CN111898922A - 一种多尺度农作物产量评估方法及系统 - Google Patents
一种多尺度农作物产量评估方法及系统 Download PDFInfo
- Publication number
- CN111898922A CN111898922A CN202010795078.2A CN202010795078A CN111898922A CN 111898922 A CN111898922 A CN 111898922A CN 202010795078 A CN202010795078 A CN 202010795078A CN 111898922 A CN111898922 A CN 111898922A
- Authority
- CN
- China
- Prior art keywords
- yield
- leaf area
- area index
- remote sensing
- simulated
- 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 54
- 241000209140 Triticum Species 0.000 claims abstract description 62
- 235000021307 Triticum Nutrition 0.000 claims abstract description 62
- 230000001932 seasonal effect Effects 0.000 claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 36
- 238000013210 evaluation model Methods 0.000 claims abstract description 25
- 238000004088 simulation Methods 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 238000004519 manufacturing process Methods 0.000 claims abstract description 14
- 230000012010 growth Effects 0.000 claims description 44
- 238000001556 precipitation Methods 0.000 claims description 18
- 230000005855 radiation Effects 0.000 claims description 17
- 238000007637 random forest analysis Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000012950 reanalysis Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 7
- 239000002689 soil Substances 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 description 27
- 238000009826 distribution Methods 0.000 description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 13
- 238000011161 development Methods 0.000 description 9
- 230000018109 developmental process Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 235000013339 cereals Nutrition 0.000 description 7
- 230000002354 daily effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 229920006395 saturated elastomer Polymers 0.000 description 6
- 230000009467 reduction Effects 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 238000009331 sowing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000000243 photosynthetic effect Effects 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 208000005156 Dehydration Diseases 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006907 