或高估现象。
基于上述实施例,图6(a)为根据本发明一个优选实施方式的籽粒蛋白 质含量预测分层模型的预测结果图,其中以SPVI作为植被指数;图6(b) 为根据本发明一个优选实施方式的籽粒蛋白质含量预测分层模型的预测结 果图,其中以MCARI/MTVI2作为植被指数;图6(c)为根据本发明一个优 选实施方式的籽粒蛋白质含量预测分层模型的预测结果图,其中以CIred edge作为植被指数。图6(a)、图6(b)和图6(c)的横坐标为实测值,纵坐标 为预测值。如图6(a)、图6(b)和图6(c)所示,选取三个植被指数(SPVI、 MCARI/MTVI2和CIrededge)中的任一分别构建的籽粒蛋白质含量预测分层线 性模型分别获得籽粒蛋白质含量预测值。
需要说明的是,表3为本发明实施例涉及的试验说明,涉及到以小麦作 为待测作物共进行8个田间试验,涉及到7个生长季、2种筋型,共12个品 种的小麦,不同的氮肥和灌溉处理,以及不同播种期。图6(a)、图6(b) 和图6(c)中的数字1-8为根据表3中的8个田间试验1-8作为数据源进行 试验得出的结果,图5中的数字4-7为以表3中的试验4-7作为数据源进行试 验得出的结果,将图5与图6(a)、图6(b)和图6(c)对比可知,该籽粒 蛋白质含量预测分层线性模型的检验结果精度显著高于现有模型的反演精度, 并且有效避免了年际间的高估或低估等问题。且选择植被指数 MCARI/MTVI2构建的籽粒蛋白质含量预测分层线性模型的预测结果最优, 年际扩展性最高。
进一步地,该思路可以通过结合区域的气象数据与卫星遥感数据耦合, 构建空间转移性好的籽粒蛋白质含量预测模型。该模型可应用于冬小麦、玉 米、水稻、油菜等的产量及品质信息的预测。
基于上述实施例,图2为本发明实施例的一种籽粒蛋白质含量的预测方 法的详细流程示意图,如图2所示,该籽粒蛋白质含量的预测方法的具体流 程为首先获取遥感信息和气象数据,然后根据遥感信息选择植被指数VI,同 时根据气象数据获取关键环境因子,根据植被指数和待测作物的品种建立籽 粒蛋白质含量预测分层线性模型中的第一分层线性模型,同时根据若干个关 键环境因子建立籽粒蛋白质含量预测分层线性模型中的第二分层线性模型; 其中,第一分层线性模型中的自由参数β0、β1和β2由第二分层线性模型确定, 然后基于籽粒蛋白质含量预测分层线性模型,预测待测作物中的籽粒蛋白质 的含量。
基于上述实施例,下面给出一个完整的具体实施例,用于详细叙述该 籽粒蛋白质含量的预测方法的预测过程。
表3为本发明实施例涉及的试验说明,如表3所示,本发明实施例以 小麦作为待测作物共进行8个田间试验,涉及到7个生长季、2种筋型, 共12个品种的小麦,不同的氮肥和灌溉处理,以及不同播种期。其中, 以试验4、5、6、7的样本集作为训练集,用于训练籽粒蛋白质含量预测 分层线性模型;以1、2、3、8的样本集作为验证集,用于验证和评价籽 粒蛋白质含量预测分层线性模型。样本集中包括若干种植被指数和若干个 环境因子。其中,品种右上角的筋型1代表强筋小麦,筋型2代表中强筋 小麦。
遥感信息的光谱测定采用美国ASD Fieldspec FR2500型野外光谱辐射 谱仪,光谱范围为350—2500nm,其中350—1000nm范围内分辨率为1.4nm, 1000—2500nm为2nm,光谱重采样间隔为1nm,测量时探头垂直于冠层 上方1m左右进行测定,测定前后均用白板进行标定,每个小区测定20 条光谱曲线,取20条光谱曲线的平均值作为该处理的冠层光谱。测量时 选择晴朗无云条件,时间为10:00—14:00。
籽粒蛋白质含量是谷物籽粒中蛋白质的质量与籽粒产量的比值,决定着 小麦的食品加工品质,是小麦籽粒品质评价的一项关键指标。测试方式为在 成熟期收取每个小区1m2小麦,晒干后脱粒,然后利用丹麦FOSS公司产的 InfratecTM 1241近红外谷物分析仪测定小麦籽粒的蛋白质含量(%干基)并 记录。
表3
本发明实施例中,籽粒蛋白质含量与遥感信息和待测作物的品种构成 直接的关系,作为第一分层线性模型;在不同的年份中,受年际间环境因 子的影响,第一分层线性模型有所波动,以不同年份开花前一个月(约拔 节期至开花期)的平均日辐射量、平均日最高温、平均最低温和总降水量 作为当季的年际变异因子,构建第二分层线性模型。以此获得基于遥感信 息及关键环境因子的籽粒蛋白质含量预测分层线性模型。
基于上述实施例,图3为本发明实施例的一种籽粒蛋白质含量的预测装 置的结构示意图,如图3所示,本发明实施例还提供了一种籽粒蛋白质含量 的预测装置,该装置包括选择模块301和预测模块302,其中:
选择模块301,用于获取待测作物的植被指数和关键环境因子;
预测模块302,用于将待测作物的任一植被指数和若干个关键环境因子 输入至籽粒蛋白质含量预测分层线性模型,输出待测作物的籽粒蛋白质含量; 籽粒蛋白质含量预测分层线性模型根据任一植被指数和若干个关键环境因子 获得。
具体地,为了更好地对籽粒蛋白质含量进行预测,选择模块301选取与 籽粒蛋白质的含量相关性较高的植被指数;同时,选取部分常用环境变异因 子作为关键环境因子。
然后,预测模块302根据植被指数和若干个环境因子训练获得籽粒蛋白 质含量预测分层线性模型,并基于籽粒蛋白质含量预测分层线性模型和选择 模型301获取的植被指数和若干个关键环境因子,预测籽粒蛋白质含量。
本发明实施例通过分析待测作物的植被指数,考虑造成年际间籽粒蛋白 质遥感预测模型差异的关键环境因子,引入分层线性模型实现基于关键环境 因子对年际籽粒蛋白质模型差异的纠正,提供一种精度高、时效性强、普适 性好的籽粒蛋白质含量预测分层线性模型,基于该模型预测出待测作物的蛋 白质含量。
