CN110245444B - 一种基于作物对环境的响应与适应机制的发育期模拟方法 - Google Patents
一种基于作物对环境的响应与适应机制的发育期模拟方法 Download PDFInfo
- Publication number
- CN110245444B CN110245444B CN201910543250.2A CN201910543250A CN110245444B CN 110245444 B CN110245444 B CN 110245444B CN 201910543250 A CN201910543250 A CN 201910543250A CN 110245444 B CN110245444 B CN 110245444B
- Authority
- CN
- China
- Prior art keywords
- development
- stage
- period
- simulation
- obtaining
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Abstract
本发明涉及农业技术领域,特别涉及一种基于作物对环境的响应与适应机制的发育期模拟方法。该方法包括:收集研究站点的实测的作物物候资料;根据物候资料得到发育阶段所需天数、发育阶段始期日序、发育阶段的平均气温;根据发育阶段所需天数得到发育速率,发育速率为发育阶段所需天数的倒数;计算平均气温×始期日序的值;以发育速率为因变量,以平均气温、平均气温×始期日序为自变量,利用二元一次回归方法,得到回归方程,该方程即为发育期模拟公式。本发明方法既考虑了作物响应环境变化的机制,又考虑了作物对环境产生适应的机制,因而能比现有模型更好地模拟发育期。且本方法简单,只需要3个参数,参数可通过观测数据直接求取。
Description
技术领域
本发明涉及农业技术领域,特别涉及一种基于作物对环境的响应与适应机制的发育期模拟方法。
背景技术
作物生长模拟是一门新兴的边缘技术,是近些年作物生理生态研究的重大发展。它是以系统分析的原理和计算机模拟的技术来定量描述作物生长、发育、产量形成的过程及其对环境的反应。这种生长模拟模型是作物生理生态知识的高度综合与集成,具有普遍性应用意义。成功的作物生长模型可广泛地应用于理解、预测和调控作物生长和产量。
作物模型在预测发育期时,通常利用发育期模拟方法进行模拟。目前已经报道了各种各样模拟发育期的方法,这些方法基本都是通过描述作物发育速率对环境的响应机制而建立的。不同方法间只在描述响应函数的具体形式上有些区别。各种方法均认为温度是影响发育速率最重要的环境因子。现有的多数模拟方法均假设在一定的温度范围内,在其他环境条件基本满足的情况下,作物完成发育阶段所需的积温是常数。这个假设是发育期模拟方法最基础的理论之一,在相关业务中得到了广泛应用。由于发育期是影响产量的关键因子,发育期的预测结果在很大程度上影响了产量预测的结果。因此,准确预测不同环境下作物的发育期,可为产量预报提供必要的前提和基础。
然而作物发育期对环境既存在响应机制,又存在适应机制。响应机制是指环境如何影响发育期,适应机制是指作物如何主动调节自身的发育速率以适应环境。现有模拟发育期的方法,多数只描述了作物对环境的响应机制。这些模式虽然较为详尽地描述了作物对气候的响应,但未描述作物对气候的适应,这是现有模拟方法在波动环境下时误差较大的原因之一。虽然构建了许多复杂的温度响应函数以提高模拟精度,但由于没有考虑适应机制,模式复杂程度的提高并没有带来模拟精度的显著提升,而且模拟误差容易产生系统偏差。例如,预测的发育期,在冷年倾向于比实测值更晚,而在暖年则倾向于比实测值更早。此外,模式复杂程度的提高,还带来了诸如参数化困难、模式难以应用、模拟结果不确定性较大、参数间存在异参同效现象(不同的参数组合能得到近似的模拟结果)等问题。这些问题表明,在现有的仅描述响应机制的框架内,模式很难继续提高模拟效果。
作物发育期的预测是产量预测的关键依据之一。近几十年来,气候波动越来越剧烈。在可预见的将来,气候波动还将随着气候变化的深入发展而越来越剧烈。如果对发育期的模拟存在系统偏差的话,将导致对产量的评估也产生系统偏差。因此,产量预报的业务及期货市场对产量评估精度的要求,需要更好的发育期模拟方法。现有的模拟方法,由于没有考虑作物发育期对气候的适应性,很难适用于气候波动下的场景。而考虑响应与适应机制的作物发育期模拟方法,目前尚未见报道。
发明内容
