CN110309969B

CN110309969B - 基于物联网和遥感反演的冬小麦晚霜冻害监测及产量预测方法

Info

Publication number: CN110309969B
Application number: CN201910575212.5A
Authority: CN
Inventors: 时雷; 张娟娟; 马新明; 许鑫; 宋利红; 秦雅倩; 段其国
Original assignee: Henan Agricultural University
Current assignee: Henan Agricultural University
Priority date: 2019-06-28
Filing date: 2019-06-28
Publication date: 2022-05-03
Anticipated expiration: 2039-06-28
Also published as: CN110309969A

Abstract

本发明公开了一种基于物联网和遥感反演的冬小麦晚霜冻害监测及产量预测方法，旨在解决不考虑冬小麦晚霜冻害影响，直接进行产量预测的技术问题。本发明设计了基于物联网和遥感反演的冬小麦晚霜冻害监测方法和冬小麦产量预测模型的构建方法，提供了冬小麦产量预测方法。本发明能准确、精确地监测冬小麦晚霜冻害的发生，将极端气候量化，为灾害及时检测及灾后补救提供决策指导和建议，降低极端气候对冬小麦产量的影响，进一步完善产量估测模型，为产量预测提供一种物联网与遥感数据相融合的方法，为河南省冬小麦生产智能决策诊断提供新思路，为农业生产决策提供指导和建议，为小麦生产和市场交易提供数据支撑。

Description

基于物联网和遥感反演的冬小麦晚霜冻害监测及产量预测方法

技术领域

本发明涉及农业工程技术领域，具体涉及一种基于物联网和遥感反演的冬小麦晚霜冻害监测及产量预测方法。

背景技术

冬小麦是我国的主要粮食作物，与我国粮食安全密切相关。而河南省是我国粮食生产核心区之一，冬小麦种植面积占耕地面积的70%以上，河南省冬小麦产量占全国小麦总产量的25%以上，河南省冬小麦的稳产和高产对保障国家粮食安全至关重要。

近年来，全球极端气候发生趋于频繁，河南省冬小麦晚霜冻害发生频次有所升高，危害程度有加重的趋势，对冬小麦稳产高产造成重大威胁。例如，2018年4月份在河南、山西、陕西、山东和安徽等地出现了强降温，气温降幅在15℃左右，有些地区气温出现了零下的情况，地面最低气温-4.5℃，草面气温-8.5℃情况。此时小麦生长处于拔节后期至孕穗期，大幅降温会造成麦田的幼穗花粉母细胞减数分裂和花粉粒减少，形成“光杆”和“秃尖”，最终造成穗粒数的降低而减产。2018年河南省个别地区因晚霜冻害的发生冬小麦产量减产达70%以上，灾害严重地块甚至绝收。

现有的冬小麦极端天气的监测主要是统计分析法、调查分析法、遥感监测法和农业气象预报法。这些方法在一定程度上解决了冬小麦冻害监测问题，取得了一定的研究成果。然而，这些方法不仅速度慢、工作量大，而且不够准确，无法满足冬小麦晚霜冻害预测的精度及即时性的要求，且遥感模型参数相对单一，预测准确度有一定的局限性。

因此，为了提高冬小麦产量的预测精度，亟需研发一种能够及时、准确、精确预测冬小麦晚霜冻害的方法，为农业生产决策提供指导和建议，以期能够推动农业生产的效率，避免不必要的损失。

发明内容

本发明要解决的技术问题是提供一种基于物联网和遥感反演的冬小麦晚霜冻害监测及产量预测方法，以解决现有方法不考虑冬小麦晚霜冻害影响，直接进行产量预测的技术问题。

为解决上述技术问题，本发明采用如下技术方案：

设计一种基于物联网和遥感反演的冬小麦晚霜冻害监测方法，包括以下步骤：

（1）测量记录或按下式计算全生育期内的某天内每小时的表见气温：

——式（IV）；

式中，T_i表示全生育期内的某天内每小时的表见气温，T_max表示当天的最高气温，T_min表示当天的最低气温，T'_min表示第二天的最低气温，h₀表示该地当天日出时刻，h'₀表示该地当天日落时刻；

（2）按下式计算FDD：

——式（IX）；

式中，FDD为极端低温；T_crit表示冬小麦全生育期的最低气温界限值，在拔节期1～5天内T_crit取值为-1.5℃，6～10天T_crit取值为-0.5℃，11～15天T_crit取值为0.5℃，16天以后取值为1.5℃，T_i表示每小时的表见气温；