基于上述实施例,该籽粒蛋白质含量的预测装置还包括:采集模块,用 于获取待测作物的遥感信息和气象数据,气象数据包括待测作物开花期前一 个月的每日辐射量、每日最高温度、每日最低温度,每日最低温度和每日降 水量。
具体地,植被指数根据遥感信息获取,若干个关键环境因子根据气象信 息获取,因此,还需要设置采集模块,用于获取待测作物的遥感信息和气象 数据。为了便于关键环境因子的选取,气象数据包括常用数据,即待测作物 开花期前一个月的每日辐射量、每日最高温度、每日最低温度,每日最低温 度和每日降水量。
基于上述实施例,本发明实施例提供了一种电子设备,用于完成上述方 法实施例中的籽粒蛋白质含量的预测方法。图4为根据本发明一个优选实施 方式的一种电子设备的结构示意图,如图4所示,该电子设备包括处理器401、 存储器402和总线403。其中,处理器401和存储器402通过总线403完成 相互间的通信。处理器401可以调用存储在存储器402上并可在处理器401 上运行的的计算机程序,以执行上述各实施例提供的方法,例如包括:获取 待测作物的植被指数和关键环境因子;将待测作物的任一植被指数和若干个 关键环境因子输入至籽粒蛋白质含量预测分层线性模型,输出待测作物的籽 粒蛋白质含量;籽粒蛋白质含量预测分层线性模型根据任一植被指数和若干 个关键环境因子获得。
此外,上述的存储器402中的逻辑指令可以通过软件功能单元的形式实 现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质 中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做 出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计 算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设 备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例 方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存 储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供了一种非暂态计算机可读存储介质,其上存储有计 算机程序,该计算机程序使计算机执行对应实施例所提供的籽粒蛋白质含量 的预测方法,例如包括:获取待测作物的植被指数和关键环境因子;将待测 作物的任一植被指数和若干个关键环境因子输入至籽粒蛋白质含量预测分层 线性模型,输出待测作物的籽粒蛋白质含量;籽粒蛋白质含量预测分层线性 模型根据任一植被指数和若干个关键环境因子获得。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤 可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读 取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述 的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介 质。
以上所描述的装置及设备等实施例仅仅是示意性的,其中作为分离部件 说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以 是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个 网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实 施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即 可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实 施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬 件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部 分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可 读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台 计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施 例或者实施例的某些部分的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其 限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术 人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或 者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技 术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种籽粒蛋白质含量的预测方法,其特征在于,包括:
获取待测作物的植被指数和关键环境因子;
将所述待测作物的任一所述植被指数和若干个所述关键环境因子输入至籽粒蛋白质含量预测分层线性模型,输出所述待测作物的籽粒蛋白质含量;所述籽粒蛋白质含量预测分层线性模型根据任一所述植被指数和若干个所述关键环境因子获得。
