CN110633841A - 基于集合采样的省级范围地块尺度快速数据同化产量预测方法 - Google Patents
基于集合采样的省级范围地块尺度快速数据同化产量预测方法 Download PDFInfo
- Publication number
- CN110633841A CN110633841A CN201910745823.XA CN201910745823A CN110633841A CN 110633841 A CN110633841 A CN 110633841A CN 201910745823 A CN201910745823 A CN 201910745823A CN 110633841 A CN110633841 A CN 110633841A
- Authority
- CN
- China
- Prior art keywords
- lai
- yield
- track
- data
- provincial
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005070 sampling Methods 0.000 title claims abstract description 16
- 238000002310 reflectometry Methods 0.000 claims abstract description 6
- 241000209140 Triticum Species 0.000 claims description 7
- 235000021307 Triticum Nutrition 0.000 claims description 7
- 208000036855 Left sided atrial isomerism Diseases 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 240000007594 Oryza sativa Species 0.000 claims description 2
- 235000007164 Oryza sativa Nutrition 0.000 claims description 2
- 240000008042 Zea mays Species 0.000 claims description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 claims description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 claims description 2
- 235000005822 corn Nutrition 0.000 claims description 2
- 238000012272 crop production Methods 0.000 claims description 2
- 235000009566 rice Nutrition 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Animal Husbandry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marine Sciences & Fisheries (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
Abstract
本发明属农业遥感领域，涉及一种基于集合采样的省级范围地块尺度快速数据同化产量预测方法，具体为：基于时间序列的遥感数据及作物样本点获取省级作物空间分布图；基于站点LAI与产量标定WOFOST模型，获得关键参数的后验样本集合，将其和整个生育期的气象数据输入WOFOST模型，生成与站点对应的生育期内的LAI轨迹集合与单产集合；基于PROSAIL模型将反射率数据反演为LAI，并获生育期内LAI轨迹范围；依据LAI轨迹范围对所得的每条LAI轨迹所对应的单产进行反距离加权，加权求和所得产量即为快速同化的单产。本发明的方法能以10米的高分辨率地块尺度进行省级范围的大区域的作物单产预测，且同化速度快，效率高。
Description
技术领域
本发明属于农业遥感领域，具体涉及一种基于集合采样的省级范围地块尺度快速数据同化产量预测方法。
背景技术
传统的农作物估产方法主要有统计调查方法、基于作物模型的预报方法以及农业气象预报方法等。这些方法由于其固有的局限性都难以实现区域作物产量高精度估测。而基于卫星遥感技术的估测方法，凭借空间上连续和时间上动态的特点，在区域作物产量估测上具有得天独厚的优势。同时，将遥感技术与基于作物光合、呼吸、蒸腾、营养等机理过程的作物生长模型结合能够达到区域高精度估产的目的。数据同化方法能够结合作物生长模型在点上、遥感观测在面上的优势，成为近年来国内外农业定量遥感的研究的热点。