apoptotic process Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000005427 atmospheric aerosol Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 244000309464 bull Species 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 210000000805 cytoplasm Anatomy 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005059 dormancy Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000006266 hibernation Effects 0.000 description 1
- 210000003701 histiocyte Anatomy 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000014634 leaf senescence Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000000473 mesophyll cell Anatomy 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000037039 plant physiology Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
- 230000009105 vegetative growth Effects 0.000 description 1
- 238000010792 warming Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Agronomy & Crop Science (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Bioinformatics & Computational Biology (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种多尺度农作物产量评估方法及系统。评估方法包括:获取第一再分析资料、ERA5再分析资料以及作物参数;利用WOFOST模型输出模拟叶面积指数以及模拟产量;利用第一再分析资料以及ERA5再分析资料计算待选气象指标,并结合模拟产量确定季节性天气变量;根据所述模拟产量以及所述季节性天气变量确定产量评估模型;获取冬小麦返青阶段至成熟阶段的遥感数据;所述遥感数据包括每年12景叶面积指数影像;根据所述模拟叶面积指数对所述遥感叶面积指数进行修正,确定修正后的遥感叶面积指数;基于SCYM多尺度农作物框架,将所述修正后的遥感叶面积指数以及所述季节性天气变量输入到所述产量评估模型,确定多尺度农作物产量。本发明能够提高产量评估精度。
Description
技术领域
本发明涉及多尺度农作物产量评估领域,特别是涉及一种多尺度农作物产量评估方法及系统。
背景技术
粮食安全是国家平稳健康运行的基石,是社会和谐、政治稳定和经济可持续发展的重要保障。准确预测区域乃至全球的农作物产量能够为各级政府、相关部门制定农业农村政策提供技术支持,保障粮食安全。
国内外专家学者在农作物长势监测及产量估算方面进行了大量研究。上世纪70年代以来,卫星遥感技术飞速发展,诸多专家学者研究发现,建立反射率所表征的地表信息(例如植被指数、叶面积指数)与特定时间地点的产量的经验模型,在估产上可取得较高精度(Kumar 1999,黄敬峰等2002,Bullock 2004,王长耀和林文鹏2005,陶伟国等2007)。随着计算机技术的不断发展和农学研究的不断深入,作物生长模型以其较强的机理性和时间上的连续性成为研究作物生长情况及产量预测领域的新兴技术。然而,对于目前的估产方法而言,遥感手段过于依赖地面实测产量,作物模型则局限于单点或小范围尺度上的模拟,进而极大地抑制了模型的普适性。专家学者们研究发现,对遥感数据与作物模型进行耦合,利用空间上连续、时间上动态变化的卫星观测数据获取模型中较难获得的参数,能够调整模型产量形成的过程,使模拟结果更为精准,但不足之处在于需要以特定站点的土壤数据、逐日气象资料为支撑,采取计算密集型方法同化需要耗费大量资源、时间,给推广带来困难。
美国斯坦福大学的Lobell团队针对以上估产方法存在的一些问题,提出了兼具遥感数据的宏观尺度与生长模型的机理性特点的可伸缩作物产量制图器(Scalable CropYieldMapper,SCYM)估产框架(Lobel et al 2015)。该估产框架要求输入参数少且无需大量地面实测数据的校准,为多尺度农作物估产研究提供了一条有效途径。目前这一算法已被用于不同产区从县级到单个田块等不同地理尺度上的作物产量估算,产量预测结果均得到明显改善(Azzari et al 2017,Burke andLobell 2017,Jain et al 2017,Jin et al2017)。但是对于SCYM估产框架的研究尚在探索阶段,仅采用地面实测数据校准,模型精度只是差强人意。