有鉴于此,本发明提供了一种基于作物对环境的响应与适应机制的发育期模拟方法。该方法既考虑了响应机制,又考虑了适应机制,因而能比现有模型更好地模拟作物发育期。
要在发育期模拟方法中考虑发育期对环境的适应性,一个必要的前提是找到表示作物对环境适应性的因子。对此,申请人的提出,以发育阶段始期的DOY作为表示适应性的因子。提出这个方法的思路是:
(1)从作物角度看,在营养生长阶段(以冬小麦为例),暖年的发育期较往年提前,单位积温对发育速率的贡献会受光周期和春化作用的影响而相对减弱,冷年的发育期有所推后,则单位积温对发育速率的贡献会受光周期和春化作用的影响而相对增加。因此,光周期和春化作用影响温度敏感性的方向具有一致性,都与发育期DOY正相关,因此在营养生长阶段可用DOY代替光周期和春化去订正温度响应函数。在生殖生长阶段,作物也具有规避高温或霜冻的能力,而年度内高温和霜冻的出现具有明显的季节性规律,当前发育期日期的DOY可大致预示距离其出现还有多少天,因此,在生殖生长阶段使用DOY来调节温度敏感性也具有合理性;
(2)从气候角度看,植物生长发育所需的气候资源如光温水的波动呈明显季节性变化,因此DOY在气候上不仅可以表示年度内已经发生过的气候,还可以预示即将来临的气候;
(3)从作物对气候适应性的角度看,由于作物发育期是作物适应环境的重要体现,作物发育期日期的DOY无疑可在发育模式中用来表征作物对环境的适应程度。
因此,发育期的DOY可用作表示作物对环境适应性的因子。可在现有方法中耦合DOY,开发考虑作物对气候响应与适应的机制的新型模拟方法。
为了实现上述发明目的,本发明提供以下技术方案:
本发明提供了一种基于作物对环境的响应与适应机制的发育期模拟方法,包括如下步骤:
(1)收集研究站点的实测的作物物候资料;
(2)根据作物物候资料得到发育阶段始期日序、发育阶段所需天数、发育阶段的平均气温;
根据发育阶段所需天数得到发育速率,发育速率为发育阶段所需天数的倒数;
计算平均气温×发育阶段始期日序的值;
(3)利用二元一次回归方法,以发育速率为因变量,以平均气温、平均气温×发育阶段始期日序为自变量,得到公式(1)中a、b、c参数的取值;
y=a+bx1+cx2 (1)
公式(1)中,y为发育速率,x1为平均气温,x2为平均气温×发育阶段始期日序;
(4)根据步骤(3)得到的参数a、b、c,得到该研究站点的发育期模拟公式:
Y=a+(b+c×DOY)×T (2)
公式(2)中,Y为发育阶段始期后的逐日发育速率,DOY为发育阶段始期日序,T为平均气温。
本发明提供了一种在发育期模拟模型中耦合响应与适应机制的方法。通过用DOY表示作物对环境的适应性因子,并与一个简单的线性温度响应函数结合,进而实现了对响应与适应机制的模拟。这种方法不同于以往的发育期模拟方法。以往方法认为作物所需的积温是常数,而本方法突破了这种假设,不再以积温为依据,进而依据作物对环境既存在响应又存在适应机制的这个理论,并提出实现这种理论的一种简单可行的方法。这种方法既考虑了响应机制,又考虑了适应机制,因而能比现有模型更好地模拟作物发育期。本发明提出的方法,能够有效提高对冷年和暖年发育期的预测精度,进而为需要发育期和产量高精度预测的行业提供很好的工具。
在本发明保护的技术方案中,可以代替DOY的还包括日长,以及当年发育阶段始期(如模拟出苗-开花,则始期为出苗期)的距平值(即多年平均出苗期-当前模拟年份的出苗期)。这两个方法可以起到与上述技术方案类似的效果,本质上与DOY类似,都是耦合了响应与适应机制的物候模拟方法。因此,采用日长或当年发育阶段始期的距平值代替DOY模拟作物发育期的技术方案也在本发明的保护范围之内。
作为优选,步骤(4)后还包括步骤(5):自开始模拟起,将步骤(4)得到的逐日发育速率累加,得到逐日发育速率的累加值;根据逐日发育速率的累加值得到模拟发育期。
作为优选,根据逐日发育速率的累加值得到模拟发育期具体为:逐日发育速率的累加值首次大于1的日期为模拟发育期。
在本发明中,发育阶段为营养生长阶段或生殖生长阶段中的任意发育阶段,不包括兼跨营养和生殖的发育阶段。
本发明还提供了一种基于作物对环境的响应与适应机制的成熟期模拟方法,包括如下步骤:
(1)收集研究站点的实测的作物物候资料;
(2)根据作物物候资料得到生殖生长阶段始期日序、生殖生长阶段所需天数、生殖生长阶段的平均气温;
根据生殖生长阶段所需天数得到发育速率,发育速率为生殖生长阶段所需天数的倒数;
计算平均气温×生殖生长阶段始期日序的值;
(3)利用二元一次回归方法,以发育速率为因变量,以平均气温、平均气温×生殖生长阶段始期日序为自变量,得到公式(1)中a、b、c参数的取值;
