CN111062526A - 一种冬小麦单产预测方法及系统 - Google Patents
一种冬小麦单产预测方法及系统 Download PDFInfo
- Publication number
- CN111062526A CN111062526A CN201911252353.XA CN201911252353A CN111062526A CN 111062526 A CN111062526 A CN 111062526A CN 201911252353 A CN201911252353 A CN 201911252353A CN 111062526 A CN111062526 A CN 111062526A
- Authority
- CN
- China
- Prior art keywords
- area
- detected
- measured
- yield
- year
- 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
- 241000209140 Triticum Species 0.000 title claims abstract description 70
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 238000012417 linear regression Methods 0.000 claims abstract description 12
- 208000005156 Dehydration Diseases 0.000 claims description 109
- 238000002310 reflectometry Methods 0.000 claims description 69
- 230000005068 transpiration Effects 0.000 claims description 62
- 238000004364 calculation method Methods 0.000 claims description 59
- 230000001186 cumulative effect Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 abstract description 4
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000010219 correlation analysis Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000012360 testing method Methods 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种冬小麦单产预测方法及系统,计算待测区域累计平均增强型植被指数、待测区域累计平均增强型植被指数和待测地区技术产量,利用最小二乘法的多元线性回归方法建立市级估产模型和省级估产模型,并利用该两个模型对冬小麦的单产进行了监测和预测。本发明建立的估产模型,对市级和省级作物单产的估算都有很高的适用性,估算结果准确,且可以实现动态的产量预报,有利于及时了解冬小麦的生长状况和变化。
Description
技术领域
本发明涉及农业工程技术领域,特别是涉及一种冬小麦单产预测方法及系统。
背景技术
遥感农业监测有着大范围观测、高时间分辨率、数据客观可靠的优点,相较工作量大、成本高、效率低的传统估产方式节省时间和成本,为农作物估产提供了科学有效的手段。
利用遥感进行作物产量估算的方法主要包括三种:遥感统计估产模型,干物质-产量模型和作物模型模拟。
遥感统计估产模型通过建立遥感变量和产量之间的关系表达式来进行产量估算。
干物质-产量模型首先基于遥感数据估算作物的地上生物量,然后通过收获指数转换成作物的经济产量。
遥感作物模型模拟的估产方法将遥感数据作为模型校正的数据源之一,对作物模型进行参数本地化后,在气象、土壤、作物种植信息等数据的驱动下进行作物生长模拟和产量的估算。
三种方法中第一种方法最简单,对数据的要求最低,后两种方法机理性更强,但是要求大量输入数据,操作更复杂。相比之下遥感统计估产模型更适合业务化推广。
在遥感统计估产模型中,使用最多的输入变量为植被指数,植被指数可以反映植被的生产力和健康状况,研究表明植被指数与作物产量之间高度相关。以往研究中用到的植被指数包括归一化植被指数(NDVI)、增强型植被指数(EVI)、叶面积指数(LAI),垂直植被指数(PVI)、植被条件指数(VCI)、光合有效辐射(APAR)等。尽管利用植被进行遥感估产模型的构建取得了很大的成功,但也存在一些问题,比如NDVI在植被高覆盖区容易饱和,对灾害(如干旱、病虫害)的响应存在滞后,产量预估准确性难以保证,不能很好的反映农业管理和科技进步带来的产量上升的趋势。
发明内容
本发明的目的是提供一种冬小麦单产预测方法及系统,可以准确和实时的预报冬小麦单产。
为实现上述目的,本发明提供了如下方案:
一种冬小麦单产预测方法,所述方法包括:
获取待测地区耕地掩膜数据、待测地区行政边界矢量数据、待测地区实际蒸腾、待测地区潜在蒸腾、待测地区表面反射率、待测地区历史产量数据、待测区域待测年份的完整生长季的遥感数据、待测区域待测年份截至到预报时间点时获取的现势遥感数据和待测区域待测年份预报时间点到生长季结束时间点之间的历史遥感数据;所述待测地区表面反射率包括:红色波段反射率、近红外波段反射率和蓝波波段反射率;
根据所述待测地区耕地掩膜数据、所述待测地区行政边界矢量数据、所述待测地区实际蒸腾和所述待测地区潜在蒸腾计算待测区域生育期内的累计平均水分胁迫指数;
根据所述待测地区耕地掩膜数据、所述待测地区行政边界矢量数据和所述待测地区表面反射率计算所述待测区域生育期内的累计平均增强型植被指数;
根据所述待测地区历史产量数据,利用时间序列趋势分析的方法计算待测地区技术产量;
根据所述待测区域生育期内的累计平均水分胁迫指数、所述待测区域生育期内的累计平均增强型植被指数和所述待测地区技术产量,利用最小二乘法的多元线性回归方法建立估产模型;
利用所述待测区域待测年份的完整生长季的遥感数据得到待测区域待测年份生育期内的累计平均水分胁迫指数、待测区域待测年份生育期内的累计平均增强型植被指数和待测区域待测年份的技术产量的估计值;
