CN111223002B - 一种玉米区域干物质产量或青储产量评估方法和系统 - Google Patents
一种玉米区域干物质产量或青储产量评估方法和系统 Download PDFInfo
- Publication number
- CN111223002B CN111223002B CN202010118852.6A CN202010118852A CN111223002B CN 111223002 B CN111223002 B CN 111223002B CN 202010118852 A CN202010118852 A CN 202010118852A CN 111223002 B CN111223002 B CN 111223002B
- Authority
- CN
- China
- Prior art keywords
- temperature
- relative
- dry matter
- yield
- effective
- 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
- 239000004460 silage Substances 0.000 title claims abstract description 159
- 240000008042 Zea mays Species 0.000 title claims abstract description 95
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 95
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 95
- 235000005822 corn Nutrition 0.000 title claims abstract description 95
- 238000011156 evaluation Methods 0.000 title claims abstract description 14
- 238000009825 accumulation Methods 0.000 claims abstract description 119
- 238000003306 harvesting Methods 0.000 claims abstract description 47
- 238000013210 evaluation model Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 36
- 238000003973 irrigation Methods 0.000 claims description 14
- 230000002262 irrigation Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 208000003643 Callosities Diseases 0.000 claims description 3
- 206010020649 Hyperkeratosis Diseases 0.000 claims description 3
- 230000035558 fertility Effects 0.000 claims description 3
- 230000002354 daily effect Effects 0.000 claims 10
- 230000003203 everyday effect Effects 0.000 claims 1
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 8
- 235000013305 food Nutrition 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
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
- 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"
Abstract
本发明涉及一种玉米区域干物质产量或青储产量评估方法和系统,包括:S1.采集至少两年中玉米的每日空气温度、每日冠层温度、干物质量和青储产量;S2.计算每日相对有效空气积温和每日相对有效冠层温度积温;S3.建立玉米相对干物质量和相对青储产量的模型,并根据上述采集到的参数确定模型的待定系数;S4.计算当前的相对有效空气积温、相对有效冠层温度积温;S5.获得收获时干物质量和青储产量;S6.根据收获时干物质量和最大青储产量,得到玉米区域干物质产量或青储产量评估模型和变化曲线,从而根据当前作物长势和实时监测数据,在玉米生育期内对玉米区域干物质产量或青储产量进行评估。
Description
