CN111737876A - 一种具有时空分布特征的茶叶开采期及采摘时长预测方法 - Google Patents
一种具有时空分布特征的茶叶开采期及采摘时长预测方法 Download PDFInfo
- Publication number
- CN111737876A CN111737876A CN202010608628.5A CN202010608628A CN111737876A CN 111737876 A CN111737876 A CN 111737876A CN 202010608628 A CN202010608628 A CN 202010608628A CN 111737876 A CN111737876 A CN 111737876A
- Authority
- CN
- China
- Prior art keywords
- time
- picking
- temperature
- pixel
- space
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005065 mining Methods 0.000 title claims abstract description 44
- 238000011156 evaluation Methods 0.000 claims abstract description 38
- 238000010586 diagram Methods 0.000 claims abstract description 23
- 238000005070 sampling Methods 0.000 claims abstract description 20
- 238000012937 correction Methods 0.000 claims abstract description 19
- 241001122767 Theaceae Species 0.000 claims abstract 20
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000000611 regression analysis Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 230000007115 recruitment Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 235000013616 tea Nutrition 0.000 description 75
- 244000269722 Thea sinensis Species 0.000 description 74
- 238000011161 development Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000012417 linear regression Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 235000009024 Ceanothus sanguineus Nutrition 0.000 description 2
- 240000003553 Leptospermum scoparium Species 0.000 description 2
- 235000015459 Lycium barbarum Nutrition 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241001248501 Pontia sisymbrii Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 235000009569 green tea Nutrition 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 235000020334 white tea Nutrition 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Computer Hardware Design (AREA)