y=a+bx1+cx2 (1)
公式(1)中,y为发育速率,x1为平均气温,x2为平均气温×生殖生长阶段始期日序;
(4)根据步骤(3)得到的参数a、b、c,得到该研究站点的成熟期模拟公式:
Y=a+(b+c×DOY)×T (2)
公式(2)中,Y为生殖生长阶段始期后的逐日发育速率,DOY为生殖生长阶段始期日序,T为平均气温;
(5)自开始模拟起,将步骤(4)得到的逐日发育速率累加,得到逐日发育速率的累加值;逐日发育速率的累加值首次大于1的日期为模拟成熟期。
在本发明一具体实施例中,生殖生长阶段始期为开花期或抽穗期。但并非限定于此。
在本发明一具体实施例中,生殖生长阶段为开花-成熟期或抽穗-成熟期。但并非限定于此。
本发明提供了一种基于作物对环境的响应与适应机制的发育期模拟方法。该方法包括如下步骤:(1)收集研究站点的实测的作物物候资料;(2)根据作物物候资料得到发育阶段始期日序、发育阶段所需天数、发育阶段的平均气温;根据发育阶段所需天数得到发育速率,发育速率为发育阶段所需天数的倒数;计算平均气温×发育阶段始期日序的值;(3)利用二元一次回归方法,以发育速率为因变量,以平均气温、平均气温×发育阶段始期日序为自变量,得到公式(1)中a、b、c参数的取值;y=a+bx1+cx2(1);公式(1)中,y为发育速率,x1为平均气温,x2为平均气温×发育阶段始期日序;(4)根据步骤(3)得到的参数a、b、c,得到该研究站点的发育期模拟公式:Y=a+(b+c×DOY)×T(2);公式(2)中,Y为发育阶段始期后的逐日发育速率,DOY为发育阶段始期日序,T为平均气温。采用上述技术方案所产生的有益效果在于:
本发明方法提出发育速率是温度的线性响应函数,并且提出该响应函数中的线性倾向率是前一个发育阶段日序(day of year,DOY)的线性函数。通过这种方法,不同年份的发育速率对温度的响应函数得以依作物对该年的适应进行调节。由于发育期的日序是表征作物对环境适应性的因子,因此本方法提出的耦合方式实现了在发育模式中耦合对温度的响应与适应机制。且本方法简单,只需要3个参数,参数可通过观测数据直接求取,避免了复杂响应函数计算参数时需要迭代或试错才能求取的问题。本方法非常适用于区域、大范围的发育期预测。
本发明通过在一个用日序调节线性温度响应函数中的倾向率,由此构建的耦合响应与适应机制的发育期模拟方法,能根据作物发育期随时调整发育速率对环境的响应速率,进而简单、准确地模拟发育期。依申请人的实践,c值在不同作物和不同发育阶段均为正值,意味着发育期越晚,发育速率对温度的响应越敏感,反之则越不敏感。以水稻为例详细介绍如下:在冷年时,抽穗期较往年推后,DOY将增大,c×DOY、b+c×DOY、(b+c×DOY)×T和Y值都将增大,因此和往年相比,相同的温度下冷年的温度下发育速率更快。更快的发育速率将缩短开花到成熟期所需的天数。这导致即使在冷年,水稻的成熟期也和往年相差不大。在暖年,抽穗期有所提前,导致抽穗期的DOY减小,(b+c×DOY)×T和Y值都将减小,因此和往年相比,相同的温度下暖年的发育速率更慢些。更慢的发育速率将延长抽穗到成熟期所需的天数。因此在暖年,水稻的成熟期也和往年相差不大。本方法得到的预测结果,与田间观测数据较为吻合。因此,本模型能更为精确地模拟气候波动环境作物的发育期,进而更准确地评估产量的响应。本方法得到的结果,对粮食期货以及农业应对气候变化措施的制定具有重要意义。
附图说明
图1示本发明实施的流程图(以从开花期开始模拟成熟期为例);
图2示利用本发明提出的方法模拟3种主要粮食作物(冬小麦、水稻和玉米)中的几个品种成熟期的模拟结果(从开花开始,模拟成熟期);
图3示实施例1通化水稻成熟期模拟误差及均方根误差(Root Square MeanError,RMSE);
图4示对比例1通化水稻成熟期模拟误差及均方根误差(RMSE);
图5示通化水稻成熟期的模拟误差随年份(a)、生长季平均温度(b)和抽穗期日期(c)的趋势;图中白圆圈和虚线表明是本方法的模拟结果,黑色的点和直线是ORYZA2000的模拟结果;*和***:分别在p<0.05和p<0.001水平上显著。
具体实施方式
本发明公开了一种基于作物对环境的响应与适应机制的发育期模拟方法,本领域技术人员可以借鉴本文内容,适当改进工艺参数实现。特别需要指出的是,所有类似的替换和改动对本领域技术人员来说是显而易见的,它们都被视为包括在本发明。本发明的方法及应用已经通过较佳实施例进行了描述,相关人员明显能在不脱离本发明内容、精神和范围内对本文所述的方法和应用进行改动或适当变更与组合,来实现和应用本发明技术。