技术领域
本发明是关于一种玉米区域干物质产量或青储产量评估方法和系统,属于农作物产量预测技术领域。
背景技术
玉米是世界上重要的粮食作物,是畜牧业、养殖业、水产养殖业等的重要饲料来源,也是食品、医疗卫生、轻工业、化工业等的不可或缺的原料之一。玉米生育期的合理灌溉、干物质累积量和产量评估是其生产管理和青储饲料及玉米深加工市场预测的关键问题。
现代灌区和大农场的快速区域玉米灌溉管理决策和产量评估中,除了考虑和利用高时空分辨率的遥感图片,其评估效果往往取决于其核心作物生长模型的适宜性和优劣性。Logistic模型通过数据拟合和标定能够定量描述作物株高、叶面积指数以及干物质累积量等。在早期的应用中,Logistic模型是以播种后天数或出苗后天数为自变量来对作物生长过程进行模拟分析。但不同地区的气候状况以及作物生长天数不同,单纯通过生长天数来表示作物的生长阶段可能会产生较大的偏差;而作物完成某一生长阶段需要的热量是固定的,因此用有效积温代替时间因子在模拟作物生长和发育上更具有代表性。虽然Logistic模型在模拟作物生长过程时具有较高精度,但其只能描述一个生长过程,在不同的生态条件下,模型的参数值会有不同,因而所建立的Logistic模型较难有普适性。而且,现有的基于Logistic模型对作物生长过程进行的分析,通常采用生长天数、有效气积温或有效地积温等单一参数作为自变量,对于用作物冠层温度表征玉米区域干物质产量或青储产量的研究比较少。
发明内容
针对上述现有技术的不足,本发明的目的是提供了一种玉米区域干物质产量或青储产量评估方法和系统,其将作物有效冠层温度积温和有效气积温作为自变量,能够根据当前作物长势和实时监测数据,对玉米生育期干物质产量和青储饲料产量进行预估,从而能够为农田管理提供决策依据和相关期货市场提供参考。
为实现上述目的,本发明提供了一种玉米区域干物质产量或青储产量评估方法,包括以下步骤:S1.采集至少两年中玉米的每日空气温度、每日冠层温度、干物质量和青储产量;S2.根据其中一年的每日空气温度、每日冠层温度、干物质量和青储产量,计算当年的每日相对有效空气积温和每日相对有效冠层温度积温;S3.建立玉米相对干物质量和相对青储产量的模型,并根据每日相对有效空气积温和每日相对有效冠层温度积温、干物质量和青储产量确定模型的待定系数;S4.获取当前水文年型下收获时的有效空气积温和有效冠层温度积温,并计算当前的相对有效空气积温、相对有效冠层温度积温;S5.将当前的相对有效空气积温、相对有效冠层温度积温和当前玉米干物质量以及当前青储产量带入相对干物质量和相对青储产量的模型,获得收获时干物质量和最大的青储产量;S6.根据收获时干物质量和最大的青储产量,得到玉米区域干物质产量或青储产量变化曲线,并利用玉米生育期内农田实时数据,对玉米区域干物质产量或青储产量进行评估。
进一步,有效积温的计算公式为:
其中,t代表出苗后有效积温,t包括tair和tcanopy,tair为出苗后有效空气积温,tcanopy为出苗后有效冠层温度积温;ti为单日平均温度,包括日空气温度或日冠层温度,n为测试天数。
进一步,相对有效积温的计算公式为:
T=t/tm
其中,t代表出苗后有效积温,tm代表收获时的有效积温,包括tmair和tmcanopy,tmair是收获时的有效空气积温,tmcanopy代表收获时的有效冠层温度积温,T代表相对有效积温,包括相对有效空气积温和相对有效冠层温度积温。
进一步,相对干物质量和相对青储产量的计算方法如下:
YD=yD/yDm
其中,YD代表相对干物质量;yD为干物质量;yDm为收获时干物质量;YS代表相对青储产量;yS为青储产量;ySm为最大的青储产量。
进一步,相对干物质量的模型为:
YD=A/(1+B*exp(-K*T))
其中,YD为相对干物质量;T为相对有效积温;A是相对干物质量的增长极限;B、K是待定系数;相对青储产量的模型为:
Ys=C/(1+exp(D*T2+E*T+F))
其中,YS为相对青储产量;T为相对有效积温;C、D、E、F是待定系数。
进一步,待定系数通过以下方式获得:将相对有效积温以及相对有效干物质量代入相对干物质量的模型,得到相对干物质量的模型中的参数值K、A和B;将相对有效积温以及相对青储产量代入相对青储产量的模型,得到相对青储产量的模型中参数值C、D、E和F。
进一步,需要采用另外一年的每日空气温度、每日冠层温度、干物质量和青储产量,相对干物质量的模型和相对青储产量的模型进行验证,若符合精度要求则通过验证,若不符合精度要求则重新采集数据,重新建立相应模型。
进一步,步骤S4中,获取当前水文年型下的收获时的有效空气积温tmair以及有效冠层温度积温tmcanopy方法为:通过搜集灌区多年气象观测资料和MODIS/Landsat数据分别获得灌区的气温以及冠层温度,进而获得玉米生育期的有效空气积温tair和有效冠层温度积温tcanopy;搜集多年降雨资料,通过分析多年降雨量,在降雨排频后得到不同水文年的玉米生育期内收获时的有效空气积温tmair和有效冠层温度积温tmcanopy;根据当前玉米生长期数据判断水文年型,以得到当前水文年型下的有效空气积温tmair和有效冠层温度积温tmcanopy。