- Primary Health Care (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种具有时空分布特征的茶叶开采期及采摘时长预测方法。春茶采摘对于时间要求很强，开采失时会造成巨大的经济损失。本发明如下：1、数据获取；2、确定开采评估时间范围和结束评估时间范围。3、分别计算各采样点前n年中每年的开采评估时间范围内的积温以及每年的结束评估时间范围内的积温。4、分别建立目标茶叶采摘开始时间、采摘结束时间的预报模型。5、获取被测区域逐日温度分布订正图。6、获取被测区域的采摘开始时间预测时空分布图和采摘结束时间预测时空分布图。本发明能够依据温度信息对春茶的最佳采摘时长做出预测，克服了现有技术中无法预测最佳采摘时长的缺陷，能够为各地采茶工的招募和调配提供指导性依据。
Description
技术领域
基于省农业技术推广中心抽样调查数据的浙江省名优茶的开采期与采摘时长时空分布预测方法。具体地说，本发明采用问卷调查的全省各县市名优茶历史开采期与采摘时长数据、国家气象局中国气象数据网的历史天气与预测天气、NASA对地观测卫星Terra建立的ASTER GDEM数字高程模型，建立一种具有时空分布特征的茶叶开采期及采摘时长预测方法。
背景技术
浙江是中国最大的产茶省份之一。茶叶是浙江具有明显优势的农业主导产业。2003年全省茶园面积214.5万亩，茶叶产量13.3万吨、产值32.6亿元；其中名优茶产量4.0万吨、产值29.7亿元。名优茶已成为浙江茶叶产业经济的支撑，为实现浙山区农业经济的持续增长起到了积极的推动作用，也为我国茶叶产业发展和世界绿茶贸易作出了贡献。
春茶采摘对于时间要求很强，开采失时会造成巨大的经济损失。目前，茶叶开采期预测方法主要有积温预测、专家经验预测，这些方法应用于预测区域整体的开采时间时取得了较为理想的效果，但不同茶园之间由于地势、温度等原因，最佳开采存在时空差异，成为名优茶采摘的突出问题。以DEM为主的气象数据空间化技术能够根据已知的空间数据估计未知空间的数据值，由点到面地反映气候在特定空间跨度上的状态，从而扩展了原始气象数据的时空内涵，为改进和提升传统的开采期预测方法提供了良好的借鉴。
名优茶产量十分有限，高精度地预测各茶园名优茶最佳采摘时长对指导茶农合理安排茶叶采摘、采茶工招工等农事活动，提高名优茶质量与产量具有重要的意义。目前，对茶叶采摘期方面的研究主要集中在开采期，对茶叶最佳采摘时长方面的研究还较少。传统的采摘期预测方法通常使用积温作为开采期的预测指标，积温是研究温度与茶树生长发育进程关系的一种指标，从强度和作用时间两个方面表示温度对茶树生长发育的影响。
因此，发展科学准确的春茶采摘期与最佳采摘时长时空分布预测方法，在每年2月初对各地各茶园春茶采摘期与最佳采摘时长做出预测，能够指导茶农合理安排采茶招工，及时开采高品质、高产量的名优茶，提高经济效益。
发明内容
为了克服现有采摘期预测方法无法对最佳可采时长做出预测、时空分辨率较低的不足，本发明提供一种基于ASTERGDEM数字高程模型的具有时空分布特征的开采期与采摘时长预测方法。
本发明的具体步骤如下：
步骤1、数据获取
获取被测地区内各个采样点的目标茶叶前n年的采摘期数据和温度数据，n≥3；采摘期数据包括采摘开始时间和采摘结束时间。
步骤2、确定开采评估时间范围和结束评估时间范围。开采评估时间范围是用于建立采摘开始时间预测模型时使用的时间范围。结束评估时间范围是用于建立采摘结束时间预测模型时使用的时间范围。
步骤3、分别计算各采样点前n年中每年的开采评估时间范围内的积温以及每年的结束评估时间范围内的积温。
步骤4、分别建立目标茶叶采摘开始时间、采摘结束时间的预报模型。
以各采样点前n年中每年的开采评估时间范围内的积温为自变量，各采样点前n年中每年的采摘开始时间为因变量，通过一元回归分析法建立目标茶叶的采摘开始时间预报模型Yt＝axt+b。其中，Yt为采摘开始时间预报值；xt为开采评估时间范围的积温；a、b分别为采摘开始时间预报模型的两个拟合参数。
以各采样点前n年中每年的结束评估时间范围内的积温为自变量，各采样点前n年中每年的采摘结束时间为因变量，通过一元回归分析法建立目标茶叶的采摘结束时间预报模型Yt′＝a′·x′t+b′。其中，Yt′为采摘结束时间预报值；x′t为开采评估时间范围的积温；a′、b′分别为采摘结束时间预报模型的两个拟合参数。
步骤5、获取被测区域逐日温度分布订正图
5-1.对被测地区进行网格划分，将被测地区划分为多个像元；获取被测地区内各个像元的位置坐标。
5-2.根据步骤5-1获得的各个像元的位置坐标，获取各个像元的海拔，进而得到被测区域的温度订正图。温度订正图中任意一个像元对应的温度订正值ΔT＝(Hs-Hz)×0.006；其中，Hz为该像元所属区域的气象站点的海拔值；Hs为该像元的海拔值。
5-3.获取当前年度的开采评估时间范围和结束评估时间范围内，被测地区的各个气象站点的温度数据预报值。
5-4.通过反距离权重法，根据被测区域内各个区域的气象站点的温度数据预报值，计算被测区域各个像元的温度数据预报值，得到被测区域逐日温度分布面状图。
5-5.将步骤5-2中所得的温度订正图叠加到步骤5-4所得的被测区域逐日温度分布面状图上，得到被测区域逐日温度分布订正图。