然而，现有的同化估产方法中，四维变分的方法通过逐个大田作物像元构建遥感观测和作物模型的代价函数，通过多次迭代，优化获得作物模型的输入参数。集合卡尔曼滤波同化方法通过引入作物生育期的有效遥感观测数据，更新和优化状态变量(LAI、土壤水分、生物量等)。当引入10-30m空间分辨率的遥感数据，同化单元格网大小为10-30m时，会形成海量的同化数据。目前传统的逐个格网的同化策略难以满足实时产量预测的实际需求。
发明内容
为解决同化估产现有技术中存在的如下问题：“当数据同化格网单元为10-30m，形成海量的同化数据。传统的数据同化过程中要一直更新作物模型的状态变量或者重新初始化作物模型，使得同化执行效率低、速度慢，难以满足大区域空间范围的地块尺度的产量应用需求”，本发明提供一种基于集合采样的省级范围地块尺度快速数据同化产量预测方法。
本发明提供的一种基于集合采样的省级范围地块尺度快速数据同化产量预测方法，具体步骤如下：
S1.基于时间序列的Landsat8和哨兵2号遥感数据及作物样本点，采用随机森林方法获取省级作物空间分布图；
S2.基于站点LAI与产量数据，利用MCMC方法对WOFOST模型进行标定，获得WOFOST模型关键参数的后验样本集合；
S3.将S2所得的后验样本集合作为关键参数集，与整个生育期的气象数据一起输入WOFOST模型生成与站点对应的生育期内的LAI轨迹集合与单产集合；
S4.基于PROSAIL模型将哨兵2号遥感反射率数据反演为LAI，得到每个LAI网格的LAI均值和标准差，并获得生育期内的LAI轨迹范围；
S5.依据S4的LAI轨迹范围，对S3所得的每条LAI轨迹所对应的作物单产进行反距离加权，加权求和所得产量即为快速同化所得的单产。
其中，S3所述整个生育期的气象数据：从出苗到预报起始点用实况气象数据，预报起始点之后用气象预报数据。
其中，S2所述站点LAI与产量数据为实测的样本点数据，例如农气观测站数据。
其中，所述步骤S2具体为：以站点单产、站点所测作物关键生育期叶面积指数(LAI)，以及二者对应的不确定估计值(经验值)为观测，采用MCMC实现站点内WOFOST作物生长模型参数的后验概率分布估计，获得关键参数后验样本集合。
所述关键参数为WOFOST作物生长模型的关键参数，例如TSUM1、SPAN、TDWI等。
其中，所述步骤S3具体为：将S2所得的参数后验样本集合输入WOFOST模型，生成LAI轨迹集合与单产集合，一条LAI轨迹集合对应一个单产。
其中，所述步骤S4具体为：先对哨兵2号数据进行大气校正，再基于PROSAIL模型将其按照10m×10m格网分辨率反演为LAI数据，获得生育期内的LAI轨迹，每个格网LAI的均值取这个格网的代价函数收敛时对应的一组LAI的中值，标准差为这组LAI的标准差，以反演所得的LAI的均值与标准差生成LAI轨迹的上下边界(上边界为均值+标注差，下边界为均值-标准差)，得到生育期内的LAI轨迹范围。
其中，步骤S4所述反演可采用任何一种常规的LAI反演算法。
其中，所述步骤S5具体如下：基于步骤S4反演所得的LAI轨迹范围，对距该LAI格网的中心点最近的站点所对应的步骤S3中生成的轨迹集合进行筛选；对于LAI轨迹所对应的单产进行反距离加权求和，其权值为步骤S3的LAI轨迹与步骤S4所得的每个网格的LAI均值所对应的LAI轨迹的距离的负一次方；该加权求和所得的产量即为快速同化的单产均值，所筛选出来的LAI轨迹集合所对应的单产集合的标准差即为快速同化的标准差。
其中，所述作物为小麦、水稻、玉米等主粮作物中的一种，优选冬小麦。
本发明还提供所述基于集合采样的省级尺度快速数据同化产量预测方法在指导作物生产中的应用。
本发明与现有技术相比，有益效果为：
本发明同化的区域为高空间分辨率的大区域估产。受同化算法的效率以及田间实测样本数量等因素的限制，一般同化估产的空间分辨率为250米到1千米，一旦数据同化引入地块级尺度(10米空间分辨率，即10m×10m网格)的数据后，会造成海量的同化单元，上亿的同化单元。对于一个省来说，传统的方法需要运行1个月。而办法的方法可以在10个小时之内完成同化。
本发明同化的速度快。不同于传统的更新作物模型的状态变量或者重新初始化作物模型的同化方法，本发明利用集合采样的思想，实现了LAI轨迹集与单产集的映射，从而实现10米空间分辨率上大区域的作物单产预测。
附图说明
图1为本发明的流程图。
图2为本发明实施例1中步骤S3将所得的后验样本集合作为关键参数集与整个生育期的气象数据一起输入WOFOST模型，生成与站点对应的生育期内的模拟LAI轨迹曲线。
图3为本发明实施例1中步骤S4基于PROSAIL模型将哨兵2号遥感反射率数据反演为LAI，得到的LAI时间序列轨迹范围图。
图4为本发明实施例1中将图2模拟LAI轨迹曲线和图3遥感反演LAI的LAI时间序列轨迹范围图进行叠加的效果图。
图5为本发明实施例1中将遥感反演LAI的区间范围和模拟的LAI轨迹曲线叠加后圈出曲线簇交集为空集的地方示意为被排除的区域图，图中椭圆内的模拟LAI集与哨兵2号反演结果非常不一致，可认为不太可能发生，即可忽略或赋予低权值。