（3）按下式计算晚霜冻害指数：

——式（VIII）；

式中，F为晚霜冻害指数；f(Δd)是自变量为(Δd)的分段函数，其中，Δd为拔节期之后的天数；尚未到拔节期的，则Δd<0，经历过拔节的则Δd>0；FDD为极端低温，g(FDD)是自变量为FDD的分段函数；

其中，当Δd为1～5时，f(Δd)取值为1，当Δd为6～10时，f(Δd)取值为2，当Δd为11～15时，f(Δd)取值为3，当Δd＞15时，f(Δd)取值为4；

当FDD为[-1/24,0)时，g(FDD) 取值为0，当FDD为(-1,-1/24)时，g(FDD) 取值为4，当FDD为[-1,-1/24)时，g(FDD) 取值为5，当FDD为(-∞,-1)时，g(FDD) 取值为9。

进一步的：按下述方式区分冬小麦晚霜冻害程度：

当F计算值为{1,2,3,4}时，冬小麦晚霜冻害程度为轻霜冻；

当F计算值为{5,6,7,8,9}时，冬小麦晚霜冻害程度为中霜冻；

当F计算值为{10,11,12,13}时，冬小麦晚霜冻害程度为重霜冻。

设计一种冬小麦产量预测模型的构建方法，包括以下步骤：

（1）针对某一地区获取相应各年份的如下参数或数据：

a. 获取当地各年份的冬小麦单产数据；

b. 根据历史记录统计或按下式计算对应年份的全生育期内的某天内的某小时的表见气温：

——式（IV）；

式中，T_i表示冬小麦生育期内某天内的某小时内的表见气温，T_max表示当天的最高气温，T_min表示当天的最低气温，T'_min表示第二天的最低气温，h₀表示该地当天的日出时刻，h'₀表示该地当天的日落时刻；

c. 按下式计算对应年份的冬小麦全生育期内的生长度日：

——式（II）；

式中，GDD为小麦生育期内某天的生长度日；T_i表示小麦生育期内某天的某小时内的表见气温，T_opt表示冬小麦的最适生长气温，T_base表示冬小麦的基准生长气温；

d. 按下式计算对应年份的冬小麦全生育期内的极端度日：

——式（III）；

式中，EDD为小麦生育期内某天的极端度日；T_i表示小麦生育期内某天的某小时内的表见气温，T_opt表示冬小麦的最适生长气温，T_crit表示冬小麦各个生长时期的最低气温界限值；

e. 获取当地小麦生育期内的对应的遥感数据，计算得到冬小麦在4月份生长期间的归一化植被指数峰值NDVI：

——式（VI）；

式中，NDVI为归一化植被指数；X_IR为近红外波段的反射值，X_R为红光波段的反射值；

NDVI是植被生长状态及植被覆盖度的最佳指示因子，对于陆地表面主要覆盖而言，云、水、雪在可见光波段比近红外波段有更高的反射作用，则NDVI值为负值（<0）；岩石、裸土在两波段有相似的反射作用，NDVI值近于0；而在有植被覆盖的情况下，NDVI值为正值（>0），而且随植被的覆盖度增大而增大。几种典型的地面覆盖类型在大尺度NDVI图像上区分鲜明，植被得到有效的突出。根据NDVI这一特性采用自组织数据分析技术，计算冬小麦种植区全生育期内每个像元的NDVI值，再将求得的NDVI值除以像元个数，计算冬小麦4月份抽穗期NDVI的峰值或冬小麦每年当地第14周、第17周、第19周的NDVI平均值；

f. 按照上述的晚霜冻害指数计算公式计算晚霜冻害指数；

（2）将所获得各项参数或数据进行回归拟合，获取β₀、β_G、β_E和β_N所对应的值，即得对应的冬小麦产量预测模型：

——式（V）；

其中，Y为冬小麦单产，SGDD、SEDD分别为生长度日总和和极端度日总和；NDVI为步骤（1）中e计算的冬小麦4月份抽穗期NDVI的峰值；β₀为方程的截距；β_G、β_E分别为SGDD和SEDD对冬小麦产量影响程度的权重系数，β_N代表归一化植被指数对冬小麦产量影响程度的权重系数。