进一步,步骤S5的具体过程如下:将灌区当前玉米干物质量、青储产量、玉米相对有效空气积温Tair和相对有效冠层温度积温Tcanopy,带入当前水文年型下的相对干物质量的模型和相对青储产量的模型中,得到玉米收获时的干物质量yDm值和最大的青储产量ysm值,从而得到玉米整个生育期的干物质增长曲线和青储产量增长曲线,进而对玉米生育期的干物质产量以及青储产量进行评估。
本发明还公开了一种玉米区域干物质产量或青储产量评估系统,包括:采集模块,用于采集至少两年中玉米的每日空气温度、每日冠层温度、干物质量和青储产量;计算模块,用于计算其中一年的每日相对有效空气积温和每日相对有效冠层温度积温;模型建立模块,用于建立玉米相对干物质量和相对青储产量的模型,并根据每日相对有效空气积温和每日相对有效冠层温度积温、干物质量和青储产量确定模型的参数;水文年型判断模块,用于获取当前水文年型下收获时的有效空气积温和有效冠层温度积温,并计算当前的相对有效空气积温、相对有效冠层温度积温;收获时干物质量和最大的青储产量获取模块,用于将当前水文年型下的相对有效空气积温、相对有效冠层温度积温和当前玉米干物质量以及当前青储产量带入相对干物质量和相对青储产量的模型,获得收获时干物质量和最大的青储产量;评估模块,用于根据收获时干物质量和最大的青储产量,得到完整的玉米区域干物质产量或青储产量评估模型和变化曲线,从而在玉米生育期内利用农田实时数据对玉米区域干物质产量或青储产量进行评估。
本发明由于采取以上技术方案,其具有以下优点:1、本发明将作物冠层温度和有效气积温作为自变量,能够根据当前作物长势和实时监测数据,对玉米生育期干物质产量和青储饲料产量进行预估,从而能够为农田管理提供决策依据和相关期货市场提供参考。2、与现有技术相比,本发明所建立的方法基于灌区当前作物生长实际状况,估算模型经过归一化处理,因而能够进行实时的大面积的玉米区域干物质产量和青储饲料产量预测。3、本发明中预测方法所用的当前实时数据和指标,可在农田方便获得,因而具有较好的实用性。4、与现有技术相比,本发明所用到估算模型经过灌区实测资料率定和校验,所预测的结果准确,精度大大提升,能更好的服务于管理和市场。
附图说明
图1是本发明一实施例中玉米区域干物质产量或青储产量评估方法流程图;
图2是本发明一实施例中相对干物质产量的模型和相对青储产量的模型验证方法的流程图;
图3是本发明一实施例中采用相对干物质产量的模型和相对青储产量的模型评估干物质产量或青储产量过程的流程图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方向,通过具体实施例对本发明进行详细的描绘。然而应当理解,具体实施方式的提供仅为了更好地理解本发明,它们不应该理解成对本发明的限制。在本发明的描述中,需要理解的是,所用到的术语仅仅是用于描述的目的,而不能理解为指示或暗示相对重要性。
实施例一
本实施例公开了一种玉米区域干物质产量或青储产量评估方法,如图1所示,包括以下步骤:
S1.采集种植区域内玉米至少两年中的每日空气温度、每日冠层温度、干物质量和青储产量;
S2.根据其中一年的每日空气温度、每日冠层温度、干物质量和青储产量,计算每日相对有效空气积温和每日相对有效冠层温度积温;
S3.建立玉米相对干物质量和相对青储产量的模型,并根据每日相对有效空气积温和每日相对有效冠层温度积温、干物质量和青储产量确定模型的待定系数;
S4.获取当前水文年型下收获时的有效空气积温和有效冠层温度积温,计算当前的相对有效空气积温、相对有效冠层温度积温;
S5.将当前水文年型下的相对有效空气积温、相对有效冠层温度积温和当前玉米干物质量以及当前青储产量带入相对干物质量和相对青储产量的模型,获得收获时干物质量和最大的青储产量。
S6.根据收获时干物质量和最大的青储产量,得到完整的玉米区域干物质产量或青储产量评估模型和变化曲线,从而在玉米生育期内利用农田实时数据对玉米区域干物质产量或青储产量进行评估。
目前,基于Logistic模型对作物生长过程进行分析时,常采用生长天数、有效气积温或有效地积温作为自变量,这些参数虽然可以在一定程度上对作物的生长过程进行表征,但由于这些参数只是区域内环境因素,和作物本身相关性较低,故不能很准确的预测作物的干物质量或青储产量。而作物的冠层温度与作物的蒸腾作用相关,能够比较直接的反应作物内的水分含量,故将该参数引入Logistic模型可以更加准确的得到作物的干物质量或青储产量。而且本实施例中使用的参数,即每日空气温度、每日冠层温度、干物质量和青储产量,都是比较容易获得的,因此本方法操作简单,无需专业团队,实用性强,便于推广。