发明内容
本发明的目的是提供一种多尺度农作物产量评估方法及系统,以解决现有SCYM估产框架仅采用地面实测数据校准,评估精度低的问题。
为实现上述目的,本发明提供了如下方案:
一种多尺度农作物产量评估方法,包括:
获取第一再分析资料、ERA5再分析资料以及作物参数;所述第一再分析资料包括7个气象要素,所述7个气象要素为低于距离阈值的近地面气温、降水、气压、比湿度、近地面10米处风速、下行短波和长波辐射;所述ERA5再分析资料包括近地表2米处气温数据与露点温度;
利用WOFOST模型输出模拟叶面积指数以及模拟产量;
利用所述第一再分析资料以及所述ERA5再分析资料计算待选气象指标,并结合所述模拟产量确定季节性天气变量;所述季节性天气变量包括播种—越冬期积温、全生育期降水量、5月的太阳辐射以及12至下一年2月的平均气温;
根据所述模拟产量以及所述季节性天气变量确定产量评估模型;
获取冬小麦返青阶段至成熟阶段的遥感数据;所述遥感数据包括每年12景叶面积指数影像;所述模拟叶面积指数与所述遥感叶面积指数一一对应;
根据所述模拟叶面积指数对所述遥感叶面积指数进行修正,确定修正后的遥感叶面积指数;
基于SCYM多尺度农作物框架,将所述修正后的遥感叶面积指数以及所述季节性天气变量输入到所述产量评估模型,确定多尺度农作物产量。
可选的,具体包括:
按照8天为一个时间段对所述模拟叶面积指数进行划分,并获取任意2个时间段的模拟叶面积指数;
根据所述季节性天气变量以及所述任意2个时间段的模拟叶面积指数训练随机森林模型,确定不同时段的产量评估模型。
可选的,还包括:
获取每个所述产量评估模型的决定系数。
可选的,具体包括:
对所述遥感叶面积指数进行均值滤波处理,确定滤波后的遥感叶面积指数;
利用滤波后的遥感叶面积指数与相同时段的模拟叶面积指数进行线性拟合,确定拟合结果;
根据所述拟合结果对所述遥感叶面积指数进行修正,确定修正后的遥感叶面积指数。
可选的,具体包括:
基于所述SCYM多尺度农作物框架,按照所述决定系数从高到低的顺序,确定最佳观测日期;
获取所述最佳观测日期对应的产量评估模型;
将所述修正后的遥感叶面积指数以及所述季节性天气变量输入到所述最佳观测日期对应的产量评估模型,确定多尺度农作物产量。
可选的,还包括:
根据所述多尺度农作物产量调整下一年的农作物生长策略;所述农作物生长策略包括农作物品种、土壤属性以及种植面积。
一种多尺度农作物产量评估系统,包括:
参数获取模块,用于获取第一再分析资料、ERA5再分析资料以及作物参数;所述第一再分析资料包括7个气象要素,所述7个气象要素为低于距离阈值的近地面气温、降水、气压、比湿度、近地面10米处风速、下行短波和长波辐射;所述ERA5再分析资料包括近地表2米处气温数据与露点温度;
模拟参数输出模块,用于利用WOFOST模型输出模拟叶面积指数以及模拟产量;
季节性天气变量确定模块,用于利用所述第一再分析资料以及所述ERA5再分析资料计算待选气象指标,并结合所述模拟产量确定季节性天气变量;所述季节性天气变量包括播种—越冬期积温、全生育期降水量、5月的太阳辐射以及12至下一年2月的平均气温;
产量评估模块确定模块,用于根据所述模拟产量以及所述季节性天气变量确定产量评估模型;
遥感数据获取模块,用于获取冬小麦返青阶段至成熟阶段的遥感数据;所述遥感数据包括每年12景叶面积指数影像;所述模拟叶面积指数与所述遥感叶面积指数一一对应;
修正模块,用于根据所述模拟叶面积指数对所述遥感叶面积指数进行修正,确定修正后的遥感叶面积指数;
多尺度农作物产量确定模块,用于基于SCYM多尺度农作物框架,将所述修正后的遥感叶面积指数以及所述季节性天气变量输入到所述产量评估模型,确定多尺度农作物产量。
可选的,所述产量评估模型确定模块具体包括:
划分单元,用于按照8天为一个时间段对所述模拟叶面积指数进行划分,并获取任意2个时间段的模拟叶面积指数;
产量评估模块确定单元,用于根据所述季节性天气变量以及所述任意2个时间段的模拟叶面积指数训练随机森林模型,确定不同时段的产量评估模型。
可选的,还包括:
决定系数获取单元,用于获取每个所述产量评估模型的决定系数。
可选的,所述修正模块具体包括:
滤波单元,用于对所述遥感叶面积指数进行均值滤波处理,确定滤波后的遥感叶面积指数;
拟合单元,用于利用滤波后的遥感叶面积指数与相同时段的模拟叶面积指数进行线性拟合,确定拟合结果;
修正单元,用于根据所述拟合结果对所述遥感叶面积指数进行修正,确定修正后的遥感叶面积指数。
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:本发明提供了一种多尺度农作物产量评估方法及系统,利用遥感数据对SCYM估产框架进行优化,提高了SCYM估产框架的估产精度和适用性。由于SCYM具有较强的可扩展性,且WOFOST模型是一种通用的作物生长模型,因此,本发明的估产框架理论上可用于我国绝大多数农作物的多尺度估产,以调整下一年的农作物生长策略。