图6为本发明实施例1中集合产量预测图。
具体实施方式
下面结合实施例，对本范明的具体实施方式做进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
实施例1
以本发明基于集合采样的省级尺度快速数据同化产量预测方法针对衡水的冬小麦进行估产，具体流程参见图1。
选择衡水作为研究区域。选取研究区2018年1月至18年6月的哨兵2(Sentinel-2A/AB)遥感反射率数据。
S1.基于时间序列的Landsat8和哨兵2遥感数据及冬小麦样本点，采用随机森林方法获取省级冬小麦空间分布图。
S2.基于站点LAI与产量数据，利用MCMC方法对WOFOST模型进行标定，获得WOFOST模型关键参数的后验样本集合。
所述站点LAI与产量数据为实测的样本点数据，本实施例采用农气观测站数据。
步骤S2具体为：以站点单产、站点所测作物关键生育期叶面积指数(LAI)，以及二者对应的不确定估计值(经验值)为观测，采用MCMC实现站点内WOFOST作物生长模型参数的后验概率分布估计，获得关键参数后验样本集合。所述关键参数为WOFOST作物生长模型的关键参数，例如TSUM1、SPAN、TDWI等。
S3.将S2所得的后验样本集合作为关键参数集，与整个生育期的气象数据一起输入WOFOST模型，生成与站点对应的生育期内的LAI轨迹集合与单产集合，其中生成的LAI轨迹的曲线具体见图2。
所述整个生育期的气象数据：从出苗到预报起始点用实况气象数据，预报起始点之后用气象预报数据。
所述步骤S3具体为：将S2所得的参数后验样本集合输入WOFOST模型，生成LAI轨迹集合与单产集合，一条LAI轨迹集合对应一个单产。
S4.基于PROSAIL模型将哨兵2号遥感反射率数据反演为LAI，得到每个LAI网格的LAI均值和标准差，并获得生育期内的LAI轨迹范围。
步骤S4具体为：先对哨兵2号数据进行大气校正，再基于PROSAIL模型将其按照10m×10m格网分辨率反演为LAI数据，获得生育期内的LAI轨迹，每个格网LAI的均值取这个格网的代价函数收敛时对应的一组LAI的中值，标准差为这组LAI的标准差，以反演所得的LAI的均值与标准差生成LAI轨迹的上下边界(上边界为均值+标注差，下边界为均值-标准差)，得到生育期内的LAI轨迹范围，具体见图3。步骤S4所述反演可采用任何一种常规的LAI反演算法。
S5.依据S4的LAI轨迹范围，对S3所得的每条LAI轨迹所对应的冬小麦单产进行反距离加权，加权求和所得产量即为快速同化所得的单产。
所述步骤S5具体如下：基于步骤S4反演所得的LAI轨迹范围，对距该LAI格网的中心点最近的站点所对应的步骤S3中生成的轨迹集合进行筛选，即将图2和图3叠加，叠加效果图见图4，将图4中模拟LAI集与哨兵2号反演结果非常不一致的区域圈出排除，得到图5，将图5中被圈出的区域忽略，对于LAI轨迹所对应的单产进行反距离加权求和，其权值为步骤S3的LAI轨迹与步骤S4所得的每个网格的LAI均值所对应的LAI轨迹的距离的负一次方；该加权求和所得的产量即为快速同化的单产均值，得出的集合产量预测图见图6，所筛选出来的LAI轨迹集合所对应的单产集合的标准差即为快速同化的标准差。
本发明同化的区域为10米高空间分辨率的省级尺度大区域估产。且本发明同化的速度快，10小时之内完成同化。
虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (8)
1.一种基于集合采样的省级范围地块尺度快速数据同化产量预测方法，其特征在于，具体步骤如下：
S1.基于时间序列的Landsat8和哨兵2号遥感数据及作物样本点，采用随机森林方法获取省级作物空间分布图；
S2.基于站点LAI与产量数据，利用MCMC方法对WOFOST模型进行标定，获得WOFOST模型关键参数的后验样本集合；
S3.将S2所得的后验样本集合作为关键参数集，与整个生育期的气象数据一起输入WOFOST模型生成与站点对应的生育期内的LAI轨迹集合与单产集合；
S4.基于PROSAIL模型将哨兵2号遥感反射率数据反演为LAI，得到每个LAI网格的LAI均值和标准差，并获得生育期内的LAI轨迹范围；
S5.依据S4的LAI轨迹范围，对S3所得的每条LAI轨迹所对应的作物单产进行反距离加权，加权求和所得产量即为快速同化所得的单产。
2.如权利要求1所述的基于集合采样的省级范围地块尺度快速数据同化产量预测方法，其特征在于，S3所述整个生育期的气象数据：从出苗到预报起始点用实况气象数据，预报起始点之后用气象预报数据。
3.如权利要求2所述的基于集合采样的省级范围地块尺度快速数据同化产量预测方法，其特征在于，所述步骤S2具体为：以站点单产、站点所测作物关键生育期LAI，以及二者对应的不确定估计值为观测，采用MCMC实现站点内WOFOST作物生长模型参数的后验概率分布估计，获得关键参数后验样本集合。
4.如权利要求2所述的基于集合采样的省级范围地块尺度快速数据同化产量预测方法，其特征在于，所述步骤S3具体为：将S2所得的参数后验样本集合输入WOFOST模型，生成LAI轨迹集合与单产集合，一条LAI轨迹集合对应一个单产。