步骤S1中,试验数据的采集具体包括:根据灌区土质和种植区域设计适宜数据采集点,并安装测试仪器进行观测和数据采集,需要采集至少两年的灌区玉米生育期田间数据,采集的数据包括:每日空气温度、每日冠层温度、干物质量和青储产量。其中空气温度和冠层温度采用温度传感器或红外传感器等仪器检测,空气温度也可以根据天气预报确定。空气温度和冠层温度需要每天测量和记录。作物的干物质量和青储产量每十天检测一次。
步骤S2中,计算每日相对有效空气积温和每日相对有效冠层温度积温,需要先对步骤S1中的每日空气温度和每日冠层温度进行整理与分析,并计算出每日的有效空气积温和有效冠层温度积温,计算方法如下:
其中,t代表出苗后有效积温,t包括tair和tcanopy,tair为出苗后有效空气积温,tcanopy为出苗后有效冠层温度积温;ti为单日平均温度,包括日空气温度或日冠层温度,n为测试天数。玉米生长温度在10℃——30℃的范围内,当ti大于30℃时,令ti=30℃,当ti小于10℃,令ti=10℃。
随后根据每日的有效空气积温和有效冠层温度积温,计算每日相对有效空气积温和每日相对有效冠层温度积温。计算公式如下:
T=t/tm
其中,t代表出苗后有效积温,tm代表收获时的有效积温,包括tmair和tmcanopy,tmair是收获时的有效空气积温,tmcanopy代表收获时的有效冠层温度积温,T代表相对有效积温,包括相对有效空气积温Tair和相对有效冠层温度积温Tcanopy。
相对干物质量和相对青储产量的计算方法如下:
YD=yD/yDm
其中,YD代表相对干物质量;yD为干物质量;yDm为收获时干物质量;YS代表相对青储产量;yS为青储产量;ySm为最大的青储产量。将相对有效空气积温和相对有效冠层温度积温提取出来,为模型率定做准备。
如图2所示,相对干物质量的模型为:
YD=A/(1+B*exp(-K*T))
其中,YD为相对干物质量;T为相对有效积温;A是相对干物质量的增长极限;B、K是待定系数;
相对青储产量的模型为:
YS=C/(1+exp(D*T2+E*T+F))
其中,YS为相对青储产量;T为相对有效积温;C、D、E、F是待定系数。
为了确定相对干物质量的模型和相对青储产量的模型中的待定系数需要进行模型率定。其具体过程为:将采集数据其中一年的相对有效积温以及相对有效干物质量代入相对干物质量的模型,得到相对干物质量的模型中的参数值K、A和B;相对有效干物质量采用该年某一时刻的干物质量除以收获时干物质量得到。将采集数据其中一年的相对有效积温以及相对青储产量代入相对青储产量的模型,得到相对青储产量的模型中参数值C、D、E和F,相对青储产量采用该年某一时刻的青储产量除以最大的青储产量得到。此处的相对有效积温包括相对有效空气积温和相对有效冠层温度积温。
为了保证本实施例中相对干物质量的模型和相对青储产量的模型的准确性,需要引入验证步骤以检验模型精度。其具体过程为:用另一年数据对相对干物质量的模型和相对青储产量的模型进行验证,即用已经建立的相对干物质量的模型和相对青储产量的模型得到相对干物质量和相对青储产量,将该相对干物质量(或相对青储产量)和实测相对干物质量(或实测相对青储产量)进行对比分析,分析计算得到相对干物质量的模型和相对青储产量的模型精度,如果该模型精度达到预设精度要求时,该相对干物质量的模型和相对青储产量的模型即为最终的相对干物质量的模型和相对青储产量的模型;如果精度没有达到预设精度,则需要重新获得新的一年的实验参数,将该实验参数重新带入模型进行模型率定和验证,直到获得的模型符合预设精度要求为止。
由于对于需要预测的一年来说,其收获时的有效空气积温tmair以及有效冠层温度积温tmcanopy是不可知的,所以需要根据当前的水文年型确定当前的有效空气积温tmair以及有效冠层温度积温tmcanopy。如图3所示,步骤S4中,获取当前水文年型下的收获时的有效空气积温tmair以及有效冠层温度积温tmcanopy方法为:通过搜集灌区多年气象观测资料和MODIS/Landsat遥感二级产品数据分别获得灌区的气温以及冠层温度,进而获得玉米生育期的有效空气积温tair和有效冠层温度积温tcanopy;搜集多年降雨资料,通过分析多年降雨量,在降雨排频后得到不同水文年的玉米生育期内收获时的有效空气积温tmair和有效冠层温度积温tmcanopy;根据当前玉米生长期数据判断水文年型,以得到当前水文年型下的有效空气积温tmair和有效冠层温度积温tmcanopy。
步骤S5的具体实施方式如下:将灌区当前玉米干物质量、青储产量和玉米相对有效空气积温Tair和相对有效冠层温度积温Tcanopy,带入相对干物质量的模型和相对青储产量的模型中,就可以得到玉米收获时的干物质量yDm值和最大的青储产量ysm值,从而得到玉米整个生育期的干物质增长曲线和青储产量增长曲线,进而对玉米生育期的干物质产量以及青储产量进行评估。
实施例二
基于同一发明构思,本实施例还公开了一种玉米区域干物质产量或青储产量评估系统,包括:
采集模块,用于采集种植区域内玉米至少两年中的每日空气温度、每日冠层温度、干物质量和青储产量;
计算模块,用于计算其中一年中每日相对有效空气积温和每日相对有效冠层温度积温;