以所述待测区域待测年份生育期内的累计平均水分胁迫指数、所述待测区域待测年份生育期内的累计平均增强型植被指数和所述待测区域待测年份的技术产量的估计值为所述估产模型的输入,得到待测区域待测年份冬小麦的单产监测值;
利用所述待测区域待测年份截至到预报时间点时获取的现势遥感数据和待测区域待测年份预报时间点到生长季结束时间点之间的历史遥感数据计算待测区域待测年份生育期内的累计平均水分胁迫指数估计值、待测区域待测年份生育期内的累计平均增强型植被指数估计值;
以所述待测区域待测年份生育期内的累计平均水分胁迫指数估计值、所述待测区域待测年份生育期内的累计平均增强型植被指数估计值和所述待测区域待测年份的技术产量为所述估产模型的输入,得到待测区域待测年份冬小麦实时的单产估算。
可选的,所述根据所述待测地区耕地掩膜数据、所述待测地区行政边界矢量数据、所述待测地区实际蒸腾和所述待测地区潜在蒸腾计算待测区域生育期内的累计平均水分胁迫指数,具体包括:
获取所述待测地区耕地掩膜数据、所述待测地区行政边界矢量数据、所述待测地区实际蒸腾和所述待测地区潜在蒸腾;
利用所述待测地区耕地掩膜数据对所述作物水分胁迫指数进行掩膜处理,得到待测地区的水分胁迫指数;
以所述待测地区行政边界矢量数据为基础,提取所述待测地区所有耕地像元的水分胁迫指数平均值,将求得的平均值作为所述待测地区平均水分胁迫指数;
对所述待测地区生育期内各期平均水分胁迫指数求和得到所述待测地区生育期内的累计平均水分胁迫指数。
可选的,所述根据所述待测地区耕地掩膜数据、所述待测地区行政边界矢量数据和所述待测地区表面反射率计算所述待测区域生育期内的累计平均增强型植被指数,具体包括:
获取所述待测地区耕地掩膜数据、所述待测地区行政边界矢量数据和所述待测地区表面反射率;
利用所述待测地区耕地掩膜数据对所述增强型植被指数进行掩膜处理,得到待测地区的增强型植被指数;
以所述待测地区行政边界矢量数据为基础,提取所述待测地区所有耕地像元的增强型植被指数平均值,将求得的平均值作为所述待测地区的平均增强型植被指数;
对所述待测地区生育期内各期的平均增强型植被指数求和得到所述待测地区生育期内的累计平均增强型植被指数。
可选的,所述根据所述待测地区历史产量数据,利用时间序列趋势分析的方法计算待测地区技术产量,具体包括:
将所述待测地区历史产量数据按照设定滑动步长时间进行拟合,得到各时间点对应的拟合直线;
对各时间点对应的模拟直线对应的拟合值求取平均值,得到所述各时间点上待测地区的技术产量。
一种冬小麦单产预测系统,所述系统包括:
数据获取单元,用于获取待测地区耕地掩膜数据、待测地区行政边界矢量数据、待测地区实际蒸腾、待测地区潜在蒸腾、待测地区表面反射率、待测地区历史产量数据、待测区域待测年份的完整生长季的遥感数据、待测区域待测年份截至到预报时间点时获取的现势遥感数据和待测区域待测年份预报时间点到生长季结束时间点之间的历史遥感数据;所述待测地区表面反射率包括:红色波段反射率、近红外波段反射率和蓝波波段反射率;
待测区域生育期内的累计平均水分胁迫指数计算单元,用于根据所述待测地区耕地掩膜数据、所述待测地区行政边界矢量数据、所述待测地区实际蒸腾和所述待测地区潜在蒸腾计算待测区域生育期内的累计平均水分胁迫指数;
待测区域生育期内的累计平均增强型植被指数计算单元,用于根据所述待测地区耕地掩膜数据、所述待测地区行政边界矢量数据和所述待测地区表面反射率计算所述待测区域生育期内的累计平均增强型植被指数;
待测地区技术产量计算单元,用于根据所述待测地区历史产量数据,利用时间序列趋势分析的方法计算待测地区技术产量;
估产模型建立单元,用于根据所述待测区域生育期内的累计平均水分胁迫指数、所述待测区域生育期内的累计平均增强型植被指数和所述待测地区技术产量,利用最小二乘法的多元线性回归方法建立估产模型;
第一计算单元,用于利用所述待测区域待测年份的完整生长季的遥感数据得到待测区域待测年份生育期内的累计平均水分胁迫指数、待测区域待测年份生育期内的累计平均增强型植被指数和待测区域待测年份的技术产量的估计值;
待测区域待测年份冬小麦的单产监测值计算单元,用于以所述待测区域待测年份生育期内的累计平均水分胁迫指数、所述待测区域待测年份生育期内的累计平均增强型植被指数和所述待测区域待测年份的技术产量的估计值为所述估产模型的输入,得到待测区域待测年份冬小麦的单产监测值;
第二计算单元,用于利用所述待测区域待测年份截至到预报时间点时获取的现势遥感数据和待测区域待测年份预报时间点到生长季结束时间点之间的历史遥感数据计算待测区域待测年份生育期内的累计平均水分胁迫指数估计值、待测区域待测年份生育期内的累计平均增强型植被指数估计值;
待测区域待测年份冬小麦实时的单产估算单元,用于以所述待测区域待测年份生育期内的累计平均水分胁迫指数估计值、所述待测区域待测年份生育期内的累计平均增强型植被指数估计值和所述待测区域待测年份的技术产量为所述估产模型的输入,得到待测区域待测年份冬小麦实时的单产估算。
可选的,所述待测区域生育期的累计平均水分胁迫指数计算单元,具体包括:
第一数据获取模块,用于获取所述待测地区耕地掩膜数据、所述待测地区行政边界矢量数据、所述待测地区实际蒸腾和所述待测地区潜在蒸腾;
第一掩膜处理模块,用于利用所述待测地区耕地掩膜数据对所述作物水分胁迫指数进行掩膜处理,得到待测地区的水分胁迫指数;
待测地区平均水分胁迫指数计算模块,用于以所述待测地区行政边界矢量数据为基础,提取所述待测地区所有耕地像元的水分胁迫指数平均值,将求得的平均值作为所述待测地区平均水分胁迫指数;
待测地区生育期内的累计平均水分胁迫指数计算模块,用于对所述待测地区生育期内各期平均水分胁迫指数求和得到所述待测地区生育期内的累计平均水分胁迫指数。
可选的,所述待测区域生育期的累计平均增强型植被指数计算单元,具体包括:
第二数据获取模块,用于获取所述待测地区耕地掩膜数据、所述待测地区行政边界矢量数据和所述待测地区表面反射率;
增强型植被指数计算模块,用于利用公式计算增强型植被指数;其中EVI为增强型植被指数,G为增强型植被指数,C1为第一系数,C2为第二系数,ρRED为红色波段反射率,ρNIR为近红外波段反射率,ρBLUE为蓝波波段反射率;
第二掩膜处理模块,用于利用所述待测地区耕地掩膜数据对所述增强型植被指数进行掩膜处理,得到待测地区的增强型植被指数;
待测地区的平均增强型植被指数计算模块,用于以所述待测地区行政边界矢量数据为基础,提取所述待测地区所有耕地像元的增强型植被指数平均值,将求得的平均值作为所述待测地区的平均增强型植被指数;
待测地区生育期内的累计平均增强型植被指数计算模块,用于对所述待测地区生育期内各期的平均增强型植被指数求和得到所述待测地区生育期内的累计平均增强型植被指数。