或，将所获得各项参数或数据进行回归拟合，获取β₀、β_G、β_E、β_N、β_F所对应的值，即得对应的冬小麦产量预测模型：

Y=β₀+β_GSGDD+β_ESEDD+β_NNDVI+β_FF ——式（IX）；

其中，Y为冬小麦单产；NDVI为步骤（1）中e计算的冬小麦4月份抽穗期NDVI峰值；F为步骤（1）中f计算的晚霜冻害指数；SGDD、SEDD分别为小麦全生育期的生长度日总和和极端度日总和；β₀为方程的截距；β_G、β_E分别为生长度日和极端度日对冬小麦产量影响程度的权重系数，β_N、β_F分别代表归一化植被指数和晚霜冻害对冬小麦产量影响程度的权重系数。

或，将所获得各项参数或数据进行回归拟合，获取β₀、β_G、β_E、β_N1、β_N2和β_N3所对应的值，即得对应的冬小麦产量预测模型：

——式（VII）

其中，Y为冬小麦单产，SGDD、SEDD分别为生长度日总和和极端度日总和；NDVI₁为步骤（1）中e计算的每年第14周NDVI的平均值；NDVI₂为步骤（1）中e计算的每年第17周NDVI的平均值；NDVI₃为步骤（1）中e计算的每年第19周NDVI的平均值；β₀为方程的截距；β_G、β_E分别为SGDD和SEDD对冬小麦产量影响程度的权重系数，β_N1、β_N2和β_N3代表冬小麦生长各个时期归一化植被指数对冬小麦产量影响程度的权重系数。

进一步的：在所述步骤b中，各地的日出或日落时刻由该地所处经纬度结合所在日期按天文历法计算得出。

进一步的：在所述步骤c和/或d中，以4月10日为界限分两个阶段计算，4月10日及之前基准生长气温为2℃，最适生长气温为16℃；4月10日以后基准生长气温为16℃，最适生长气温为30℃。

进一步的：在所述步骤e中，所述遥感数据来源于美国LAADS DAAC网站中的MODIS卫星遥感数据。

进一步的：在所述步骤e中，先基于MODIS数据解析NDVI值，再结合河南省东北部冬小麦生长过程中NDVI数值在时间序列上先升高后降低的变化特点，得到该地冬小麦种植区域分布图，最后利用种植区域分布图一步计算得到该地区冬小麦种植区域的全生育期NDVI值。

进一步的：在获得冬小麦种植区域分布图的过程中基于如下冬小麦像元识别方法：

NDVI_{8th week}>0.2 and NDVI_{12th week}>NDVI_{8th week} and NDVI_{17th week} >NDVI_{12th week}andNDVI_{17th week}>0.5 and NDVI_{19th week}>0.5 and NDVI_{19th week}>NDVI_{21th week}and NDVI_{23th week}<0.35；其中NDVI_{nth week}为冬小麦生长返青期那一年中第n周的NDVI值，所有河南省所在区域不同时期像元进行规则验证，符合规则要求的则标志为冬小麦种植覆盖像元。

提供一种冬小麦产量预测方法，包括如下步骤：

（1）计算或统计某一地区待测当年的冬小麦全生育期GDD、EDD、NDVI和F的参数或数据；

（2）将各参数或数据代入所获得冬小麦产量预测模型，即得该地区当年冬小麦预测产量。

进一步的：所述GDD和EDD计算时以4月10日为界限分两个阶段计算，4月10日及之前基准生长气温为2℃，最适生长气温为16℃；4月10日以后基准生长气温为16℃，最适生长气温为30℃。

与现有技术相比，本发明的有益技术效果在于：

1. 本发明可将遥感图像数据和物联网站点的数据有机相结合，优势互补，能使监测或预测结构更加全面和准确。遥感技术可以大面积的获取所需要的气温信息以及作物其它生长信息，但是遥感数据的获取受到多种因素的影响，数据获取不够及时。而物联网技术则可以快速、及时、准确的获取监测站点周围田间小环境的气温信息。

2. 本发明基于物联网数据获取的便捷性和及时性，能够准确、精确地监测河南省冬小麦晚霜冻害的发生，并且进一步的将极端气候量化，以明确危害的程度，可为灾害及时监测及灾后补救提供及时的决策指导和建议，在一定程度上降低晚霜冻害对冬小麦产量造成的影响，为河南省冬小麦生产智能决策诊断提供新思路，为农业生产决策提供指导和建议，能够推动农业生产的效率，避免不必要的损失。