模型建立模块,用于建立玉米相对干物质量和相对青储产量的模型,并根据每日相对有效空气积温和每日相对有效冠层温度积温、干物质量和青储产量确定模型的参数;
水文年型判断模块,用于获取当前水文年型下收获时的有效空气积温和有效冠层温度积温,计算当前的相对有效空气积温、相对有效冠层温度积温;
收获时干物质量和最大的青储产量获取,用于将当前水文年型下的相对有效空气积温、相对有效冠层温度积温和当前玉米干物质量以及青储产量分别带入相对干物质量和相对青储产量的模型,获得收获时干物质量和最大的青储产量;
评估模块,用于根据收获时干物质量和最大的青储产量,得到完整的玉米区域干物质产量或青储产量评估模型和变化曲线,从而在玉米生育期内利用农田实时数据对玉米区域干物质产量或青储产量进行评估。上述内容仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种玉米区域干物质产量与青储产量评估方法,其特征在于,包括以下步骤:
S1.采集至少两年中玉米的每日空气温度、每日冠层温度、干物质量和青储产量;
S2.计算每日相对有效空气积温和每日相对有效冠层温度积温,计算相对干物质量和相对青储产量;
S3.建立玉米相对干物质量和相对青储产量的模型,并根据所述每日相对有效空气积温和每日相对有效冠层温度积温、相对干物质量和相对青储产量确定所述模型的待定系数;
S4.获取当前水文年型下收获时的有效空气积温和有效冠层温度积温,并计算当前的相对有效空气积温、相对有效冠层温度积温;
S5.将所述当前的相对有效空气积温、相对有效冠层温度积温和当前玉米干物质量以及当前青储产量带入所述相对干物质量和相对青储产量的模型,获得收获时干物质量和最大的青储产量,
S6.根据收获时干物质量和最大的青储产量,得到完整的玉米区域干物质产量与青储产量评估模型和变化曲线,从而在玉米生育期内利用农田实时数据对玉米区域干物质产量与青储产量进行评估;
相对干物质量的模型为:
YD=A/(1+B*exp(-K*T))
其中,YD为相对干物质量;T为相对有效积温;A是相对干物质量的增长极限;B和K是待定系数;
相对青储产量的模型为:
YS=C/(1+exp(D*T2+E*T+F))
其中,YS为相对青储产量;T为相对有效积温;C、D、E和F是待定系数。
2.如权利要求1所述的玉米区域干物质产量与青储产量评估方法,其特征在于,有效积温的计算公式为:
其中,t代表出苗后有效积温,t包括tair和tcanopy,tair为出苗后有效空气积温,tcanopy为出苗后有效冠层温度积温;ti为单日平均温度,包括日空气温度或日冠层温度,n为测试天数。
3.如权利要求2所述的玉米区域干物质产量与青储产量评估方法,其特征在于,相对有效积温的计算公式为:
T=t/tm
其中,t代表出苗后有效积温,tm代表收获时的有效积温,包括tmair和tmcanopy,tmair是收获时的有效空气积温,tmcanopy代表收获时的有效冠层温度积温,T代表相对有效积温,包括相对有效空气积温和相对有效冠层温度积温。
4.如权利要求1-3任一项所述的玉米区域干物质产量与青储产量评估方法,其特征在于,所述相对干物质量和相对青储产量的计算方法如下:
YD=yD/yDm
其中,YD代表相对干物质量;yD为干物质量;yDm为收获时干物质量;YS代表相对青储产量;yS为青储产量;ySm为最大的青储产量。
5.如权利要求4所述的玉米区域干物质产量与青储产量评估方法,其特征在于,所述待定系数通过以下方式获得:将相对有效积温以及相对有效干物质量代入所述相对干物质量的模型,得到所述相对干物质量的模型中的参数值K、A和B;将相对有效积温以及相对青储产量代入所述相对青储产量的模型,得到所述相对青储产量的模型中参数值C、D、E和F。
6.如权利要求5所述的玉米区域干物质产量与青储产量评估方法,其特征在于,需要采用另外一年的数据对所述相对干物质量的模型和所述相对青储产量的模型进行验证,若符合精度要求则通过验证,若不符合精度要求则重新采集数据,重新建立相应模型。
7.如权利要求4或5所述的玉米区域干物质产量与青储产量评估方法,其特征在于,所述步骤S4中,获取当前水文年型下的收获时的有效空气积温tmair以及有效冠层温度积温tmcanopy方法为:通过搜集灌区多年气象观测资料和MODIS/Landsat遥感二级产品数据分别获得所述灌区的气温以及冠层温度,进而获得玉米生育期的有效空气积温tair和有效冠层温度积温tcanopy;搜集多年降雨资料,通过分析多年降雨量,在降雨排频后得到不同水文年的玉米生育期内收获时的有效空气积温tmair和有效冠层温度积温tmcanopy;根据当前玉米生长期数据判断水文年型,以得到当前水文年型下收获时的有效空气积温tmair和有效冠层温度积温tmcanopy。