步骤6、根据步骤5-5所得被测区域逐日温度分布订正图，分别计算被测区域各个像元当前年度在开采评估时间范围内的积温以及结束评估时间范围内的积温。将目标区域内各个像元当前年度的开采评估时间范围的积温分别作为自变量导入采摘开始时间预报模型Yt＝axt+b中，计算出目标区域内各个像元的采摘开始时间预测值，得到被测区域的采摘开始时间预测时空分布图。
将目标区域内各个像元当前年度的结束评估时间范围的积温分别作为自变量导入采摘结束时间预报模型Yt′＝a′·x′t+b′中，计算出目标区域内各个像元的采摘结束时间预测值，得到被测区域的采摘结束时间预测时空分布图。
作为优选，步骤6执行后，对各个像元的采摘开始时间预测值与采摘结束时间预测值作差，求出各个像元的采摘期时长，得到被测区域的采摘期时长预测时空分布图。
作为优选，步骤2中，开采评估时间范围为每年的2月15日～3月31日；结束评估时间范围为每年的2月15日～4月15日。
作为优选，步骤5-4中计算一个像元的温度数据预报值Z(sl)的表达式如下：
式中，Z(si)是第i个气象站点的温度数据预报值，i＝1,2,...,n；n为气相站点的数量；dil是第i个气象站点到被计算的像元的距离；k是权重指数。
作为优选，所述的温度数据从国家气象局的中国气象数据网获取。
作为优选，步骤1中将采摘开始时间和采摘结束时间均转化为日序形式。
作为优选，步骤3中积温计算的起始温度为10℃。
作为优选，步骤5-1中，网格划分的分辨率为1km×1km。
作为优选，步骤5-1中各个像元的位置坐标通过卫星地图获得。
作为优选，步骤5-2中的海拔数据在被测地区的DEM30数据中提取得到。
本发明具有的有益效果是：
1、本发明能够依据温度信息对春茶的最佳采摘时长做出预测，克服了现有技术中无法预测最佳采摘时长的缺陷，能够为各地采茶工的招募和调配提供指导性依据。
2、本发明将春茶开采期与采摘时长预测推广到了全省1km分辨率，达到较高的预测精度。
3、本发明建立春茶开采期与采摘时长预测模型，又基于浙江省DEM30数字高程模型获取浙江省逐日温度时空分布图，将两者结合，达到了较高的预测精度。
附图说明
图1为浙江省部分县市白叶一号春茶最早开采茶园位置示意图；
图2为浙江省白叶一号春茶的预测采摘开始时间与真实采摘开始时间的对比结果图；
图3为浙江省白叶一号春茶的预测采摘结束时间与真实采摘结束时间的对比结果图；
图4为浙江省白叶一号春茶的预测采摘时长与真实采摘时长的对比结果图；
图5为本发明得到的2020年浙江省白叶一号春茶的采摘开始时间预测时空分布图；
图6为本发明得到的2020年浙江省白叶一号春茶的采摘结束时间预测时空分布图；
图7为本发明得到的2020年浙江省白叶一号春茶的采摘时长预测时空分布图。
具体实施方式
以下结合附图对本发明作进一步说明。
实施例1
本实施例以浙江省作为被测地区，以白叶一号春茶为目标茶叶类型进行说明；该一种具有时空分布特征的茶叶开采期及采摘时长预测方法，具体如下：
S1、获取浙江省各县市的温度数据。实地调查统计浙江省各县市近五年各白叶一号春茶的采摘期数据；实地调查浙江省各县市的气象站点位置并记录下坐标。浙江省各县市近五年的温度数据和采摘期数据形成训练集。
(1)温度数据：近五年的逐日最高气温、最低气温、平均温度以及浙江省各县市未来40天的逐日最高气温、最低气温、平均温度的天气预报。在2月初(进行预测的时间)从国家气象局中国气象网查询汇总浙江省所有县市近五年逐日平均温度以及未来40天天气预报。
(2)采摘期数据：是通过实地调查统计浙江省各县市近五年各品种春茶的采摘期开始时间与结束时间。以一芽一叶或一芽两叶的最早开采时间作为采摘期开始时间；采摘期结束时间，以各县市境内头茬采摘最晚结束时间作为采摘结束时间。
S2、分析春茶采摘开始时间、结束时间与气象温度之间的关系，建立预测模型。建模方法：将采摘开始时间、结束时间转换为日序，与各旬平均温度、各旬最高温度、各旬最低温度以及各临界温度、各时间范围下的活动积温、有效积温进行相关分析，筛选出对各品种春茶开采期与采摘时长影响最大的温度数据。结果表明：以10℃为临界温度，以逐日平均温度稳定大于临界温度的2月15日作为积温起始时间的积温相关性最高，应用一元回归分析法建立浙江省春茶采摘开始时间与采摘结束时间的预测模型，皮尔逊相关系数r值达到0.82。
此外，通过对全省各县市近5年逐日平均温度的分析发现，2月下旬各地日平均温度开始稳定突破10℃。从月份来看，白叶一号开采期时间与3月上旬平均气温的相关性较好，采摘结束期与4月上旬、3月下旬平均气温的相关性较好。综合分析后，本发明采用2月15日-3月31日的积温建立春茶开采期预测模型，采用2月15日-4月15日的积温建立春茶采摘结束期预测模型。