3. 本发明可融合物联网监测数据及遥感数据进行产量估测，并根据冬小麦晚霜冻害量化结果，基于MODIS数据解析NDVI值，可进一步计算得到河南省各地市冬小麦种植区域的全生育期NDVI值，并利用冬小麦4月期间第17周的一个NDVI峰值和第14周、17周以及19周的三个NDVI值及量化的冻害指标分别构建模型，进行河南省地市级冬小麦产量的更精准、更可靠的估测。

附图说明

图1为河南省历年冬小麦产量变化趋势图；

图2为河南省历年来生长度日总和（SGDD）与极端度日总和（SEDD）的变化趋势图。

具体实施方式

下面结合附图和实施例来说明本发明的具体实施方式，但以下实施例只是用来详细说明本发明，并不以任何方式限制本发明的范围。在以下实施例中所涉及的参数和名词如无特别说明，均为本领域常规参数或名词。

实施例1：基于生长度日总和（SGDD）与极端度日总和（SEDD）的模型构建

冬小麦从播种日期开始到冬小麦收获为止的GDD和EDD的总和分别为SGDD和SEDD。

将整个河南省的播种日期统一选为每年的10月15日，收获日期定为每年的6月1日。建立以冬小麦产量为因变量，冬小麦生长过程中的SGDD和SEDD为自变量建立回归模型，公式如下：

——式（I）；

式中，Y为冬小麦的产量，SGDD、SEDD分别为生长度日总和和极端度日总和；β₀为方程的截距；β_G、β_E分别为SGDD和SEDD对冬小麦产量的影响程度，对应表示SGDD和SEDD变化时冬小麦产量的变化。

其中，GDD与EDD的的计算公式如下：

——式（II）；

——式（III）；

式中，T_i表示每小时的表见气温，T_opt表示冬小麦的最适生长气温，T_base表示冬小麦的基准生长气温，T_crit表示冬小麦各个生长时期的最低气温界限。

其中，每小时的表见气温的计算公式如下：

——式（IV）；

式中，T_i表示每小时的表见气温，T_max表示当天的最高气温，T_min表示第二天的最低气温，h₀表示由各地经纬度以及日期对各地市日出日落时间进行计算的日出时间，h'₀表示各地的日落时间；

经过对历年冬小麦拔节日期进行分析，发现每年4月10日大致就是冬小麦拔节半个月是冬小麦晚霜冻量化的最后一个阶段，因此本发明在计算时以每年的4月10日为界限，将冬小麦分为两个阶段进行计算，第一阶段选择的基准生长气温为2℃，最适生长气温为16℃；第二阶段选择的基准生长气温为16℃，最适生长气温为30℃。

河南省连续十年的冬小麦产量、SGDD、SEDD的变化趋势如图1和图2所示所示，从图中可以看出河南省冬小麦产量和SEDD呈现出逐年上升的趋势，且上升趋势明显，SGDD也在逐年上升，但上升幅度不如前两者大。

本发明实施例中利用河南省6个地市2007年至2016年10年的产量数据、SGDD数据以及SEDD数据对河南省各个地区的产量模型进行构建，具体如表1所示：

表1基于SGDD与SEDD的冬小麦产量预测模型

。

实施例2：基于多变量的模型构建

冬小麦生长过程中产量是多方面因素综合作用的结果，其中归一化植被指数（NDVI）值可以直接反映冬小麦的光合作用和长势，跟冬小麦产量密切相关，将NDVI作为模型的一个影响因子，在构建模型时所采用的NDVI的值是冬小麦四月份抽穗期NDVI的峰值。

基于多变量对冬小麦产量进行预测，将冬小麦产量和SGDD、SEDD以及NDVI建立回归模型，公式如下：

——式（V）；

式中，Y为冬小麦单产，β₀为方程的截距；β_G、β_E分别为SGDD和SEDD对冬小麦产量的影响程度，β_N代表 NDVI对冬小麦产量的影响程度。

其中，利用MODIS遥感图像对NDVI值进行计算。通过对MODIS图像的红色波段和近红外波段进行计算可以得到NDVI的值，NDVI的具体计算公式如下：

——式（VI）；

式中，X_IR为近红外波段的反射值，X_R为红光波段的反射值。

式（VI）计算的是地面所有的绿色植物的归一化植被指数。本发明实施例中基于MODIS数据解析NDVI值，然后结合河南省东北部冬小麦生长过程中NDVI数值在时间序列上先升高后降低的变化特点，得到河南省冬小麦种植区域分布图；最后利用种植区域分布图，进一步计算得到河南省东北部地区冬小麦种植区域的全生育期NDVI值，并求出冬小麦4月期间的NDVI峰值备用。