8.如权利要求7所述的玉米区域干物质产量与青储产量评估方法,其特征在于,步骤S5的具体过程如下:将灌区当前玉米干物质量、青储产量、玉米相对有效空气积温Tair和相对有效冠层温度积温Tcanopy,带入相对干物质量的模型和相对青储产量的模型中,就可以得到玉米收获时的干物质量yDm值和最大的青储产量ysm值,从而得到玉米整个生育期的干物质增长曲线和青储产量增长曲线,进而对玉米生育期的干物质产量以及青储产量进行评估。
9.一种玉米区域干物质产量与青储产量评估系统,其特征在于,包括:
采集模块,用于采集至少两年中玉米的每日空气温度、每日冠层温度、干物质量和青储产量;
计算模块,用于计算每日相对有效空气积温和每日相对有效冠层温度积温,计算相对干物质量和相对青储产量;
模型建立模块,用于建立玉米相对干物质量和相对青储产量的模型,并根据所述每日相对有效空气积温和每日相对有效冠层温度积温、相对干物质量和相对青储产量确定所述模型的参数;
水文年型判断模块,用于获取当前水文年型下收获时的有效空气积温和有效冠层温度积温,并计算当前的相对有效空气积温、相对有效冠层温度积温;
收获时干物质量和最大的青储产量获取,用于将所述当前水文年型下的相对有效空气积温、相对有效冠层温度积温和当前玉米干物质量以及当前青储产量带入所述相对干物质量和相对青储产量的模型,获得收获时干物质量和最大的青储产量;
评估模块,用于根据收获时干物质量和最大的青储产量,得到完整的玉米区域干物质产量与青储产量评估模型和变化曲线,从而在玉米生育期内利用农田实时数据对玉米区域干物质产量与青储产量进行评估;
相对干物质量的模型为:
YD=A/(1+B*exp(-K*T))
其中,YD为相对干物质量;T为相对有效积温;A是相对干物质量的增长极限;B和K是待定系数;
相对青储产量的模型为:
YS=C/(1+exp(D*T2+E*T+F))
其中,YS为相对青储产量;T为相对有效积温;C、D、E和F是待定系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010118852.6A CN111223002B (zh) | 2020-02-26 | 2020-02-26 | 一种玉米区域干物质产量或青储产量评估方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010118852.6A CN111223002B (zh) | 2020-02-26 | 2020-02-26 | 一种玉米区域干物质产量或青储产量评估方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111223002A CN111223002A (zh) | 2020-06-02 |
CN111223002B true CN111223002B (zh) | 2023-10-31 |
Family
ID=70829815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010118852.6A Active CN111223002B (zh) | 2020-02-26 | 2020-02-26 | 一种玉米区域干物质产量或青储产量评估方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111223002B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112904920B (zh) * | 2021-01-15 | 2022-05-10 | 康子秋 | 一种预测温室作物光合作用干物质产量的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446999A (zh) * | 2018-04-17 | 2018-08-24 | 中国水利水电科学研究院 | 基于冠气温差和遥感信息进行灌区不同作物et估算方法 |
CN110009149A (zh) * | 2019-04-01 | 2019-07-12 | 无锡市茶叶品种研究所有限公司 | 基于物联网技术的茶树开采期预测方法 |
-
2020
- 2020-02-26 CN CN202010118852.6A patent/CN111223002B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446999A (zh) * | 2018-04-17 | 2018-08-24 | 中国水利水电科学研究院 | 基于冠气温差和遥感信息进行灌区不同作物et估算方法 |
CN110009149A (zh) * | 2019-04-01 | 2019-07-12 | 无锡市茶叶品种研究所有限公司 | 基于物联网技术的茶树开采期预测方法 |
Non-Patent Citations (5)
Title |
---|
吉林西部春玉米的叶面积与有效积温的相关性;李忠辉;郭春明;袁福香;;贵州农业科学;46(01);第130-132页 * |