5.如权利要求2所述的基于集合采样的省级范围地块尺度快速数据同化产量预测方法，其特征在于，所述步骤S4具体为：先对哨兵2号数据进行大气校正，再基于PROSAIL模型将其按照10m×10m格网分辨率反演为LAI数据，获得生育期内的LAI轨迹，每个格网LAI的均值取这个格网的代价函数收敛时对应的一组LAI的中值，标准差为这组LAI的标准差，以反演所得的LAI的均值与标准差生成LAI轨迹的上下边界，得到生育期内的LAI轨迹范围。
6.如权利要求1所述的基于集合采样的省级范围地块尺度快速数据同化产量预测方法，其特征在于，所述步骤S5具体如下：基于步骤S4反演所得的LAI轨迹范围，对距该LAI格网的中心点最近的站点所对应的步骤S3中生成的轨迹集合进行筛选；对于LAI轨迹所对应的单产进行反距离加权求和，其权值为步骤S3的LAI轨迹与步骤S4所得的每个网格的LAI均值所对应的LAI轨迹的距离的负一次方；该加权求和所得的产量即为快速同化的单产均值，所筛选出来的LAI轨迹集合所对应的单产集合的标准差即为快速同化的标准差。
7.如权利要求1-6任一项所述的基于集合采样的省级范围地块尺度快速数据同化产量预测方法，其特征在于，所述作物为小麦、水稻、玉米中的一种。
8.权利要求1-7任一项所述基于集合采样的省级尺度快速数据同化产量预测方法在指导作物生产中的应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910745823.XA CN110633841B (zh) | 2019-08-13 | 2019-08-13 | 基于集合采样的省级范围地块尺度数据同化产量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910745823.XA CN110633841B (zh) | 2019-08-13 | 2019-08-13 | 基于集合采样的省级范围地块尺度数据同化产量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110633841A true CN110633841A (zh) | 2019-12-31 |
| CN110633841B CN110633841B (zh) | 2022-04-01 |
Family
ID=68970390
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910745823.XA Active CN110633841B (zh) | 2019-08-13 | 2019-08-13 | 基于集合采样的省级范围地块尺度数据同化产量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110633841B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111898922A (zh) * | 2020-08-10 | 2020-11-06 | 深圳市大德众和科技有限公司 | 一种多尺度农作物产量评估方法及系统 |
| CN112052988A (zh) * | 2020-08-18 | 2020-12-08 | 中国农业大学 | 耦合多目标优化和集合同化的作物产量估测方法及应用 |
| CN113705937A (zh) * | 2021-10-27 | 2021-11-26 | 武汉大学 | 联合机器视觉与作物模型的作物估产方法 |
| CN115753625A (zh) * | 2022-11-02 | 2023-03-07 | 中国农业大学 | 区域作物的产量估测方法、装置、电子设备及存储介质 |
| CN116071644A (zh) * | 2022-12-20 | 2023-05-05 | 中化现代农业有限公司 | 逐日叶面积指数数据反演方法、装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2007125088A (ru) * | 2007-07-02 | 2009-01-10 | Учреждение Ханты-Мансийского автономного округа-Югры "Югорский научно-исследовательский институт информационных технологий" (RU) | Способ прогнозирования урожайности зерновых культур на основе данных космического мониторинга и моделирования биопродуктивности |
| CN103955860A (zh) * | 2014-04-17 | 2014-07-30 | 中国农业大学 | 一种基于集合卡尔曼滤波同化的区域作物估产方法 |