可选的,所述待测地区技术产量计算单元,具体包括:
拟合模块,用于将所述待测地区历史产量数据按照设定滑动步长时间进行拟合,得到各时间点对应的拟合直线;
各时间点上待测地区的技术产量计算模块,用于对各时间点对应的模拟直线对应的拟合值求取平均值,得到所述各时间点上待测地区的技术产量。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明计算待测区域累计平均增强型植被指数、待测区域累计平均增强型植被指数和待测地区技术产量,利用最小二乘法的多元线性回归方法建立市级估产模型和省级估产模型,并利用该两个模型对冬小麦的单产进行了监测和预测。本发明建立的估产模型,对市级和省级作物单产的估算都有很高的适用性,估算结果准确,且可以实现动态的产量预报,有利于及时了解冬小麦的生长状况和变化。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的冬小麦单产预测方法的流程示意图;
图2为本发明提供的冬小麦单产预测系统的结构示意图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅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。
本发明的目的是提供一种冬小麦单产预测方法及系统,可以准确地预估冬小麦的产量。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明的一种冬小麦单产预测方法包括:
步骤101:获取待测地区耕地掩膜数据、待测地区行政边界矢量数据、待测地区实际蒸腾、待测地区潜在蒸腾、待测地区表面反射率、待测地区历史产量数据、待测区域待测年份的完整生长季的遥感数据、待测区域待测年份截至到预报时间点时获取的现势遥感数据和待测区域待测年份预报时间点到生长季结束时间点之间的历史遥感数据;所述待测地区表面反射率包括:红色波段反射率、近红外波段反射率和蓝波波段反射率。
步骤102:根据所述待测地区耕地掩膜数据、所述待测地区行政边界矢量数据、所述待测地区实际蒸腾和所述待测地区潜在蒸腾计算待测区域生育期内的累计平均水分胁迫指数。
步骤103:根据所述待测地区耕地掩膜数据、所述待测地区行政边界矢量数据和所述待测地区表面反射率计算所述待测区域生育期内的累计平均增强型植被指数。
步骤104:根据所述待测地区历史产量数据,利用时间序列趋势分析的方法计算待测地区技术产量。
步骤105:根据所述待测区域生育期内的累计平均水分胁迫指数、所述待测区域生育期内的累计平均增强型植被指数和所述待测地区技术产量,利用最小二乘法的多元线性回归方法建立估产模型。
步骤106:利用所述待测区域待测年份的完整生长季的遥感数据得到待测区域待测年份生育期内的累计平均水分胁迫指数、待测区域待测年份生育期内的累计平均增强型植被指数和待测区域待测年份的技术产量的估计值。
步骤107:以所述待测区域待测年份生育期内的累计平均水分胁迫指数、所述待测区域待测年份生育期内的累计平均增强型植被指数和所述待测区域待测年份的技术产量的估计值为所述估产模型的输入,得到待测区域待测年份冬小麦的单产监测值。
步骤108:利用所述待测区域待测年份截至到预报时间点时获取的现势遥感数据和待测区域待测年份预报时间点到生长季结束时间点之间的历史遥感数据计算待测区域待测年份生育期内的累计平均水分胁迫指数估计值、待测区域待测年份生育期内的累计平均增强型植被指数估计值。
步骤109:以所述待测区域待测年份生育期内的累计平均水分胁迫指数估计值、所述待测区域待测年份生育期内的累计平均增强型植被指数估计值和所述待测区域待测年份的技术产量为所述估产模型的输入,得到待测区域待测年份冬小麦实时的单产估算。
计算待测区域各县区累计平均水分胁迫指数,具体包括:
获取所述待测地区耕地掩膜数据、所述待测地区行政边界矢量数据、所述待测地区实际蒸腾和所述待测地区潜在蒸腾。
利用所述待测地区耕地掩膜数据对所述作物水分胁迫指数进行掩膜处理,得到待测地区的水分胁迫指数。
以所述待测地区行政边界矢量数据为基础,提取所述待测地区所有耕地像元的水分胁迫指数平均值,将求得的平均值作为所述待测地区平均水分胁迫指数。
对所述待测地区生育期内各期平均水分胁迫指数求和得到所述待测地区生育期内的累计平均水分胁迫指数。
计算所述待测区域各县区累计平均增强型植被指数,具体包括:
获取所述待测地区耕地掩膜数据、所述待测地区行政边界矢量数据和所述待测地区表面反射率。
利用所述待测地区耕地掩膜数据对所述增强型植被指数进行掩膜处理,得到待测地区的增强型植被指数。
以所述待测地区行政边界矢量数据为基础,提取所述待测地区所有耕地像元的增强型植被指数平均值,将求得的平均值作为所述待测地区的平均增强型植被指数。
对所述待测地区生育期内各期的平均增强型植被指数求和得到所述待测地区生育期内的累计平均增强型植被指数。
计算待测地区技术产量,具体包括:
将所述待测地区历史产量数据按照设定滑动步长时间进行拟合,得到各时间点对应的拟合直线。
对各时间点对应的模拟直线对应的拟合值求取平均值,得到所述各时间点上待测地区的技术产量。
本发明以山东省为研究区域,进一步详细描述冬小麦单产预测方法。
本发明使用的遥感数据为500米分辨率地表反射率(Surface Reflectance)8天合成产品MOD09A1和500米分辨率全球陆地蒸发蒸腾(GlobalTerrestrialEvapotranspiration)8天合成产品MOD16A2,均下载自LAADS DAAC(https://ladsweb.modaps.eosdis.nasa.gov/),取水平第27景,垂直第5景数据,经度范围在102.2°-128.8°E之间,纬度范围在29.3°-40.0°N之间,得到包括中国河南、山东等省份在内的影像。
数据时间为2007-2017年,时间间隔为8天/景,共计308幅影像。
MOD09A1产品提供了MODIS传感器500米分辨率1至7波段表面反射率8天合成的数据产品,投影为正弦曲线投影,数据集中的每个像素包含了8天内尽可能准确的观测值。
由于MODIS数据产品中未包含500米分辨率的8天合成增强型植被指数数据,为了统一遥感数据的时间与空间分辨率,本发明基于MOD09A1数据来计算得到研究中所使用的500米分辨率的8天合成增强型植被指数(EVI)数据。
MOD16A2产品数据集中包含了实际蒸腾和潜在蒸腾数据,ET和PET数据表示500米分辨率8天内单位面积通过蒸腾散失水分(0.1kg/m2/8day)的总和。其中ET表示不同植被覆盖度条件下植被区域和非植被区域的加权平均蒸腾量;PET表示在假设水分供应不受限制的情况下,某一固定下垫面可能达到的最大蒸腾量。该数据集广泛应用于研究区域干湿状况分析与评价。