积温：某一段时间内逐日平均气温≥10℃(选定的临界温度)的持续期间内的日平均气温的总和，即活动温度总和。活动积温是研究温度与生物有机体发育速度之间关系的一种指标，从强度和作用时间两个方面表示温度对生物有机体生长发育的影响。一般以摄氏度·日(d·℃)为单位。在其他环境条件基本满足的前提下，在一定的温度范围内，温度与生物有机体发育速度之间呈正相关。生物的种类、品种和生育时期不同，其生育起始温度(即开始生长发育的最低温度)也有差异。只有当日平均温度高于生育起始温度时，温度因子才对生物有机体的生长发育起促进作用。
皮尔逊相关系数r：描述两个要素线性关系的统计量。相关系数r是按积差方法计算，同样以两变量与各自平均值的离差为基础，通过两个离差相乘来反映两变量之间相关程度。对变量x和变量y，如果都取n个资料样本，则相关系数r的计算公式为：
其中，xi为训练集中第i个样本的积温；yi为训练集中第i个样本的目标时间(日序形式表达，为采摘开始时间或结束时间)；
为训练集中n个样本的积温的均值；
训练集中q个样本的目标时间的均值。q为样本集中的样本总数(一个样本表示一年的一个地点的温度数据和采摘期数据)协方差定义为：
标准差定义为
一元线性回归法：一元线性回归分析预测法，是根据自变量x和因变量Y的相关关系，建立x与Y的线性回归方程进行预测的方法。一元线性回归分析法的预测模型为：
Yt＝axt+b
式中，xt代表t期自变量的值；Yt代表t期因变量的值；a、b代表一元线性回归方程的拟合参数。
S3.根据NASA对地观测卫星Terra建立的ASTER GDEM数字高程模型，将气象站点资料按照其经纬度在arcgis中生成点图层，进行投影和坐标转换后，使用Analysis tools下的空间连接工具，将站点所在区域的海拔设置为站点海拔，得到面状的县界海拔图层，对DEM数字高程模型进行海拔订正，再通过气温直减率法导入温度订正模型后获取浙江省温度校正值分布图。利用步骤S1获得温度数据中预测当年的部分历史天气以及未来40天的预测天气，计算全省各县市逐日温度，按照其气象站点经纬度在arcgis中生成点图层，使用反比例距离权重法将温度插值到全省范围，得到没有地形起伏条件下零海拔平面上的气温分布趋势，与温度校正值分布图进行栅格计算，计算得出浙江省逐日温度时空分布图。
(1)ASTER GDEM数字高程模型：根据美国航空航天局的新一代对地观测卫星TERRA的详尽观测结果制作完成的。这一全新地球数字高程模型包含了先进星载热发射和反辐射计(ASTER)搜集的130万个立体图像。ASTER测绘数据覆盖范围为北纬83度到南纬83度之间的所有陆地区域，比以往任何地形图都要广得多，达到了地球陆地表面的99％。ASTER GDEM数据是世界上迄今为止可为用户提供的最完整的全球数字高程数据，填补了航天飞机测绘数据中的许多空白。
(2)大气的温度首要来自地上的长波辐射。海提高的当地，空气淡薄，白日，对地上长波辐射的吸收就少，温度低；晚上，大气的保温效果差,温度低。因而，海拔越高,气温越低，在对流层内，海拔大约每升高100米，气温约下降0.6度。DEM图层中海拔以米为单位，因此将县界海拔与DEM作差后乘以0.006，得到浙江省DEM30的温度订正图。
(3)反距离权重法：以待定点为中心通过对邻近区域的一定范围内每个单元值平均运算来获得单元值，其影响的大小只与距离有关，距离越近则其对待定点的属性值影响越大。温度数据预报值Z(sl)的表达式如下：
式中，Z(si)是第i个气象站点的温度数据预报值，i＝1,2,...,n；n为气相站点的数量；dil是第i个气象站点到被计算的像元的距离；k是权重指数。权重k＝2时，该方法称为反距离平方法。反距离平方法在实际应用过程中十分广泛。
S4.将逐日温度时空分布图中各个点的温度，导入步骤S2所得的预测模型Yt＝axt+b中，获得逐日温度时空分布图中各个点的采摘开始时间和结束时间。从而得到采摘开始时间预测时空分布图、采摘结束时间预测时空分布图、采摘期时长预测时空分布图。
S5.将浙江省春茶开采期与采摘时长预测模型代入浙江省逐日温度时空分布图，获得全省浙江省春茶开采期与采摘时长预测分布图。抽样调查2020年浙江省部分县市的春茶开采期与采摘时长实际数据，并记录下茶园的经纬度坐标，计算均方根误差作为预测结果的评价指标。均方根误差RMSE计算表达式如下：
其中，yi'为拟合值(或预测值)，yi为实际值，n为样本数。
以下对本发明的效果进行论证：
(1)2020年各地茶园开采期与最佳开采时长数据的获取：通过联系各地负责人农业农村局的负责人，获取2020年当地春茶头茬采摘的开始时间与结束时间，并记录下茶园所在位置，如图1。其中黑色圆点为当地最早开采的茶园位置。
(2)2020年各地茶园开采期与采摘结束期预测：将茶园坐标导入到浙江省春茶开采期预测时空分布图中，记录茶园所在位置的开采期预测数据；将茶园坐标导入到浙江省春茶采摘结束期预测时空分布图中，记录当地茶园所在位置附近最晚的采摘结束时间预测数据。