本发明提供的基于响应与适应机制的作物发育期模拟方法中所用作物种子均可由市场购得。
下面结合实施例,进一步阐述本发明:
实施例1
如图1所示,本发明公开了一种考虑响应与适应机制的作物发育期模拟方法。
从中国气象局农业气象观测站近30年来的作物发育期观测数据中,选择对同一品种发育期具有15年以上观测的站点。总共有10个站具有这种数据,其中6个站观测冬小麦,1个站观测水稻,2个站观测玉米,1个站既观测水稻又观测玉米(通化),如表1所示。
表1观测站及观测作物
由于本方法是用一种方法模拟所有作物的所有发育阶段,为简单起见,下面以模拟通化水稻生殖生长阶段(抽穗-成熟期)为例,详细介绍具体的计算方法。模拟其他作物和其他发育期的方法均与此同。
研究对象:通化水稻成熟期对中国历史气候变化的响应与适应。
1.收集通化站的气象和水稻发育期观测数据
收集中国气象局通化农业气象观测站对水稻品种秋光包括抽穗和成熟期在内的发育期观测资料(中国气象局颁发的发育期观测规范中明确表示不观测水稻开花期,只观测抽穗期,因为二者出现的时间很接近,没有必要二者都观测。但对于水稻来说,它的抽穗期约等于其他作物的开花期,都是各种发育期计算方法中公认的生殖生长阶段的开始)。收集到1985-2010年共26年的观测资料。收集和发育期资料同期的逐日平均气温数据。
2.对上述资料进行以下计算:
(1).将抽穗期的日期转换为DOY。即,每年的1月1日为1,1月2日为2,2月1日为32,2月2日为33,其余依此类推。12月31日为365(平年)或366(闰年)。如1986年抽穗期是8月14日,对应的DOY是226;
(2).计算抽穗-成熟期的天数。如1986年的抽穗期是8月14日,成熟期是9月25日,则抽穗-成熟期天数记为43天;
(3).计算抽穗-成熟期的发育速率:发育速率取天数的倒数,如在1986年为1/43;
(4).计算抽穗-成熟期的平均气温:将抽穗-成熟期内的逐日平均气温进行累加,除以抽穗-成熟期的天数,得到阶段内的平均气温。如在1986年的平均气温是16.3℃;
(5).计算平均气温×抽穗期日序的值:即将每年的平均气温,乘以该年抽穗期的日序,如1986年抽穗-成熟期平均气温是16.3℃,该抽穗期8月14日的日序是226年,则16.3×226=3684;
(6).对每年的观测数据都进行第(2)到第(5)步的计算,得到所有年份的发育速率、平均气温、平均气温×抽穗期日序的取值。
结果如表2所示:
表2通化水稻各年抽穗-成熟期的发育速率及平均气温
(7).利用公式(1)求公式(2)中a、b和c参数的取值:利用二元一次回归方法,以发育速率为因变量,平均气温和平均气温×抽穗期日序为自变量,最终得到公式(2)中a、b和c参数的取值,如表3所示;
y=a+bx1+cx2 (1)
其中,y对应发育速率,x1对应平均气温,x2对应平均气温×抽穗期日序。
Y=a+(b+c×DOY)×T (2)
表3本发明方法模拟通化水稻的参数和模拟误差
(8).对公式(2)的模拟效果进行检验:基于第(7)步得到的a、b和c参数的取值,输入每年实测的抽穗期和日平均气温,模拟成熟期。以1986年为例,该年抽穗期8月14日的日序为226,每天的日平均气温为T,计算实测抽穗期后每天的(a+(b+c×226)×T),例如,8月14日当天的平均气温为20℃,因此当天的发育速率为(13.143+(-0.419+0.00438×226)×20.0)×10-3=0.024。其他日期的值也一并计算,得到的结果如表4所示。将这个值逐日累加起来,累加值首次大于1的日期即为成熟期,如表4所示,1986年的模拟成熟期是9月28日,而实测成熟期为9月25日,因此模拟误差(观测值-模拟值)为-3d。
表4通化水稻1986年抽穗后的逐日发育速率及其累加值
其余年份的模拟误差依此类推,最终得到各年的模拟误差,如图3所示。经计算可知,本发明提出的方法,模拟通化水稻成熟期的均方根误差RMSE为1.78d。
采用上述相同的方法对其它研究站点的作物成熟期进行模拟,10个站点的参数取值及模拟均方根误差如下:
表5本发明方法模拟3种主要粮食作物中的几个品种时的参数和模拟误差
由上述试验结果可知,根据本发明模拟方法模拟作物成熟期的均方根误差在1.62~4.85d之间。
对比例1