作物水分胁迫指数由500米分辨率全球陆地蒸发蒸腾8天合成产品MOD16A2计算得到。MOD16A2产品数据集中包含了实际蒸腾(ET)和潜在蒸腾(PET)。利用ET和PET数据,根据公式计算作物水分胁迫指数;该指数可以反应植被不同生长状况下蒸腾量的变化和生长环境的干旱程度。
进而计算县级累计平均水分胁迫指数,具体计算过程如下:
首先,利用耕地掩膜数据对作物水分胁迫指数数据进行掩膜处理,得到山东省耕地范围内的CWSI数据。
之后,利用山东省县级行政边界矢量数据,分别提取每个县区对应的共计11年、每年14期的所有耕地像元的CWSI平均值,将求得的平均值作为该县区该年该期的胁迫指数。
最后,统计县级累计胁迫指数,对缺失三期及三期以下的数据(缺失期数不超过总期数的20%)使用该县区其他年份的多年平均值作为替代,构成完整的生育期胁迫指数数据;对于缺失三期及三期以上的数据(缺失期数超过总期数的20%),则判定该地区该年的数据缺失过多,舍弃该年的数据,不参与后续的估产建模。最后求得共135个县区、每个县区共11年(除数据缺失年份)的累计胁迫指数,进行数据汇总参与后续的估产模型的构建。
本发明利用500米分辨率表面反射率8天合成的数据产品(MOD09A1),用公式进行了EVI的计算,然后使用TIMESAT软件对EVI时间序列进行平滑,去除图像噪声,进而计算了县级平均EVI。其计算过程同县级累计平均水分胁迫指数的计算过程。
其中,ρRED为红色波段反射率,ρNIR为近红外波段反射率,ρBLUE为蓝波波段反射率,本发明中对应使用的是MOD09A1中的红(BAND 1)、近红外(BAND2)、蓝(BAND 3)波段。参数L取值1,为土壤调节参数。第一参数C1取值6,第二参数C2取值7.5,表示通过蓝光波段来修正对于红光波段的影响,以减少背景和大气的作用。参数增强型植被指数,取值为2.5。
技术产量代表研究区域长期的社会生产力发展水平的产量分量。
本发明使用时间序列趋势分析的算法求取技术产量。
该方法将整个时间序列内的历史产量,在某个滑动步长时间内进行线性拟合,形成一条线性函数的直线。随着滑动直线不断向后移动,会不断生成新的拟合直线。在直线滑动完成后,各时间点上均对应有大于或等于1个直线的模拟值,再对各时间点上的模拟值求平均值,即得到技术产量。这种模拟方法既不损失样本序列的年数,也避免了主观假定长时间序列产量变化的曲线类型,是一种较为实用的趋势模拟方法。
本发明以2017年之前的生育期的累计平均水分胁迫指数、生育期的累计平均增强型植被指数和技术产量为输入,利用最小二乘法的多元线性回归方法分别建立市级估产模型和省级估产模型。
省级尺度上的估产可以反映山东省整体的农作物生产力,对于大范围监测冬小麦长势与实时估算小麦产量有一定的理论意义。
市级估产可以反映出不同市域范围内由于农作物生产技术、气候和土壤条件所导致的产量差异,对于各市政府针对性地进行科学生产管理与农业政策制定有积极的作用。
对于山东省市级冬小麦单产估产模型,去除了样本点低于50个的城市(威海市、日照市、莱芜市)以及遥感数据有严重缺失的城市(滨州市),最终保留了共13个城市的样本数据,完成山东省市级小麦单产估产建模,得到13个市级线性回归方程。
对于山东省省级冬小麦单产估产模型,首先对全省所有县区的数据样本进行筛选,去除数据缺失和存在异常值的样本点,最终保留736个样本,完成山东省省级小麦单产估产建模,得到1个省级线性回归方程。
以2017年山东小麦产量数据为验证样本,采用“监测”和“预报”两种模式进行估产模型的应用与验证。
监测模式面向生长季结束后的最终产量估算,需要在小麦生长季结束后获得全生长季完整的遥感数据后才能进行;而预报模式是在小麦生长季节开始后进行实时的产量预测。
对于监测模式的应用的具体做法是,以2017年的生长季内(第65天到第169天)市级累计平均EVI、市级累计平均CWSI和估算的2017年的各市的技术产量数据为输入,分别代入对应的市级估产模型中进行各市的冬小麦单产估算,将省级累计平均EVI、累计平均CWSI和技术产量带入省级估产模型进行全省的冬小麦的单产估算。
预报模式需要在小麦生长季节的开始就进行预测。然而在生长季初期,模型所需的整个生长季的累计平均EVI和CWSI是未知的。为此,对于未知时间段的EVI和CWSI采用多年平均值进行代替。例如,生长季一开始(第65天)就进行产量监测时,第65天的EVI和CWSI用2017年的实测数据,而后的第73到第165天用历史平均值替代,最终得到完整的生长季的累计平均EVI和CWSI。随着季节的推进,当前生长季越来越多的观测值会被纳入模型中,预报模型的结果会越来越接近监测模式的结果。本发明在生长季中选取三个时间点进行预报模式下的模型应用,分别是返青期结束(第89天)、拔节期结束(第121天)和乳熟期结束(第145天)时。
其中,Ye是山东省2017年冬小麦模型估计产量,Ya是山东省2017年冬小麦统计数据的真实产量。
通过上述预测结果,可以分析得出:
对2007-2017年县级小麦产量数据分别与其对应县区生育期内的技术产量、累计平均EVI、累计平均CWSI分别进行相关性分析,结果如表1所示。
各市小麦产量和技术产量因子之间的相关性最高,相关系数均在0.97以上,显著性概率均高于0.01水平;其次与产量相关度较高的是平均累积EVI,相关系数均在0.5-0.9之间,也在0.01水平显著;平均累积CWSI与产量的相关系数在0.4-0.7之间,大部分通过0.01水平的显著性检验。
对全省小麦产量数据与全省范围内的生育期内的各指数也进行相关性分析。其中与产量相关性最高的同样是技术产量,高达0.99,在0.01水平显著;平均累积EVI与产量的相关性达到了0.78,在0.01水平显著;平均累积CWSI与产量的相关性相对较低,为0.38,在0.05水平显著。
由相关性分析结果可以看出,技术产量、累计平均EVI、累计平均CWSI与实际产量都有良好的相关性,均可作为对冬小麦单产估计进行建模的因子。
表1小麦产量和技术产量、累计EVI、累计CWSI的相关关系
以各县Yt的技术产量、平均累积EVI和累计平均CWSI为自变量,以相应县的实际历史产量为因变量,基于最小二乘多元线性回归法建立了2007-2016年的山东省13个市和1个全省的产量估算模型,如表2所示。估产模型的R2均高于0.96并且在0.01水平显著。其中,泰安市小麦单产估算模型R2最高(0.99),济南小麦单产估算模型R2最低(0.96),全省小麦产量估算模型R2为0.98。