2.根据权利要求1所述的一种籽粒蛋白质含量的预测方法,其特征在于,所述籽粒蛋白质含量预测分层线性模型包括第一分层线性模型和第二分层线性模型,所述第二分层模型嵌套于所述第一分层线性模型内;所述第一分层线性模型根据所述植被指数和所述待测作物的品种获得;所述第二分层线性模型根据若干个所述关键因子获得。
3.根据权利要求1所述的一种籽粒蛋白质含量的预测方法,其特征在于,所述获取待测作物的植被指数和关键环境因子,具体包括:
获取所述待测作物的遥感信息和气象数据;所述气象数据包括所述待测作物开花期前一个月的每日辐射量、每日最高温度、每日最低温度,每日最低温度和每日降水量;
根据所述待测作物的遥感信息,获取所述植被指数;
根据所述待测作物的气象数据,获取所述关键环境因子。
4.根据权利要求2所述的一种籽粒蛋白质含量的预测方法,其特征在于,所述第一分层线性模型具体为:
GPC=β0+β1·VI+β2·TY+X
其中,GPC为籽粒蛋白质的含量,VI为任一植被指数,TY为待测作物的品种,X为第一分层线性模型的残差项;β0为第一分层线性模型的截距,β1为VI的回归系数,β2为TY的回归系数。
5.根据权利要求4所述的一种籽粒蛋白质含量的预测方法,其特征在于,所述第二分层线性模型具体为:
βi=γi0+γi1·Radmean+γi2·Tmaxmean+γi3·Tminmean+γi4·Presum+μi
其中,βi为β0、β1或β2,Radmean为平均每日辐射量,Tmaxmean为平均最高温度,Tminmean为平均最低温度,Presum为总降水量;γi0为第二分层线性模型的截距,γi1为Radmean的回归系数,γi2为Tmaxmean的回归系数,γi3为Tminmean的回归系数,γi4为Presum的回归系数,μi为第二分层线性模型的残差项;
所述关键环境因子包括所述平均每日辐射量,所述平均最高温度,所述平均最低温度和所述总降水量。
6.根据权利要求4所述的一种籽粒蛋白质含量的预测方法,其特征在于,所述植被指数包括SPVI、MCARI/MTVI2和CIred edge。
7.一种籽粒蛋白质含量的预测装置,其特征在于,包括:
选择模块,用于获取待测作物的植被指数和关键环境因子;
预测模块,用于将所述待测作物的任一所述植被指数和若干个所述关键环境因子输入至籽粒蛋白质含量预测分层线性模型;所述籽粒蛋白质含量预测分层线性模型根据任一所述植被指数和若干个所述关键环境因子获得。
8.根据权利要求7所述的一种籽粒蛋白质含量的预测装置,其特征在于,还包括:
采集模块,用于获取所述待测作物的遥感信息和气象数据,所述气象数据包括所述待测作物开花期前一个月的每日辐射量、每日最高温度、每日最低温度,每日最低温度和每日降水量。
9.一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项籽粒蛋白质含量的预测方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项籽粒蛋白质含量的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910013412.1A CN109920472A (zh) | 2019-01-07 | 2019-01-07 | 一种籽粒蛋白质含量的预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910013412.1A CN109920472A (zh) | 2019-01-07 | 2019-01-07 | 一种籽粒蛋白质含量的预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109920472A true CN109920472A (zh) | 2019-06-21 |
Family
ID=66960182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910013412.1A Pending CN109920472A (zh) | 2019-01-07 | 2019-01-07 | 一种籽粒蛋白质含量的预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109920472A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187100A (zh) * | 2023-04-25 | 2023-05-30 | 吉林大学 | 一种结合作物生长模型估算玉米籽粒蛋白质含量的方法 |
CN117457066A (zh) * | 2023-12-26 | 2024-01-26 | 山东科技大学 | 一种省域尺度的冬小麦籽粒蛋白质含量预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156128A (zh) * | 2010-04-17 | 2011-08-17 | 江苏省农业科学院 | 一种冬小麦籽粒蛋白质含量遥感监测预报方法 |
CN102858991A (zh) * | 2009-10-15 | 2013-01-02 | 克雷桑多生物科技公司 | 生物标志物及炎性疾病活动性的测量和监测方法 |
CN103913425A (zh) * | 2014-04-17 | 2014-07-09 | 河南农业大学 | 基于光谱指数和气候因子耦合的冬小麦籽粒蛋白质含量预测方法及其预测模型的构建方法 |