(3)精度验证与分析：将预测数据与实际抽样调查数据进行对比，采用均方根误差作为拟合效果的评价函数，采摘开始时间、结束时间、采摘时长的对比结果分别如图2、3、4所示。从图2中可以看出，全省16个县市的开采期抽样数据验证误差范围在-4～3天，经计算得出开采期预测数据整体RMSE为1.92。从图3可以看出，全省11个县市的采摘结束期抽样数据验证误差范围在-2～4天，经计算得出采摘结束期预测数据整体RMSE为2.54。从图4可以看出，全省11个县市的最佳可采时长抽样数据验证误差范围在-3～5天，经计算得出采摘结束期预测数据整体RMSE为2.77。可以看出预测值与实测值比较相近，预报模型基本能够反应全省各地区具体茶园的开采期与采摘时长，因此，本发明能够达到可信的程度。
(4)所得的浙江省2020年采摘开始时间预测时空分布图、采摘结束时间预测时空分布图、采摘期时长预测时空分布图如图5、6、7所示。
Claims (10)
1.一种具有时空分布特征的茶叶开采期及采摘时长预测方法，其特征在于：步骤1、数据获取
获取被测地区内各个采样点的目标茶叶前n年的采摘期数据和温度数据，n≥3；采摘期数据包括采摘开始时间和采摘结束时间；
步骤2、确定开采评估时间范围和结束评估时间范围；开采评估时间范围是用于建立采摘开始时间预测模型时使用的时间范围；结束评估时间范围是用于建立采摘结束时间预测模型时使用的时间范围；
步骤3、分别计算各采样点前n年中每年的开采评估时间范围内的积温以及每年的结束评估时间范围内的积温；
步骤4、分别建立目标茶叶采摘开始时间、采摘结束时间的预报模型；
以各采样点前n年中每年的开采评估时间范围内的积温为自变量，各采样点前n年中每年的采摘开始时间为因变量，通过一元回归分析法建立目标茶叶的采摘开始时间预报模型Yt＝axt+b；其中，Yt为采摘开始时间预报值；xt为开采评估时间范围的积温；a、b分别为采摘开始时间预报模型的两个拟合参数；
以各采样点前n年中每年的结束评估时间范围内的积温为自变量，各采样点前n年中每年的采摘结束时间为因变量，通过一元回归分析法建立目标茶叶的采摘结束时间预报模型Y′t＝a′·x′t+b′；其中，Y′t为采摘结束时间预报值；x′t为开采评估时间范围的积温；a′、b′分别为采摘结束时间预报模型的两个拟合参数；
步骤5、获取被测区域逐日温度分布订正图
5-1.对被测地区进行网格划分，将被测地区划分为多个像元；获取被测地区内各个像元的位置坐标；
5-2.根据步骤5-1获得的各个像元的位置坐标，获取各个像元的海拔，进而得到被测区域的温度订正图；温度订正图中任意一个像元对应的温度订正值ΔT＝(Hs-Hz)×0.006；其中，Hz为该像元所属区域的气象站点的海拔值；Hs为该像元的海拔值；
5-3.获取当前年度的开采评估时间范围和结束评估时间范围内，被测地区的各个气象站点的温度数据预报值；
5-4.通过反距离权重法，根据被测区域内各个区域的气象站点的温度数据预报值，计算被测区域各个像元的温度数据预报值，得到被测区域逐日温度分布面状图；
5-5.将步骤5-2中所得的温度订正图叠加到步骤5-4所得的被测区域逐日温度分布面状图上，得到被测区域逐日温度分布订正图；
步骤6、根据步骤5-5所得被测区域逐日温度分布订正图，分别计算被测区域各个像元当前年度在开采评估时间范围内的积温以及结束评估时间范围内的积温；将目标区域内各个像元当前年度的开采评估时间范围的积温分别作为自变量导入采摘开始时间预报模型Yt＝axt+b中，计算出目标区域内各个像元的采摘开始时间预测值，得到被测区域的采摘开始时间预测时空分布图；
将目标区域内各个像元当前年度的结束评估时间范围的积温分别作为自变量导入采摘结束时间预报模型Y′t＝a′·x′t+b′中，计算出目标区域内各个像元的采摘结束时间预测值，得到被测区域的采摘结束时间预测时空分布图。
2.根据权利要求1所述的一种具有时空分布特征的茶叶开采期及采摘时长预测方法，其特征在于：步骤6执行后，对各个像元的采摘开始时间预测值与采摘结束时间预测值作差，求出各个像元的采摘期时长，得到被测区域的采摘期时长预测时空分布图。
3.根据权利要求1所述的一种具有时空分布特征的茶叶开采期及采摘时长预测方法，其特征在于：步骤2中，开采评估时间范围为每年的2月15日～3月31日；结束评估时间范围为每年的2月15日～4月15日。
4.根据权利要求1所述的一种具有时空分布特征的茶叶开采期及采摘时长预测方法，其特征在于：步骤5-4中计算一个像元的温度数据预报值Z(sl)的表达式如下：
式中，Z(si)是第i个气象站点的温度数据预报值，i＝1,2,...,n；n为气相站点的数量；dil是第i个气象站点到被计算的像元的距离；k是权重指数。