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为本发明所提供的多尺度农作物产量评估方法流程图;
图2为安徽省气象要素分布图;其中,图2(a)为日最高温分布图;图2(b)为日最低温分布图;图2(c)为日辐射量分布图;图2(d)为降水量分布图;图2(e)为风速分布图;图2(f)为清晨水汽压分布图;
图3为冬小麦空间分布数据概况图;
图4为随机森林算法流程图;
图5为不同站点/年组合下WOFOST模拟产量与站点实测产量的对比图;
图6为50次随机模拟的LAI时序曲线图;
图7为50次随机模拟的WSO时序曲线图;
图8为基于LAI模拟值和季节性天气变量的随机森林模型的决定系数(R2)分布图;
图9为不同站点/年组合下SCYM估算产量与站点实测产量的对比图;
图10为SCYM与简单模型精度逐年对比图;
图11为SCYM估算产量与站点实测产量的相对误差空间分布图;
图12为2012~2018年SCYM估算产量平均值示意图;
图13为2012~2018年安徽省冬小麦单产变化趋势图;
图14为SCYM估算产量与站点实测产量对比图。
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多尺度农作物产量评估方法及系统,能够提高产量评估精度。
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。
图1为本发明所提供的多尺度农作物产量评估方法流程图,如图1所示,一种多尺度农作物产量评估方法,包括:
步骤101:获取第一再分析资料、ERA5再分析资料以及作物参数;所述第一再分析资料包括7个气象要素,所述7个气象要素为低于距离阈值的近地面气温、降水、气压、比湿度、近地面10米处风速、下行短波和长波辐射;所述ERA5再分析资料包括近地表2米处气温数据与露点温度。
步骤102:利用WOFOST模型输出模拟叶面积指数以及模拟产量。
步骤103:利用所述第一再分析资料以及所述ERA5再分析资料计算待选气象指标,并结合所述模拟产量确定季节性天气变量;所述季节性天气变量包括播种—越冬期积温、全生育期降水量、5月的太阳辐射以及12至下一年2月的平均气温。
步骤104:根据所述模拟产量以及所述季节性天气变量确定产量评估模型。
步骤105:获取冬小麦返青阶段至成熟阶段的遥感数据;所述遥感数据包括每年12景叶面积指数影像;所述模拟叶面积指数与所述遥感叶面积指数一一对应。
步骤106:根据所述模拟叶面积指数对所述遥感叶面积指数进行修正,确定修正后的遥感叶面积指数。
步骤107:基于SCYM多尺度农作物框架,将所述修正后的遥感叶面积指数以及所述季节性天气变量输入到所述产量评估模型,确定多尺度农作物产量。
在实际应用中,以安徽省为例,进一步阐述本发明所提供的多尺度农作物产评估方法。
研究区域概况
安徽省(29°41’N~34°38’N,114°54’E~119°37’E)地处中国南北交界处,位于淮河、长江两大水系的中下游,地形种类齐全,皖西、皖南以丘陵山地为主,皖北则是平原地区,总面积约14万km2。该区域属亚热带与温带季风气候的过渡区域,年均温为15℃左右,年均降水量介于700~1600mm之间,全年气候宜人、光热条件良好,适宜多种农作物的生长。安徽省占据地理位置优势,为粮食产业提供了优越的发展条件,因此成为我国粮食产出大省以及重要的商品粮基地。
在中国诸多粮食作物中,冬小麦是极为重要的一种。安徽省属于冬小麦的雨养区,粮食产量与气象条件密不可分,但长期开放式的经营模式阻碍了冬小麦生产潜力的提升(张宁2018)。以安徽省冬小麦作为本发明的研究对象,能够为相关部门的宏观调控提供技术支持,保障我国粮食市场稳定向好发展。
气象数据:
中科院青藏高原研究所再分析资料(第一再分析资料)
本发明所需安徽省2012~2018年逐日气象数据来自于中国科学院青藏高原研究所生产的《中国区域地面气象要素驱动数据集》(Yang et al 2010,阳坤和何杰2018,He etal 2020),该数据集的时间分辨率为3小时,空间分辨率为0.1°×0.1°,覆盖范围为中国陆地区域,包含7个气象要素:近地面气温、降水、气压、比湿度、10m风速、下行短波和长波辐射。经过格式转换与要素计算得到模型所需的逐日太阳辐射、日最低温、日最高温、清晨水汽压、风速和降水量等6个气象要素。这六个气象要素只是《中国区域地面气象要素驱动数据集》所提供的数据,我们通过编程方式将其处理成模型所需要的格式,输入到模型当中,后续优化方案只针对作物参数、土壤参数进行优化,因为每个站点在某一天的气象数据是真实且已知的,不需要进行优化。
安徽省冬小麦生育期多年平均气象条件分布情况如图2所示。气象要素换算方法如下:
1)风速换算
再分析资料中风速为近地面10m处风速,而模型应输入冠层2m处风速,需要根据风梯度公式进行换算:
2)清晨水汽压计算
根据逐小时近地面气温计算出日最高、最低气温,采用Magnus经验公式计算模型所需的清晨水汽压,其中E为实际水汽压,E0=0.611kPa,T为日平均气温,由日最高、最低气温取平均获得:
ERA5再分析资料