采用ORYZA2000模型模拟水稻发育期,ORYZA2000模型国际水稻研究所开发的专门模拟水稻生长发育的作物模型。目前已在世界各处得到了广泛的应用,是模拟水稻的主流模型。ORYZA2000模型认为该阶段的发育速率只受温度的影响,并假定完成该阶段所需的积温为常数,因而参数只有一个,模型中取名为DVRR,其意义是完成该阶段所需积温的倒数,也就是每单位积温对发育速率的贡献。
同样以通化水稻生殖生长阶段(抽穗-成熟期)的模拟为例。将DVRR的取值范围定为0.0001-0.0050,该范围覆盖了绝大多数品种的取值区间。随后以0.0001为步长,对参数进行循环寻优,取模拟误差的均方根误差(RMSE)最小时的DVRR为该参数的最终取值。具体方法如下:
1.将DVRR取值为0.0001,从1985年的实测抽穗期开始模拟,模拟成熟期,得到1985年成熟期的模拟误差(模拟误差定义为观测值-模拟值);
2.然后从1986年的实测抽穗期开始模拟,模拟成熟期,得到1986年成熟期的模拟误差。其余年份也依此类推,直至2010年;
3.得到DVRR取值为0.0001的情况下通化1985-2010年共26年的模拟误差,计算误差的RMSE,记为RMSE0.0001;
4.将DVRR取值增加一个步长,即0.0001,此时DVRR等于0.0002,又从1985年的实测抽穗期开始模拟,模拟成熟期,得到1985年成熟期的模拟误差。其余年份也依此类推,直至2010年,得到DVRR取值为0.0002的情况下通化1985-2010年共26年的模拟误差,计算误差的均方根误差(RMSE),记为RMSE0.0002;
5.将DVRR取值再增加一个步长,此时DVRR等于0.0003,继续模拟26年的成熟期,得到各年的模拟误差及RMSE,记为RMSE0.0003。
6.持续增加DVRR的取值,直至DVRR等于0.0050。
7.比较RMSE0.0001,RMSE0.0002,……,RMSE0.0050,其中的最小值对应的DVRR为该参数的最终取值,此时得到的各年模拟误差为最终模拟误差,这个模拟误差代表了ORYZA2000模型对通化水稻成熟期的最大模拟能力。
试验结果如图4、5所示。
图4是ORYZA2000的最终模拟误差,可见RMSE为6.1d,远高于本方法的1.78d。在1986年这个抽穗期最晚的年份,ORYZA2000模型的误差达-18天。
对于发育期模拟来说,除了精度要越小越好外,模拟误差的系统偏差也越小越好,因为模拟误差的系统偏差大的话,意味着模型在机理方面存在较大缺陷。图5是两种方法模拟结果的比较。可见,与ORYZA2000模型中采用的方法相比,本方法不仅降低了模拟误差,还降低了模拟误差随时间(图5a)、温度(图5b)和抽穗期日序(图5c)的趋势。可见,本方法全面优于传统的模拟方法,这主要是由于本方法耦合了作物物候对环境的响应与适应的机制。
结果分析:
以前述通化水稻1986年为例,该年本实施例1方法的模拟误差是-3d,然而未考虑适应机制的对比例1的误差为-18d。
这是因为,该年是26年中的最冷年,因此抽穗期8月14日也是这26年中最晚的抽穗期。该年实测的8℃以上有效积温仅为355℃·d,也是26年中最少的。而该站秋光品种的多年平均有效积温为473℃·d。因此,如果用只考虑响应机制的模型,那么在1986年还需要额外的118℃·d才能成熟,而在水稻成熟的季节,温度越来越低,每天累积的有效积温也越来越少,因此模拟误差导致高到-18d。在考虑适应机制后,该年最晚的抽穗期,导致公式(2)中的c×DOY最大,因而相同温度下,该年的发育速率较往常年份更高,发育速率加快,最终导致模拟误差仅有-3d。在暖年,情况也类似。
由上述实施例和对比例方法的对比结果来看,本发明方法既考虑了响应机制,又考虑了适应机制,因而能比现有模型更好地模拟作物发育期。因而,本发明提出的方法,能够有效提高对冷年和暖年发育期的预测精度,进而为需要发育期和产量高精度预测的行业提供很好的工具。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于作物对环境的响应与适应机制的发育期模拟方法,其特征在于,包括如下步骤:
(1)收集研究站点的实测的作物物候资料;
(2)根据作物物候资料得到发育阶段始期日序、发育阶段所需天数和发育阶段的平均气温;
根据发育阶段所需天数得到发育速率,所述发育速率为发育阶段所需天数的倒数;
计算平均气温×发育阶段始期日序的值;
(3)利用二元一次回归方法,以发育速率为因变量,以平均气温、平均气温×发育阶段始期日序为自变量,得到公式(1)中a、b和c参数的取值;
y=a+bx1+cx2 (1)
公式(1)中,y为发育速率,x1为平均气温,x2为平均气温×发育阶段始期日序;