表2冬小麦估产模型
对山东省各个城市和全省的产量估算模型分别在监测模式和预测模式下进行应用,单产估算结果如表3所示,精度验证结果如表4所示。
监测模式下的精度验证结果表明所构建的模型在市级和省级作物的单产估测中都很可靠。全省范围内的估产精度为96.91%。各市的估测精度均在89%以上,其中模型精度最高的为菏泽市,高达99.31%,估产精度最低的为济宁市,为89.64%。
预报模式下的精度验证结果显示在大多数地区,随着生育期内时间的推进,现势遥感数据不断加入模型,预报模式下估产模型的精度逐步提高,越来越逼近监测模式下模型的估产结果。全省三个时间点的预报精度分别达到了96.44%、97.13%、96.91%。各市中,青岛市预报精度最高,三个时间点的预报精度均达到了99%以上。
表3 2017年山东省小麦产量监测和预报结果
表4模型精度验证结果
本发明在一种冬小麦单产预测方法的基础上,还公开了一种冬小麦单产预测系统,该系统包括:数据获取单元201、待测区域生育期内的累计平均水分胁迫指数计算单元202、待测区域生育期内的累计平均增强型植被指数计算单元203、待测地区技术产量计算单元204、估产模型建立单元205、第一计算单元206、待测区域待测年份冬小麦的单产监测值计算单元207、第二计算单元208和待测区域待测年份冬小麦实时的单产估算单元209。
数据获取单元201用于获取待测地区耕地掩膜数据、待测地区行政边界矢量数据、待测地区实际蒸腾、待测地区潜在蒸腾、待测地区表面反射率、待测地区历史产量数据、待测区域待测年份的完整生长季的遥感数据、待测区域待测年份截至到预报时间点时获取的现势遥感数据和待测区域待测年份预报时间点到生长季结束时间点之间的历史遥感数据;所述待测地区表面反射率包括:红色波段反射率、近红外波段反射率和蓝波波段反射率。
待测区域生育期内的累计平均水分胁迫指数计算单元202用于根据所述待测地区耕地掩膜数据、所述待测地区行政边界矢量数据、所述待测地区实际蒸腾和所述待测地区潜在蒸腾计算待测区域生育期内的累计平均水分胁迫指数。
待测区域生育期内的累计平均增强型植被指数计算单元203用于根据所述待测地区耕地掩膜数据、所述待测地区行政边界矢量数据和所述待测地区表面反射率计算所述待测区域生育期内的累计平均增强型植被指数。
待测地区技术产量计算单元204用于根据所述待测地区历史产量数据,利用时间序列趋势分析的方法计算待测地区技术产量。
估产模型建立单元205用于根据所述待测区域生育期内的累计平均水分胁迫指数、所述待测区域生育期内的累计平均增强型植被指数和所述待测地区技术产量,利用最小二乘法的多元线性回归方法建立估产模型。
第一计算单元206用于利用所述待测区域待测年份的完整生长季的遥感数据得到待测区域待测年份生育期内的累计平均水分胁迫指数、待测区域待测年份生育期内的累计平均增强型植被指数和待测区域待测年份的技术产量的估计值。
待测区域待测年份冬小麦的单产监测值计算单元207用于以所述待测区域待测年份生育期内的累计平均水分胁迫指数、所述待测区域待测年份生育期内的累计平均增强型植被指数和所述待测区域待测年份的技术产量的估计值为所述估产模型的输入,得到待测区域待测年份冬小麦的单产监测值。
第二计算单元208用于利用所述待测区域待测年份截至到预报时间点时获取的现势遥感数据和待测区域待测年份预报时间点到生长季结束时间点之间的历史遥感数据计算待测区域待测年份生育期内的累计平均水分胁迫指数估计值、待测区域待测年份生育期内的累计平均增强型植被指数估计值。
待测区域待测年份冬小麦实时的单产估算单元209用于以所述待测区域待测年份生育期内的累计平均水分胁迫指数估计值、所述待测区域待测年份生育期内的累计平均增强型植被指数估计值和所述待测区域待测年份的技术产量为所述估产模型的输入,得到待测区域待测年份冬小麦实时的单产估算。
待测区域生育期内的累计平均水分胁迫指数计算单元202,具体包括:第一数据获取模块、作物水分胁迫指数计算模块、第一掩膜处理模块、待测地区平均水分胁迫指数计算模块和待测地区生育期内的累计平均水分胁迫指数计算模块。
第一数据获取模块,用于获取所述待测地区耕地掩膜数据、所述待测地区行政边界矢量数据、所述待测地区实际蒸腾和所述待测地区潜在蒸腾;
第一掩膜处理模块,用于利用所述待测地区耕地掩膜数据对所述作物水分胁迫指数进行掩膜处理,得到待测地区的水分胁迫指数;
待测地区平均水分胁迫指数计算模块,用于以所述待测地区行政边界矢量数据为基础,提取所述待测地区所有耕地像元的水分胁迫指数平均值,将求得的平均值作为所述待测地区平均水分胁迫指数;
待测地区生育期内的累计平均水分胁迫指数计算模块,用于对所述待测地区生育期内各期平均水分胁迫指数求和得到所述待测地区生育期内的累计平均水分胁迫指数。
待测区域生育期内的累计平均增强型植被指数计算单元203具体包括:第二数据获取模块、增强型植被指数计算模块、第二掩膜处理模块待测地区的平均增强型植被指数计算模块和待测地区生育期内的累计平均增强型植被指数计算模块。
第二数据获取模块,用于获取所述待测地区耕地掩膜数据、所述待测地区行政边界矢量数据和所述待测地区表面反射率;
增强型植被指数计算模块,用于利用公式计算增强型植被指数;其中EVI为增强型植被指数,G为增强型植被指数,C1为第一系数,C2为第二系数,ρRED为红色波段反射率,ρNIR为近红外波段反射率,ρBLUE为蓝波波段反射率;
第二掩膜处理模块,用于利用所述待测地区耕地掩膜数据对所述增强型植被指数进行掩膜处理,得到待测地区的增强型植被指数;
待测地区的平均增强型植被指数计算模块,用于以所述待测地区行政边界矢量数据为基础,提取所述待测地区所有耕地像元的增强型植被指数平均值,将求得的平均值作为所述待测地区的平均增强型植被指数;
待测地区生育期内的累计平均增强型植被指数计算模块,用于对所述待测地区生育期内各期的平均增强型植被指数求和得到所述待测地区生育期内的累计平均增强型植被指数。
待测地区技术产量计算单元204,具体包括:拟合模块和待测地区技术产量计算模块。
拟合模块用于将所述待测地区历史产量数据按照设定滑动步长时间进行拟合,得到各时间点对应的模拟直线。
待测地区技术产量计算模块用于对各时间点对应的模拟直线对应的模拟值求取平均值,得到所述待测地区技术产量。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本发明中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种冬小麦单产预测方法,其特征在于,所述方法包括:
获取待测地区耕地掩膜数据、待测地区行政边界矢量数据、待测地区实际蒸腾、待测地区潜在蒸腾、待测地区表面反射率、待测地区历史产量数据、待测区域待测年份的完整生长季的遥感数据、待测区域待测年份截至到预报时间点时获取的现势遥感数据和待测区域待测年份预报时间点到生长季结束时间点之间的历史遥感数据;所述待测地区表面反射率包括:红色波段反射率、近红外波段反射率和蓝波波段反射率;
根据所述待测地区耕地掩膜数据、所述待测地区行政边界矢量数据、所述待测地区实际蒸腾和所述待测地区潜在蒸腾计算待测区域生育期内的累计平均水分胁迫指数;
根据所述待测地区耕地掩膜数据、所述待测地区行政边界矢量数据和所述待测地区表面反射率计算所述待测区域生育期内的累计平均增强型植被指数;
根据所述待测地区历史产量数据,利用时间序列趋势分析的方法计算待测地区技术产量;
根据所述待测区域生育期内的累计平均水分胁迫指数、所述待测区域生育期内的累计平均增强型植被指数和所述待测地区技术产量,利用最小二乘法的多元线性回归方法建立估产模型;
利用所述待测区域待测年份的完整生长季的遥感数据得到待测区域待测年份生育期内的累计平均水分胁迫指数、待测区域待测年份生育期内的累计平均增强型植被指数和待测区域待测年份的技术产量的估计值;
以所述待测区域待测年份生育期内的累计平均水分胁迫指数、所述待测区域待测年份生育期内的累计平均增强型植被指数和所述待测区域待测年份的技术产量的估计值为所述估产模型的输入,得到待测区域待测年份冬小麦的单产监测值;
利用所述待测区域待测年份截至到预报时间点时获取的现势遥感数据和待测区域待测年份预报时间点到生长季结束时间点之间的历史遥感数据计算待测区域待测年份生育期内的累计平均水分胁迫指数估计值、待测区域待测年份生育期内的累计平均增强型植被指数估计值;
以所述待测区域待测年份生育期内的累计平均水分胁迫指数估计值、所述待测区域待测年份生育期内的累计平均增强型植被指数估计值和所述待测区域待测年份的技术产量为所述估产模型的输入,得到待测区域待测年份冬小麦实时的单产估算。
2.根据权利要求1所述的冬小麦单产预测方法,其特征在于,所述根据所述待测地区耕地掩膜数据、所述待测地区行政边界矢量数据、所述待测地区实际蒸腾和所述待测地区潜在蒸腾计算待测区域生育期内的累计平均水分胁迫指数,具体包括:
获取所述待测地区耕地掩膜数据、所述待测地区行政边界矢量数据、所述待测地区实际蒸腾和所述待测地区潜在蒸腾;
利用所述待测地区耕地掩膜数据对所述作物水分胁迫指数进行掩膜处理,得到待测地区的水分胁迫指数;
以所述待测地区行政边界矢量数据为基础,提取所述待测地区所有耕地像元的水分胁迫指数平均值,将求得的平均值作为所述待测地区平均水分胁迫指数;
对所述待测生育期内地区各期平均水分胁迫指数求和得到所述待测地区生育期内的累计平均水分胁迫指数。
3.根据权利要求1所述的冬小麦单产预测方法,其特征在于,所述根据所述待测地区耕地掩膜数据、所述待测地区行政边界矢量数据和所述待测地区表面反射率计算所述待测区域生育期内的累计平均增强型植被指数,具体包括:
获取所述待测地区耕地掩膜数据、所述待测地区行政边界矢量数据和所述待测地区表面反射率;
利用所述待测地区耕地掩膜数据对所述增强型植被指数进行掩膜处理,得到待测地区的增强型植被指数;
以所述待测地区行政边界矢量数据为基础,提取所述待测地区所有耕地像元的增强型植被指数平均值,将求得的平均值作为所述待测地区的平均增强型植被指数;
对所述待测地区生育期内各期的平均增强型植被指数求和得到所述待测地区生育期内的累计平均增强型植被指数。
4.根据权利要求1所述的冬小麦单产预测方法,其特征在于,所述根据所述待测地区历史产量数据,利用时间序列趋势分析的方法计算待测地区技术产量,具体包括:
将所述待测地区历史产量数据按照设定滑动步长时间进行拟合,得到各时间点对应的拟合直线;
对各时间点对应的模拟直线对应的拟合值求取平均值,得到所述各时间点上待测地区的技术产量。
5.一种冬小麦单产预测系统,其特征在于,所述系统包括:
数据获取单元,用于获取待测地区耕地掩膜数据、待测地区行政边界矢量数据、待测地区实际蒸腾、待测地区潜在蒸腾、待测地区表面反射率、待测地区历史产量数据、待测区域待测年份的完整生长季的遥感数据、待测区域待测年份截至到预报时间点时获取的现势遥感数据和待测区域待测年份预报时间点到生长季结束时间点之间的历史遥感数据;所述待测地区表面反射率包括:红色波段反射率、近红外波段反射率和蓝波波段反射率;
待测区域生育期内的累计平均水分胁迫指数计算单元,用于根据所述待测地区耕地掩膜数据、所述待测地区行政边界矢量数据、所述待测地区实际蒸腾和所述待测地区潜在蒸腾计算待测区域生育期内的累计平均水分胁迫指数;
待测区域生育期内的累计平均增强型植被指数计算单元,用于根据所述待测地区耕地掩膜数据、所述待测地区行政边界矢量数据和所述待测地区表面反射率计算所述待测区域生育期内的累计平均增强型植被指数;
待测地区技术产量计算单元,用于根据所述待测地区历史产量数据,利用时间序列趋势分析的方法计算待测地区技术产量;
估产模型建立单元,用于根据所述待测区域生育期内的累计平均水分胁迫指数、所述待测区域生育期内的累计平均增强型植被指数和所述待测地区技术产量,利用最小二乘法的多元线性回归方法建立估产模型;
第一计算单元,用于利用所述待测区域待测年份的完整生长季的遥感数据得到待测区域待测年份生育期内的累计平均水分胁迫指数、待测区域待测年份生育期内的累计平均增强型植被指数和待测区域待测年份的技术产量的估计值;
待测区域待测年份冬小麦的单产监测值计算单元,用于以所述待测区域待测年份生育期内的累计平均水分胁迫指数、所述待测区域待测年份生育期内的累计平均增强型植被指数和所述待测区域待测年份的技术产量的估计值为所述估产模型的输入,得到待测区域待测年份冬小麦的单产监测值;
第二计算单元,用于利用所述待测区域待测年份截至到预报时间点时获取的现势遥感数据和待测区域待测年份预报时间点到生长季结束时间点之间的历史遥感数据计算待测区域待测年份生育期内的累计平均水分胁迫指数估计值、待测区域待测年份生育期内的累计平均增强型植被指数估计值;
待测区域待测年份冬小麦实时的单产估算单元,用于以所述待测区域待测年份生育期内的累计平均水分胁迫指数估计值、所述待测区域待测年份生育期内的累计平均增强型植被指数估计值和所述待测区域待测年份的技术产量为所述估产模型的输入,得到待测区域待测年份冬小麦实时的单产估算。
6.根据权利要求5所述的冬小麦单产预测系统,其特征在于,所述待测区域生育期的累计平均水分胁迫指数计算单元,具体包括:
第一数据获取模块,用于获取所述待测地区耕地掩膜数据、所述待测地区行政边界矢量数据、所述待测地区实际蒸腾和所述待测地区潜在蒸腾;
第一掩膜处理模块,用于利用所述待测地区耕地掩膜数据对所述作物水分胁迫指数进行掩膜处理,得到待测地区的水分胁迫指数;
待测地区平均水分胁迫指数计算模块,用于以所述待测地区行政边界矢量数据为基础,提取所述待测地区所有耕地像元的水分胁迫指数平均值,将求得的平均值作为所述待测地区平均水分胁迫指数;
待测地区生育期内的累计平均水分胁迫指数计算模块,用于对所述待测地区生育期内各期平均水分胁迫指数求和得到所述待测地区生育期内的累计平均水分胁迫指数。
7.根据权利要求5所述的冬小麦单产预测方法,其特征在于,所述待测区域生育期的累计平均增强型植被指数计算单元,具体包括:
第二数据获取模块,用于获取所述待测地区耕地掩膜数据、所述待测地区行政边界矢量数据和所述待测地区表面反射率;
增强型植被指数计算模块,用于利用公式计算增强型植被指数;其中EVI为增强型植被指数,G为增强型植被指数,C1为第一系数,C2为第二系数,ρRED为红色波段反射率,ρNIR为近红外波段反射率,ρBLUE为蓝波波段反射率;
第二掩膜处理模块,用于利用所述待测地区耕地掩膜数据对所述增强型植被指数进行掩膜处理,得到待测地区的增强型植被指数;
待测地区的平均增强型植被指数计算模块,用于以所述待测地区行政边界矢量数据为基础,提取所述待测地区所有耕地像元的增强型植被指数平均值,将求得的平均值作为所述待测地区的平均增强型植被指数;
待测地区生育期内的累计平均增强型植被指数计算模块,用于对所述待测地区生育期内各期的平均增强型植被指数求和得到所述待测地区生育期内的累计平均增强型植被指数。
8.根据权利要求5所述的冬小麦单产预测系统,其特征在于,所述待测地区技术产量计算单元,具体包括:
拟合模块,用于将所述待测地区历史产量数据按照设定滑动步长时间进行拟合,得到各时间点对应的拟合直线;
各时间点上待测地区的技术产量计算模块,用于对各时间点对应的模拟直线对应的拟合值求取平均值,得到所述各时间点上待测地区的技术产量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911252353.XA CN111062526B (zh) | 2019-12-09 | 2019-12-09 | 一种冬小麦单产预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911252353.XA CN111062526B (zh) | 2019-12-09 | 2019-12-09 | 一种冬小麦单产预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111062526A true CN111062526A (zh) | 2020-04-24 |
CN111062526B CN111062526B (zh) | 2022-03-08 |
Family
ID=70300438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911252353.XA Active CN111062526B (zh) | 2019-12-09 | 2019-12-09 | 一种冬小麦单产预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062526B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112667955A (zh) * | 2020-12-24 | 2021-04-16 | 青岛大学 | 基于遥感估算区域尺度玉米潜在产量与产量差的方法与应用 |
CN113361191A (zh) * | 2021-05-24 | 2021-09-07 | 中国科学院空天信息创新研究院 | 基于多情景模拟的像元尺度冬小麦单产遥感估算方法 |
CN116187525A (zh) * | 2022-12-21 | 2023-05-30 | 二十一世纪空间技术应用股份有限公司 | 结合气象的西北地区农作物产量遥感预测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919395A (zh) * | 2019-04-01 | 2019-06-21 | 安徽大学 | 一种基于短周期遥感区域数据的冬小麦产量估测方法 |
CN110309985A (zh) * | 2019-07-10 | 2019-10-08 | 北京师范大学 | 一种农作物产量预测方法及系统 |
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 |
-
2019
- 2019-12-09 CN CN201911252353.XA patent/CN111062526B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919395A (zh) * | 2019-04-01 | 2019-06-21 | 安徽大学 | 一种基于短周期遥感区域数据的冬小麦产量估测方法 |
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 |
CN110309985A (zh) * | 2019-07-10 | 2019-10-08 | 北京师范大学 | 一种农作物产量预测方法及系统 |
Non-Patent Citations (3)
Title |
---|
D. TURGAY ALTILAR 等: "Comparison of Statistical Methods for Predicting Wheat Yield Trends in Turkey", 《2018 7TH INTERNATIONAL CONFERENCE ON AGRO-GEOINFORMATICS (AGRO-GEOINFORMATICS)》 * |
郭锐 等: "山东省冬小麦单产监测与预报方法研究", 《农业机械学报》 * |
陈昌为 等: "一种基于趋势单产和遥感修正模型的混合估产模型", 《中国农业科学》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112667955A (zh) * | 2020-12-24 | 2021-04-16 | 青岛大学 | 基于遥感估算区域尺度玉米潜在产量与产量差的方法与应用 |