结合河南省的典型地物的NDVI曲线特征，依据冬小麦生长过程中NDVI的变化规律，冬小麦种植面积的NDVI值从2月到5月初逐渐增加，5月初到6月减少。冬小麦生长过程中返青期、拔节期、孕穗期、抽穗期、开花期和灌浆期NDVI值均不相同，基于NDVI较高时期的返青期和灌浆期的低阈值相比，建立冬小麦像元的识别规则，提取冬小麦、常绿林和草地面积，从而提取河南省冬小麦的种植信息，具体的识别规则如下：

NDVI_{8th week}>0.2 and NDVI_{12th week}>NDVI_{8th week} and NDVI_{17th week}>NDVI_{12th week}andNDVI_{17th week}>0.5 and NDVI_{19th week}>0.5 and NDVI_{19th week}>NDVI_{21th week}and NDVI_{23th week}<0.35。

其中NDVI_{nth week}为冬小麦生长返青期那一年中第n周的NDVI值，所有河南省所在区域不同时期像元进行规则验证，符合规则要求的则标志为冬小麦种植覆盖像元，最终统计出所有冬小麦种植区域像元的面积，结果表明像元统计冬小麦种植面积和河南省官方统计冬小麦种植面积之比在95%～105%。

利用河南省6个地市2007年至2016年10年的统计产量数据、SGDD数据、SEDD数据以及NDVI数据对河南省各个地区的产量模型进行构建，具体如表2所示：

表2基于多变量的冬小麦产量预测模型

。

实施例3：对多变量模型的改进

冬小麦生长过程归一化植被指数（NDVI）值可以直接反映冬小麦的光合作用和长势，4月份至5月初冬小麦生长比较茂盛，此时冬小麦的长势跟冬小麦产量相关性更强，因此，选择第14周、17周以及19周的NDVI值作为模型的影响因子。

对实施例2中模型进行改进，对冬小麦产量进行预测，将冬小麦产量和SGDD、SEDD以及各个时期的NDVI建立回归模型，公式如下：

——式（VII）；

式中，Y为冬小麦单产，SGDD、SEDD分别为生长度日总和和极端度日总和；NDVI₁为采用实施例2中式（VI）计算的第14周NDVI的平均值；NDVI₂为采用实施例2中式（VI）计算的第17周NDVI的平均值；NDVI₃为采用实施例2中式（VI）计算的第19周NDVI的平均值；β₀为方程的截距；β_G、β_E分别为SGDD和SEDD对冬小麦产量的影响程度，β_N1、β_N2和β_N3代表冬小麦生长各个时期归一化植被指数对冬小麦产量的影响程度。

利用河南省东北部5个地市2007年至2016年10年的统计产量数据、SGDD数据、SEDD数据以及各个时期的NDVI数据对河南省各个地区的产量模型进行构建，具体如表3所示：

表3对多变量模型的改进

。

实施例4：晚霜冻对冬小麦产量影响的模型构建

（1）晚霜冻害的量化

冬小麦发生晚霜冻害的发生不仅仅与气温有关，还与冬小麦所处的生育期有关，所以在对冬小麦晚霜冻害进行分析时，要考虑气温并结合冬小麦所处的生育期。

冬小麦晚霜冻害一般都发生在拔节期以后，为了对冬小麦发生晚霜冻害程度量化，构建一个冬小麦晚霜冻害指数F，这个指数结合气温和冬小麦生育期两个影响因子。通过历年逐日对F值得计算，将F的不同值定义为冬小麦晚霜冻害的发生程度，晚霜冻害指数的定义具体如公式如下：

——式（VIII）；

式中，f(Δd)是自变量为(Δd)的分段函数，其中，Δd为拔节期之后的天数。尚未到拔节期的，则Δd<0，经历过拔节的则Δd>0；g(FDD)是自变量为FDD的分段函数，其中FDD是极端低温。

其中，以极端低温（FDD）来代表超过冬小麦生长所能承受的气温下限阈值的程度，其值越大表明冬小麦在某段时间发生的FDD越严重，FDD可以综合反映冬小麦生长所经历的最低气温和经历低温的时长，更加能够体现出低温对冬小麦的影响。FDD的计算公式如下：