(4)根据步骤(3)得到的参数a、b和c,得到该研究站点的发育期模拟公式:
Y=a+(b+c×DOY)×T (2)
公式(2)中,Y为发育阶段始期后的逐日发育速率,DOY为发育阶段始期日序,T为平均气温;
(5)自开始模拟起,将步骤(4)得到的逐日发育速率累加,得到逐日发育速率的累加值;根据逐日发育速率的累加值得到模拟发育期。
2.根据权利要求1所述的发育期模拟方法,其特征在于,根据逐日发育速率的累加值得到模拟发育期具体为:逐日发育速率的累加值首次大于1的日期为模拟发育期。
3.根据权利要求1或2所述的发育期模拟方法,其特征在于,所述发育阶段为营养生长阶段或生殖生长阶段中的任意发育阶段,不包括兼跨营养和生殖的发育阶段。
4.一种基于作物对环境的响应与适应机制的成熟期模拟方法,其特征在于,包括如下步骤:
(1)收集研究站点的实测的作物物候资料;
(2)根据作物物候资料得到生殖生长阶段始期日序、生殖生长阶段所需天数和生殖生长阶段的平均气温;
根据生殖生长阶段所需天数得到发育速率,所述发育速率为生殖生长阶段所需天数的倒数;
计算平均气温×生殖生长阶段始期日序的值;
(3)利用二元一次回归方法,以发育速率为因变量,以平均气温、平均气温×生殖生长阶段始期日序为自变量,得到公式(1)中a、b和c参数的取值;
y=a+bx1+cx2 (1)
公式(1)中,y为发育速率,x1为平均气温,x2为平均气温×生殖生长阶段始期日序;
(4)根据步骤(3)得到的参数a、b和c,得到该研究站点的成熟期模拟公式:
Y=a+(b+c×DOY)×T (2)
公式(2)中,Y为生殖生长阶段始期后的逐日发育速率,DOY为生殖生长阶段始期日序,T为平均气温;
(5)自开始模拟起,将步骤(4)得到的逐日发育速率累加,得到逐日发育速率的累加值;逐日发育速率的累加值首次大于1的日期为模拟成熟期。
5.根据权利要求4所述的成熟期模拟方法,其特征在于,所述生殖生长阶段始期为开花期或抽穗期;所述生殖生长阶段为开花-成熟期或抽穗-成熟期。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910543250.2A CN110245444B (zh) | 2019-06-21 | 2019-06-21 | 一种基于作物对环境的响应与适应机制的发育期模拟方法 |
PCT/CN2019/099460 WO2020252863A1 (zh) | 2019-06-21 | 2019-08-06 | 一种基于作物对环境的响应与适应机制的发育期模拟方法 |
US16/980,040 US20230058791A1 (en) | 2019-06-21 | 2019-08-06 | Method for simulating development date based on response mechanism and adaptation mechanism of crop to environment |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910543250.2A CN110245444B (zh) | 2019-06-21 | 2019-06-21 | 一种基于作物对环境的响应与适应机制的发育期模拟方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110245444A CN110245444A (zh) | 2019-09-17 |
CN110245444B true CN110245444B (zh) | 2020-09-04 |
Family
ID=67888766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910543250.2A Active CN110245444B (zh) | 2019-06-21 | 2019-06-21 | 一种基于作物对环境的响应与适应机制的发育期模拟方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230058791A1 (zh) |
CN (1) | CN110245444B (zh) |
WO (1) | WO2020252863A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110942183B (zh) * | 2019-11-14 | 2023-10-17 | 南京信息工程大学滨江学院 | 一种设施黄绣球菊花生育期模拟方法 |