| CN104134095A (zh) * | 2014-04-17 | 2014-11-05 | 中国农业大学 | 一种基于尺度转换和数据同化的农作物产量估测方法 |
| CN108509836A (zh) * | 2018-01-29 | 2018-09-07 | 中国农业大学 | 双极化合成孔径雷达与作物模型数据同化的作物估产方法 |
| CN109754125A (zh) * | 2019-01-18 | 2019-05-14 | 中国农业大学 | 基于作物模型、历史和气象预报数据的作物产量预报方法 |
| CN109800921A (zh) * | 2019-01-30 | 2019-05-24 | 北京师范大学 | 一种基于遥感物候同化和粒子群优化算法的区域冬小麦估产方法 |
-
2019
- 2019-08-13 CN CN201910745823.XA patent/CN110633841B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2007125088A (ru) * | 2007-07-02 | 2009-01-10 | Учреждение Ханты-Мансийского автономного округа-Югры "Югорский научно-исследовательский институт информационных технологий" (RU) | Способ прогнозирования урожайности зерновых культур на основе данных космического мониторинга и моделирования биопродуктивности |
| CN103955860A (zh) * | 2014-04-17 | 2014-07-30 | 中国农业大学 | 一种基于集合卡尔曼滤波同化的区域作物估产方法 |
| CN104134095A (zh) * | 2014-04-17 | 2014-11-05 | 中国农业大学 | 一种基于尺度转换和数据同化的农作物产量估测方法 |
| CN108509836A (zh) * | 2018-01-29 | 2018-09-07 | 中国农业大学 | 双极化合成孔径雷达与作物模型数据同化的作物估产方法 |
| CN109754125A (zh) * | 2019-01-18 | 2019-05-14 | 中国农业大学 | 基于作物模型、历史和气象预报数据的作物产量预报方法 |
| CN109800921A (zh) * | 2019-01-30 | 2019-05-24 | 北京师范大学 | 一种基于遥感物候同化和粒子群优化算法的区域冬小麦估产方法 |
Non-Patent Citations (3)
| Title |
|---|
| WEN ZHUO 等: "Assimilating SAR and optical remote sensing data into WOFOST model for improving winter wheat yield estimation", 《2018 7TH INTERNATIONAL CONFERENCE ON AGRO-GEOINFORMATICS (AGRO-GEOINFORMATICS)》 * |
| 黄健熙 等: "基于MCMC方法的WOFOST模型参数标定与不确定性分析", 《农业工程学报》 * |
| 黄健熙 等: "遥感与作物生长模型数据同化应用综述", 《农业工程学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111898922A (zh) * | 2020-08-10 | 2020-11-06 | 深圳市大德众和科技有限公司 | 一种多尺度农作物产量评估方法及系统 |
| CN112052988A (zh) * | 2020-08-18 | 2020-12-08 | 中国农业大学 | 耦合多目标优化和集合同化的作物产量估测方法及应用 |
| CN112052988B (zh) * | 2020-08-18 | 2024-03-22 | 中国农业大学 | 耦合多目标优化和集合同化的作物产量估测方法及应用 |
| CN113705937A (zh) * | 2021-10-27 | 2021-11-26 | 武汉大学 | 联合机器视觉与作物模型的作物估产方法 |
| CN115753625A (zh) * | 2022-11-02 | 2023-03-07 | 中国农业大学 | 区域作物的产量估测方法、装置、电子设备及存储介质 |
| CN115753625B (zh) * | 2022-11-02 | 2024-04-19 | 中国农业大学 | 区域作物的产量估测方法、装置、电子设备及存储介质 |