CN112667955B (zh) * | 2020-12-24 | 2022-05-24 | 青岛大学 | 基于遥感估算区域尺度玉米潜在产量与产量差的方法与应用 |
CN113361191A (zh) * | 2021-05-24 | 2021-09-07 | 中国科学院空天信息创新研究院 | 基于多情景模拟的像元尺度冬小麦单产遥感估算方法 |
CN113361191B (zh) * | 2021-05-24 | 2023-07-11 | 中国科学院空天信息创新研究院 | 基于多情景模拟的像元尺度冬小麦单产遥感估算方法 |
CN116187525A (zh) * | 2022-12-21 | 2023-05-30 | 二十一世纪空间技术应用股份有限公司 | 结合气象的西北地区农作物产量遥感预测方法及装置 |
CN116187525B (zh) * | 2022-12-21 | 2023-09-01 | 二十一世纪空间技术应用股份有限公司 | 结合气象的西北地区农作物产量遥感预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111062526B (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062526B (zh) | 一种冬小麦单产预测方法及系统 | |
CN109829234B (zh) | 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法 | |
Huang et al. | Jointly assimilating MODIS LAI and ET products into the SWAP model for winter wheat yield estimation | |
Hu et al. | Improvement of sugarcane crop simulation by SWAP-WOFOST model via data assimilation | |
Ma et al. | Estimating regional winter wheat yield by assimilation of time series of HJ-1 CCD NDVI into WOFOST–ACRM model with Ensemble Kalman Filter | |
Yao et al. | Monitoring drought over the conterminous United States using MODIS and NCEP Reanalysis-2 data | |
CN105912836B (zh) | 一种纯遥感数据驱动的流域水循环模拟方法 | |
CN101858971A (zh) | 一种基于modis数据的水稻单产遥感估算方法 | |
Sakamoto et al. | Detecting spatiotemporal changes of corn developmental stages in the US corn belt using MODIS WDRVI data | |
CN107122739B (zh) | 基于Extreme数学模型重构VI时间序列曲线的作物估产模型 | |
CN113361191A (zh) | 基于多情景模拟的像元尺度冬小麦单产遥感估算方法 | |
CN108304973A (zh) | 基于积温、辐射和土壤含水量的区域作物成熟期预测方法 | |
WO2018107245A1 (en) | Detection of environmental conditions | |
CN116403048B (zh) | 一种基于多模态数据融合的农作物生长估计模型构建方法 | |
CN110599360A (zh) | 一种干旱区农作物生长季蒸散发高分辨率遥感估算方法 | |
CN114140695A (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
Sari et al. | Estimation of water consumption of lowland rice in tropical area based on heterogeneous cropping calendar using remote sensing technology | |
CN113406305A (zh) | 一种农业干旱监测指数确定方法及系统 | |
Li et al. | Influence of meadow changes on net primary productivity: a case study in a typical steppe area of XilinGol of Inner Mongolia in China | |
Ji et al. | Integrating the temperature vegetation dryness index and meteorology parameters to dynamically predict crop yield with fixed date intervals using an integral regression model | |
Vanino et al. | Earth observation for improving irrigation water management: A case-study from Apulia Region in Italy | |
CN115855151A (zh) | 农作物干旱监测方法、装置、存储介质和设备 | |
Singh et al. | Improved yield estimation technique for rice and wheat in Uttar Pradesh, Madhya Pradesh and Maharashtra States in India | |
Ahmadpari et al. | Assessment of potential evapotranspiration estimation methods in the fasa region | |
CN116976516B (zh) | 一种干旱地区作物单产早期预测方法 |
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 |