CN112632752B (zh) * | 2020-12-02 | 2024-02-09 | 中国科学院空天信息创新研究院 | 一种持续自动模拟植被生长状态的方法及系统 |
CN116052141B (zh) * | 2023-03-30 | 2023-06-27 | 北京市农林科学院智能装备技术研究中心 | 作物生育期的识别方法、装置、设备及介质 |
CN116579758B (zh) * | 2023-07-04 | 2023-09-19 | 中国气象科学研究院 | 农作物高产播期确定方法、装置、电子设备及存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01300830A (ja) * | 1988-05-27 | 1989-12-05 | Norin Suisansyo Nogyo Kenkyu Center Shocho | 植物生育期予測装置 |
JPH08228602A (ja) * | 1995-02-24 | 1996-09-10 | Yasumi Imai | 温度による植物の生育予測、生育管理方法 |
KR100684504B1 (ko) * | 2005-04-29 | 2007-02-22 | (주)태민메카트로닉스 | 작물 생장 관측 시스템 및 그 방법. |
CN102893817B (zh) * | 2012-10-10 | 2014-04-16 | 南京信息工程大学 | 一种基于指数线性方程的设施作物干物质生产模拟方法 |
CN103927587A (zh) * | 2013-01-10 | 2014-07-16 | 中国科学院地理科学与资源研究所 | 中国木本植物春季物候期的预测方法和系统 |
CN105912884B (zh) * | 2016-06-13 | 2018-06-26 | 江苏大学 | 一种基于生理效应的作物茎直径生长速率预测方法 |
US11263707B2 (en) * | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
CN108921351A (zh) * | 2018-07-06 | 2018-11-30 | 北京兴农丰华科技有限公司 | 基于趋势产量和气象产量的作物产量预测方法 |
CN109615149B (zh) * | 2018-12-29 | 2023-04-28 | 航天信息股份有限公司 | 一种确定甜菜气象产量的方法和系统 |
-
2019
- 2019-06-21 CN CN201910543250.2A patent/CN110245444B/zh active Active
- 2019-08-06 WO PCT/CN2019/099460 patent/WO2020252863A1/zh active Application Filing
- 2019-08-06 US US16/980,040 patent/US20230058791A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
CN110245444A (zh) | 2019-09-17 |
WO2020252863A1 (zh) | 2020-12-24 |
US20230058791A1 (en) | 2023-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245444B (zh) | 一种基于作物对环境的响应与适应机制的发育期模拟方法 | |
Wang et al. | Increased yield potential of wheat-maize cropping system in the North China Plain by climate change adaptation | |
Ehret et al. | Neural network modeling of greenhouse tomato yield, growth and water use from automated crop monitoring data | |
Boote et al. | Improving the CROPGRO-tomato model for predicting growth and yield response to temperature | |