基于有效积温的中国水稻生长模型的构建;苏李君;刘云鹤;王全九;;农业工程学报;36(01);第162-174页 * |
温室小型西瓜光合生产与干物质积累模拟模型;徐刚,郭世荣,张昌伟,金亮,罗卫红,吴琴生,李士军;果树学报;22(02);第129-133页 * |
温度与水分驱动的甜瓜幼苗生长形态模拟模型研究;李建明;邹志荣;刘迎春;王忠红;;农业工程学报;22(11);第203-208页 * |
马铃薯主要生长指标对有效积温响应的定量分析;王全九;蔺树栋;苏李君;;农业机械学报;51(03);第306-316页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111223002A (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
CN106718363B (zh) | 一种面向精细农业的灌溉试验方法及其试验平台 | |
CN109187398A (zh) | 一种小麦植株氮含量的高光谱测定方法 | |
CN102621118B (zh) | 温室蔬菜病虫害的预警方法 | |
WO2018107245A1 (en) | Detection of environmental conditions | |
CN113948220B (zh) | 一种具有预分析能力的炭疽病病原菌侵染阶段检测方法 | |
Acevedo-Opazo et al. | Assessment of an empirical spatial prediction model of vine water status for irrigation management in a grapevine field | |
Cunha et al. | A comparative study of vineyard phenology and pollen metrics extracted from airborne pollen time series | |
Tolba et al. | Rice acreage delineation in the Nile Delta based on thermal signature | |
CN111223002B (zh) | 一种玉米区域干物质产量或青储产量评估方法和系统 | |
Wen et al. | Segmentation of thermal infrared images of cucumber leaves using K-means clustering for estimating leaf wetness duration | |
CN114140695B (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 | |
CN114118679A (zh) | 一种基于时序遥感数据的作物单产及长势评估方法 | |
Chen et al. | Sugarcane Stem Node Detection Based on Wavelet Analysis | |
Haun | Determination of Wheat Growth‐Environment Relationships 1 | |
CN114694020B (zh) | 一种棉花蚜虫遥感预报模型的构建方法 | |
CN116151454A (zh) | 一种多光谱无人机预测矮林芳樟精油产量的方法及系统 | |
CN105760654B (zh) | 一种表征水稻生长状态的水稻叶片ndvi拟合模型的构建方法 | |
KR20190071204A (ko) | 통합 식물체 재배환경 분석시스템 | |
Zhang et al. | A comparative study on wheat leaf area index by different measurement methods | |
CN113640230B (zh) | 一种田间小麦水分利用率快速检测方法及系统 | |
CN113762773B (zh) | 一种灾害监测预报的关联定位分解方法及系统 | |
Songsriboonsit et al. | Forecasting water stress in durian trees using an arima model with a relation between temperature differential and vpd | |
Jo et al. | Determining canopy growth conditions of paddy rice via ground-based remote sensing | |
CN117851726A (zh) | 一种利用冬小麦积温计算叶龄的方法 |
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 |