| CN116071644A (zh) * | 2022-12-20 | 2023-05-05 | 中化现代农业有限公司 | 逐日叶面积指数数据反演方法、装置、设备及存储介质 |
| CN116071644B (zh) * | 2022-12-20 | 2023-08-08 | 中化现代农业有限公司 | 逐日叶面积指数数据反演方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110633841B (zh) | 2022-04-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110633841B (zh) | 基于集合采样的省级范围地块尺度数据同化产量预测方法 | |
| CN110751094A (zh) | 一种基于gee综合遥感影像和深度学习方法的作物估产技术 | |
| EP3897100A1 (en) | Apparatus and method for crop yield prediction | |
| CN111898922B (zh) | 一种多尺度农作物产量评估方法及系统 | |
| Ovando et al. | Evaluating accuracy of DSSAT model for soybean yield estimation using satellite weather data | |
| CN106951979A (zh) | 遥感、作物模型与气象预报融合的作物成熟期预测方法 | |
| CN112052988B (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 | |
| CN113592132B (zh) | 一种基于数值天气预报和人工智能的降水客观预报方法 | |
| CN115952421A (zh) | 耦合生态过程模型与机器学习算法的高精度时空模拟方法 | |
| CN107038501B (zh) | 一种基于r语言的小麦生育期特征参数估算方法 | |
| CN116485757A (zh) | 一种冬小麦全氮含量预测方法 | |
| CN111915096B (zh) | 基于作物模型、遥感数据和气候预测信息的作物产量早期预报技术 | |
| Li et al. | Predicting maize yield in Northeast China by a hybrid approach combining biophysical modelling and machine learning | |
| CN116522145B (zh) | 一种顾及时空约束和植被状况的旱情预测方法 | |
| Zhang et al. | Enhanced Feature Extraction From Assimilated VTCI and LAI With a Particle Filter for Wheat Yield Estimation Using Cross-Wavelet Transform | |
| CN116595333B (zh) | 土壤-气候智慧型的水稻目标产量与氮肥用量确定方法 | |
| CN117520783A (zh) | 作物产量的预测方法 | |
| CN115936238B (zh) | 一种全域风电中长期出力预测方法、系统、设备及介质 | |
| CN109615150B (zh) | 一种确定水稻气象产量的方法和系统 | |
| Sepulcre-Cantó et al. | Estimating crop-specific evapotranspiration using remote-sensing imagery at various spatial resolutions for improving crop growth modelling | |
| CN115860285A (zh) | 一种烟草最适移栽期的预测方法及装置 | |
| Xu et al. | [Retracted] Digital Technology Empowers Grain Supply Chain Optimization Simulation | |
| CN109858678A (zh) | 一种确定向日葵气象产量的方法和系统 | |
| Kiyoshi et al. | FieldTouch: an innovative agriculture decision support service based on multi-scale sensor platform | |
| Li et al. | Crop model data assimilation with particle filter for yield prediction using leaf area index of different temporal scales |
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 |