AU2016380877A1 (en) * | 2015-12-28 | 2018-07-19 | Boehringer Ingelheim Animal Health USA Inc. | Methods of providing Grass Growth and Nematode Suitability Indices to assist determination of timing of parasiticide treatment |
-
2019
- 2019-01-07 CN CN201910013412.1A patent/CN109920472A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102858991A (zh) * | 2009-10-15 | 2013-01-02 | 克雷桑多生物科技公司 | 生物标志物及炎性疾病活动性的测量和监测方法 |
CN102156128A (zh) * | 2010-04-17 | 2011-08-17 | 江苏省农业科学院 | 一种冬小麦籽粒蛋白质含量遥感监测预报方法 |
CN103913425A (zh) * | 2014-04-17 | 2014-07-09 | 河南农业大学 | 基于光谱指数和气候因子耦合的冬小麦籽粒蛋白质含量预测方法及其预测模型的构建方法 |
AU2016380877A1 (en) * | 2015-12-28 | 2018-07-19 | Boehringer Ingelheim Animal Health USA Inc. | Methods of providing Grass Growth and Nematode Suitability Indices to assist determination of timing of parasiticide treatment |
Non-Patent Citations (4)
Title |
---|
EN-SHIUN ANNIE LEE 等: "Identifying protein binding functionality of protein family sequences by aligned pattern clusters", 《2012 IEEE INTERNATIONAL CONFERENCE ON BIOINFORMATICS AND BIOMEDICINE WORKSHOPS》 * |
ZHENHAI LI等: "Predicting Grain Protein Content in Winter Wheat Using Hyperspectral and Meteorological Factor", 《2018 7TH INTERNATIONAL CONFERENCE ON AGRO-GEOINFORMATICS (AGRO-GEOINFORMATICS)》 * |
禹山林主编: "《中国花生遗传育种学》", 30 June 2011, 上海:上海科学技术出版社 * |
赵春江: "农业遥感研究与应用进展", 《农业机械学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187100A (zh) * | 2023-04-25 | 2023-05-30 | 吉林大学 | 一种结合作物生长模型估算玉米籽粒蛋白质含量的方法 |
CN117457066A (zh) * | 2023-12-26 | 2024-01-26 | 山东科技大学 | 一种省域尺度的冬小麦籽粒蛋白质含量预测方法 |
CN117457066B (zh) * | 2023-12-26 | 2024-03-15 | 山东科技大学 | 一种省域尺度的冬小麦籽粒蛋白质含量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xie et al. | Retrieval of crop biophysical parameters from Sentinel-2 remote sensing imagery | |
Cabrera‐Bosquet et al. | High‐throughput estimation of incident light, light interception and radiation‐use efficiency of thousands of plants in a phenotyping platform | |
Falconnier et al. | Modelling climate change impacts on maize yields under low nitrogen input conditions in sub‐Saharan Africa | |
Ely et al. | Spectroscopy can predict key leaf traits associated with source–sink balance and carbon–nitrogen status | |
Fang et al. | Integration of MODIS LAI and vegetation index products with the CSM–CERES–Maize model for corn yield estimation | |