——式（IX）；

式中，T_crit表示冬小麦各个生长时期的最低气温界限，在拔节期1～5天内T_crit取值为-1.5℃，6～10天T_crit取值为-0.5℃，11～15天T_crit取值为0.5℃，16天以后取值为1.5℃，T_i表示每小时的气温。

f(Δd)和g(FDD)分段取值具体如表3所示：

表3 f(Δd)的分段取值

。

其中Δd的取值为整数。

g(FDD) 的分段取值具体如表4所示：

表4 g(FDD) 的分段取值

。

由晚霜冻害指数F可以确定冬小麦发生晚霜冻害发生的程度，具体如表5所示：

表5冬小麦发生晚霜冻害程度表

。

（2）晚霜冻对冬小麦产量影响的模型构建

冬小麦在遭受晚霜冻害之后会对冬小麦的产量造成影响，将冬小麦晚霜冻害作为一个影响因子加入模型中，建立如下模型：

Y=β₀+β_GSGDD+β_ESEDD+β_NNDVI+β_FF ——式（X）；

其中，Y为冬小麦单产，β₀为方程的截距；β_G、β_E分别为生长度日和极端度日对冬小麦产量的影响程度， β_N、β_F分别代表归一化植被指数和晚霜冻害对冬小麦产量的影响程度。

实施例5：商丘小麦产量预测模型验证

将商丘市2006-2015年来冻害情况如表6所示：

表6商丘市历年来冻害情况

。

发生的晚霜冻害按照实施例4中的式（VIII）进行量化，没有发生晚霜冻害的年份的晚霜冻害指标取值为0。

将商丘市计算得参数代入实施例1、2、4的模型，最终模型如表7所示：

表7商丘市冬小麦产量预测模型的对比

。

将商丘市三种模型进行对比，加入晚霜冻害指标之后的模型拟合优度最好，将晚霜冻害指标加入到冬小麦产量预测模型中可以优化模型。

上面结合附图和实施例对本发明作了详细的说明，但是，所属技术领域的技术人员能够理解，在不脱离本发明宗旨的前提下，还可以对上述实施例中的各个具体参数进行变更，形成多个具体的实施例，均为本发明的常见变化范围，在此不再一一详述。

Claims

1.一种基于物联网和遥感反演的冬小麦晚霜冻害监测方法，其特征在于，包括以下步骤：

(1)测量记录或按下式计算某地冬小麦全生育期内的某天内每小时的表见气温T_i：

式中，T_max表示当天的最高气温，T_min表示当天的最低气温，T'_min表示第二天的最低气温，h₀表示该地当天日出时刻，h'₀表示该地当天日落时刻；

(2)按下式计算极端低温FDD：

式中，T_crit表示冬小麦全生育期的最低气温界限值，在拔节期1～5天内T_crit取值为-1.5℃，6～10天T_crit取值为-0.5℃，11～15天T_crit取值为0.5℃，16天以后取值为1.5℃，T_i表示冬小麦全生育期内的某天内每小时的表见气温；

(3)按下式计算晚霜冻害指数F：

F＝f(Δd)+g(FDD)——式(VIII)；

式中，f(Δd)是自变量为(Δd)的分段函数，其中，Δd为拔节期之后的天数；尚未到拔节期的，则Δd＜0，经历过拔节的则Δd＞0；FDD为极端低温，g(FDD)是自变量为FDD的分段函数；

当FDD为[-1/24,0)时，g(FDD)取值为0，当FDD为(-1,-1/24)时，g(FDD)取值为4，当FDD为-1时，g(FDD)取值为5，当FDD为(-∞,-1)时，g(FDD)取值为9。