5.根据权利要求1所述的一种具有时空分布特征的茶叶开采期及采摘时长预测方法，其特征在于：所述的温度数据从国家气象局的中国气象数据网获取。
6.根据权利要求1所述的一种具有时空分布特征的茶叶开采期及采摘时长预测方法，其特征在于：步骤1中将采摘开始时间和采摘结束时间均转化为日序形式。
7.根据权利要求1所述的一种具有时空分布特征的茶叶开采期及采摘时长预测方法，其特征在于：步骤3中积温计算的起始温度为10℃。
8.根据权利要求1所述的一种具有时空分布特征的茶叶开采期及采摘时长预测方法，其特征在于：步骤5-1中，网格划分的分辨率为1km×1km。
9.根据权利要求1所述的一种具有时空分布特征的茶叶开采期及采摘时长预测方法，其特征在于：步骤5-1中各个像元的位置坐标通过卫星地图获得。
10.根据权利要求1所述的一种具有时空分布特征的茶叶开采期及采摘时长预测方法，其特征在于：步骤5-2中的海拔数据在被测地区的DEM30数据中提取得到。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010608628.5A CN111737876A (zh) | 2020-06-29 | 2020-06-29 | 一种具有时空分布特征的茶叶开采期及采摘时长预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010608628.5A CN111737876A (zh) | 2020-06-29 | 2020-06-29 | 一种具有时空分布特征的茶叶开采期及采摘时长预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111737876A true CN111737876A (zh) | 2020-10-02 |
Family
ID=72653508
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010608628.5A Pending CN111737876A (zh) | 2020-06-29 | 2020-06-29 | 一种具有时空分布特征的茶叶开采期及采摘时长预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111737876A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112907383A (zh) * | 2021-01-05 | 2021-06-04 | 新昌县鼎鸿家庭农场有限公司 | 一种茶叶霜冻灾害损失动态评估方法 |
| CN118410833A (zh) * | 2024-07-03 | 2024-07-30 | 江西软件职业技术大学 | 一种基于lstm的多尺度茶叶采摘预测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109085664A (zh) * | 2018-07-04 | 2018-12-25 | 山东省气象科学研究所 | 一种温度精细化预报偏差滑动订正方法 |
| WO2020103677A1 (zh) * | 2018-11-21 | 2020-05-28 | 国网青海省电力公司 | 数值天气预报的气象要素数据处理方法及装置 |
-
2020
- 2020-06-29 CN CN202010608628.5A patent/CN111737876A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109085664A (zh) * | 2018-07-04 | 2018-12-25 | 山东省气象科学研究所 | 一种温度精细化预报偏差滑动订正方法 |
| WO2020103677A1 (zh) * | 2018-11-21 | 2020-05-28 | 国网青海省电力公司 | 数值天气预报的气象要素数据处理方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 史同广: "基于GIS的山东茶园土地评价技术方法研究", 中国博士学位论文全文数据库（电子期刊）-农业科技辑, pages 047 - 12 * |
| 豆青芳等: "门源县油菜花期预测研究", 现代农业科技, no. 7, pages 20 - 22 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112907383A (zh) * | 2021-01-05 | 2021-06-04 | 新昌县鼎鸿家庭农场有限公司 | 一种茶叶霜冻灾害损失动态评估方法 |