Vadez et al. | LeasyScan: a novel concept combining 3D imaging and lysimetry for high-throughput phenotyping of traits controlling plant water budget | |
Inoue et al. | Simple and robust methods for remote sensing of canopy chlorophyll content: a comparative analysis of hyperspectral data for different types of vegetation | |
Gao et al. | Detecting vegetation structure using a kernel-based BRDF model | |
Verrelst et al. | Retrieval of vegetation biophysical parameters using Gaussian process techniques | |
Reyniers et al. | A linear model to predict with a multi‐spectral radiometer the amount of nitrogen in winter wheat | |
Li et al. | Estimating winter wheat (Triticum aestivum) LAI and leaf chlorophyll content from canopy reflectance data by integrating agronomic prior knowledge with the PROSAIL model | |
CN106290197A (zh) | 水稻叶片全氮含量高光谱估测及估测模型构建方法 | |
CN110874617B (zh) | 一种冬小麦叶片氮含量估算模型的建立方法 | |
CN109187441A (zh) | 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法 | |
Zhang et al. | Estimating wheat yield by integrating the WheatGrow and PROSAIL models | |
Louarn et al. | A generic individual-based model to simulate morphogenesis, C–N acquisition and population dynamics in contrasting forage legumes | |
Zhu et al. | Estimation of maize above-ground biomass based on stem-leaf separation strategy integrated with LiDAR and optical remote sensing data | |
CN108520127A (zh) | 一种树种叶面积指数的高光谱反演方法 | |
Aparicio et al. | Effect of sensor view angle on the assessment of agronomic traits by ground level hyper-spectral reflectance measurements in durum wheat under contrasting Mediterranean conditions | |
Zou et al. | Retrieval of leaf chlorophyll content in field crops using narrow-band indices: effects of leaf area index and leaf mean tilt angle | |
Kothari et al. | Predicting leaf traits across functional groups using reflectance spectroscopy | |
Xuemei et al. | Using short wave visible–near infrared reflectance spectroscopy to predict soil properties and content | |
Zhu et al. | Quantitative relationships of leaf nitrogen status to canopy spectral reflectance in rice | |
Takahashi et al. | Statistical models for prediction of dry weight and nitrogen accumulation based on visible and near-infrared hyper-spectral reflectance of rice canopies | |
CN109920472A (zh) | 一种籽粒蛋白质含量的预测方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190621 |
|
RJ01 | Rejection of invention patent application after publication |