Yin et al. | Climate effects on crop yields in the Northeast Farming Region of China during 1961–2010 | |
Yin et al. | Effects of climatic factors, drought risk and irrigation requirement on maize yield in the Northeast Farming Region of China | |
Wang et al. | Leaf area index estimation for a greenhouse transpiration model using external climate conditions based on genetics algorithms, back-propagation neural networks and nonlinear autoregressive exogenous models | |
Wang et al. | Increased uncertainty in simulated maize phenology with more frequent supra-optimal temperature under climate warming | |
Yan et al. | A quantitative knowledge-based model for designing suitable growth dynamics in rice | |
JP2021056573A (ja) | 作物成長予測プログラム、作物成長予測方法および作物成長予測装置 | |
CN111798028A (zh) | 一种作物产量预测方法、装置、电子设备和存储介质 | |
Zou et al. | Quantifying the compensatory effect of increased soil temperature under plastic film mulching on crop growing degree days in a wheat–maize rotation system | |
CN112052988A (zh) | 耦合多目标优化和集合同化的作物产量估测方法及应用 | |
Zhang et al. | Development and validation of SUCROS-Cotton: a potential crop growth simulation model for cotton | |
CN109615150B (zh) | 一种确定水稻气象产量的方法和系统 | |
CN109615149B (zh) | 一种确定甜菜气象产量的方法和系统 | |
Cappelli et al. | GLORIFY: A new forecasting system for rice grain quality in Northern Italy | |
Yu et al. | Application of a progressive-difference method to identify climatic factors causing variation in the rice yield in the Yangtze Delta, China | |
CN113935542A (zh) | 一种基于气候适宜度的棉花单产预测方法 | |
CN111667167B (zh) | 一种农业粮食产量估算方法和系统 | |
Hueso et al. | Harvest prediction in ‘Algerie’loquat | |
CN117391472B (zh) | 一种用于小麦生育期预测的装置、方法及其应用 | |
Scian et al. | Environmental variables related to wheat yields in the semiarid pampa region of Argentina | |
CN111241485B (zh) | 一种新型作物产量对气候变化响应的诊断方法 | |
TWI821719B (zh) | 預測水稻用水需求的系統及方法 |
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 |