| CN118410833A (zh) * | 2024-07-03 | 2024-07-30 | 江西软件职业技术大学 | 一种基于lstm的多尺度茶叶采摘预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230213337A1 (en) | Large-scale forest height remote sensing retrieval method considering ecological zoning | |
| CN111104858B (zh) | 一种基于形态模型法的大范围作物物候提取方法 | |
| Herrera et al. | Uncertainty in gridded precipitation products: Influence of station density, interpolation method and grid resolution | |
| Choler | Growth response of temperate mountain grasslands to inter-annual variations in snow cover duration | |
| CN110751094B (zh) | 一种基于gee综合遥感影像和深度学习方法的作物估产方法 | |
| CN113297527B (zh) | 基于多源城市大数据的pm2.5全面域时空计算推断方法 | |
| CN108446999B (zh) | 基于冠气温差和遥感信息进行灌区不同作物et估算方法 | |
| CN104537222B (zh) | 基于遥感的区域植被覆盖对地表气温影响的估算方法 | |
| CN109359411B (zh) | 一种气候变化影响下沼泽湿地植被覆盖度估算方法 | |
| Borbas et al. | The RTTOV UWiremis IR land surface emissivity module | |
| Hassan | Climate change impact on groundwater recharge of Umm er Radhuma unconfined aquifer Western Desert, Iraq | |
| Hazarika et al. | Estimation of net primary productivity by integrating remote sensing data with an ecosystem model | |
| Wang et al. | Estimating regional terrestrial carbon fluxes for the Australian continent using a multiple-constraint approach I. Using remotely sensed data and ecological observations of net primary production | |
| CN112580982B (zh) | 一种基于多时相遥感和casa模型的生态保护红线实施评估 | |
| CN114062439B (zh) | 一种利用时间序列遥感影像联合估算土壤剖面盐分的方法 | |
| CN112380980A (zh) | 一种人工龙竹林lai遥感估测最佳尺度选择方法 | |
| CN110750516A (zh) | 基于雷达图的降雨分析模型构建方法、构建系统及分析方法 | |
| CN111737876A (zh) | 一种具有时空分布特征的茶叶开采期及采摘时长预测方法 | |
| CN114297578A (zh) | 一种基于遥感的草地植被覆盖度估算及预测方法 | |
| CN116341724B (zh) | 基于全球气候模式驱动碳循环机理模型的碳吸收预估方法 | |
| CN115062863A (zh) | 基于作物参考曲线和积温校正的苹果的始花期预测方法 | |
| CN115575601A (zh) | 基于水汽通量散度的植被旱灾指数评估方法和系统 | |
| CN115860285B (zh) | 一种烟草最适移栽期的预测方法及装置 | |
| CN116106472A (zh) | 基于正向迭代变量筛选的土壤有机碳数字制图方法及装置 | |
| Rozante et al. | A newly developed South American Mapping of Temperature with estimated lapse rate corrections |
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 |