2.依据权利要求1所述的基于物联网和遥感反演的冬小麦晚霜冻害监测方法，其特征在于：按下述方式确定冬小麦晚霜冻害程度：

当F计算值为{1,2,3,4}时，冬小麦晚霜冻害程度为轻霜冻；

当F计算值为{5,6,7,8,9}时，冬小麦晚霜冻害程度为中霜冻；

当F计算值为{10,11,12,13}时，冬小麦晚霜冻害程度为重霜冻。

3.一种冬小麦产量预测模型的构建方法，其特征在于，包括以下步骤：

(1)针对某一地区获取相应各年份的如下参数或数据：

a.获取当地各年份的冬小麦单产数据；

b.根据历史记录统计或按下式计算对应年份的冬小麦生育期内某天的某小时内的表见气温T_i：

式中，T_max表示当天的最高气温，T_min表示当天的最低气温，T'_min表示第二天的最低气温，h₀表示该地当天的日出时刻，h'₀表示该地当天的日落时刻；

c.按下式计算对应年份的冬小麦全生育期内的生长度日GDD：

式中，T_i表示冬小麦生育期内某天的某小时内的表见气温，T_opt表示冬小麦的最适生长气温，T_base表示冬小麦的基准生长气温；

d.按下式计算对应年份的冬小麦全生育期内某天的极端度日EDD：

式中，T_i表示冬小麦生育期内某天的某小时内的表见气温，T_opt表示冬小麦的最适生长气温，T_crit表示冬小麦各个生长时期的最低气温界限值；

e.获取当地小麦生育期内的对应的遥感数据，计算得到冬小麦在4月份生长期间的归一化植被指数峰值NDVI：

f.按照权利要求1所述的晚霜冻害指数计算公式计算晚霜冻害指数；

(2)将所获得历年的所对应的各项参数或数据按下式进行回归拟合，获取β₀、β_G、β_E、β_N、β_F所对应的值，即得对应的冬小麦产量预测模型：

Y＝β₀+β_GSGDD+β_ESEDD+β_NNDVI+β_FF——式(X)；

其中，Y为冬小麦单产；NDVI为冬小麦4月份的归一化植被指数的峰值；F为晚霜冻害指数；SGDD、SEDD分别为小麦全生育期的生长度日总和、极端度日总和；β₀为方程的截距；β_G、β_E分别为生长度日和极端度日对冬小麦产量影响程度的权重系数，β_N、β_F分别代表归一化植被指数和晚霜冻害对冬小麦产量影响程度的权重系数。

4.依据权利要求3所述的冬小麦产量预测模型的构建方法，其特征在于：在所述步骤b中，各地的日出或日落时刻由该地所处经纬度结合所在日期按天文历法计算得出。

5.依据权利要求3所述的冬小麦产量预测模型的构建方法，其特征在于：在所述步骤c和/或d中，以4月10日为界限分两个阶段计算，4月10日及之前基准生长气温为2℃，最适生长气温为16℃；4月10日以后基准生长气温为16℃，最适生长气温为30℃。

6.依据权利要求3所述的冬小麦产量预测模型的构建方法，其特征在于：在所述步骤e中，所述遥感数据来源于美国LAADSDAAC网站中的MODIS卫星遥感数据。

7.依据权利要求6所述的冬小麦产量预测模型的构建方法，其特征在于：在所述步骤e中，先基于MODIS数据解析NDVI值，再结合河南省东北部冬小麦生长过程中NDVI数值在时间序列上先升高后降低的变化特点，得到该地冬小麦种植区域分布图，最后利用种植区域分布图一步计算得到该地区冬小麦种植区域的全生育期NDVI值。

8.依据权利要求7所述的冬小麦产量预测模型的构建方法，其特征在于：在获得冬小麦种植区域分布图的过程中基于如下冬小麦像元识别方法：

NDVI_{8th week}＞0.2and NDVI_{12th week}＞NDVI_{8th week} and NDVI_{17th week}＞NDVI_{12th week} andNDVI_{17th week}＞0.5and NDVI_{19th week}＞0.5and NDVI_{19th week}＞NDVI_{21th week} and NDVI_{23th week}＜0.35；其中

NDVI_{nth week}为冬小麦生长返青期那一年中第n周的NDVI值，所有河南省所在区域不同时期像元进行规则验证，符合规则要求的则标志为冬小麦种植覆盖像元。

9.一种冬小麦产量预测方法，其特征在于，包括如下步骤：

(1)计算或统计某一地区待测当年的冬小麦全生育期的SGDD、SEDD、NDVI和F的参数或数据；

(2)将各参数或数据代入权利要求3所获得冬小麦产量预测模型，即得该地区当年冬小麦预测产量。

10.依据权利要求9所述的冬小麦产量预测方法，其特征在于：在计算SGDD、SEDD时以4月10日为界限分两个阶段计算，4月10日及之前基准生长气温为2℃，最适生长气温为16℃；4月10日以后基准生长气温为16℃，最适生长气温为30℃。