第一再分析资料是作为WOFOST作物生长模型的输入项(该模型有单独的子模块需要输入气象数据,从而驱动模型)。但由于2.2.1中的再分析资料所提供的数据不能计算出饱和水汽压差(这是对冬小麦产量形成非常重要的气象要素),所以采用另外一套数据(也就是ERA5)进行计算。
ERA5数据集是欧洲中期天气预报中心(ECMWF,European Centre for Medium-Range Weather Forecasts)发布的第5代再分析资料。该数据集的时间跨度为1979年至今,水平分辨率为0.25°×0.25°,垂直方向分为137层,可提供全球范围内每天逐小时的估计值,有利于小区域的研究。ERA5相对于上一代产品ERA-Interim在质量控制、资料选择、偏差校正等方面均有较大改进,其最大特色是采用了4D-Var资料同化方法,集成预报模式从Cy31r2改进为Cy41r2,快速辐射传输模式升级为RTTOV-v11,提供的资料种类从100种增加到现在的240种。Albergel等(Albergel et al 2018)利用8个土地状况的独立观测结果与ERA5和ERA-Interim进行模拟,发现前者对陆地水文循环有关的地表变量具有明显改进;孟宪贵等(孟宪贵等2018)利用山东省10个气象站点的数据对ERA5资料进行检验,结果表明其数据质量总体优于ERA-Interim;朱景等(朱景和袁慧珍2019)分析了2套陆面温度资料对于浙江省的实用性,发现前者整体上好于后者。
本发明利用ERA5逐小时再分析资料中的近地表2m气温数据与露点温度计算得到季节性天气变量饱和水汽压差(Vapor Pressure Deficit,VPD)。VPD是在一定温度下饱和水汽压与空气中实际水汽压的差值。空气中的实际水汽压即为露点温度下的饱和水汽压。
VPD=Es(T)-E(T);其中T为近地表2m气温,单位为℃,Es(T)为饱和水汽压,E(T)为空气中的实际水汽压,单位为kPa。
E(T)=Es(Td);其中Td为露点温度,Es(Td)为露点温度下的饱和水汽压。
遥感数据选用的是美国国家航空和航天局(NASA)地球观测系统(EOS)信息中心提供的8d合成、500m空间分辨率的MOD15A2H产品,在冬小麦返青至成熟期间(每年3-5月)可提供12景LAI影像,由光合有效辐射与叶面积指数两部分构成。为降低云和大气气溶胶的影响,本发明将会基于QC数据层(质量控制文件),筛选高质量的LAI数据,并记录相应的数据获取时间,用于估产模型的构建。
冬小麦空间分布数据
如图3所示,研究选用安徽省冬小麦生长关键期多幅遥感影像,以县为单位,基于物候数据及地面调查数据选取训练样本,利用神经网络或最大似然法进行监督分类;采用2m空间分辨率影像提取耕地图斑,与分类结果求交集,获得安徽省冬小麦空间分布,分类精度可达85%。
本发明中涉及的统计数据来自国家统计局,为村级尺度的冬小麦单位面积产量。具体做法是:以安徽省为总体,在各抽样调查县按比例抽取具有代表性的村民小组登记其作物播种面积,在小组内抽选等量地块作为样本,测算出每个地块的作物单产。本发明涉及的模型模拟产量以及产量验证数据均为冬小麦单产,在2012~2018年间,全省共包含1265个可用的村级站点/年组合。
如图4所示,随机森林是由多棵决策树组成的,其本质是将若干个弱分类器集成为强分类器的集成算法。该算法利用bootstrap有放回地抽取与样本集相同大小的训练集,构建分类回归树,针对每棵树的分类结果,采取投票(取众数)或算术平均的方法得到分类或回归结果,误差则基于未被抽取的样本组成的数据集来计算。随机森林的“随机”主要体现在:一是有放回随机抽取数据作为训练样本;二是每棵树的特征变量要从自变量集合中随机抽取,并将最具分类能力的特征变量用于分割。由于该特性,可有效地避免训练过程中出现过拟合现象。
在本发明中将季节性天气变量及最佳观测日期下的LAI值作为随机森林的特征变量集合,产量数据模拟值作为森林的输出结果,具体训练过程如下:
1)将原始数据集划分为70%的训练集和30%的验证集,从训练集中随机且有放回地抽取k条数据作为训练样本,袋外数据集则由每次未被抽取到的数据组成。原始数据集是指1192个站点的天气变量、模拟LAI与模拟产量数据
2)森林的输入变量包含N个特征,针对每棵决策树都随机选取n(n<N)个特征作为分割特征,再依据信息增益相关原理选取每个节点的最优分割变量。
3)每棵决策树都自顶向下地递归执行,选取最优的分枝,直到满足终止条件停止分裂。
4)将验证集的数据代入到每个训练好的决策树分类器中进行预测,对每棵树的分类结果简单算术平均即可得到最终预测结果。
WOFOST模型是由荷兰Wageningen农业大学和世界粮食研究中心(CWFS)共同开发研制,用于模拟一年生作物生长发育过程的动态、解释性模型,该模型以作物品种、土壤属性、气候资料及田间管理措施为驱动,逐日模拟作物出苗到成熟的生理过程。取决于吸收阳光的能力以及冠层的反射特征的叶面积指数(LAI)是模型中最重要的变量之一,其影响着作物的干物质积累,进而决定了最终产量。
SCYM是Lobell团队提出的一种新的多尺度农作物估产框架,该方法利用作物模型中嵌入的生理知识去解释卫星观测结果,不仅消除了模型对实测水汽参数和产量数据的依赖,还可以快速应用于不同田块、不同种类作物的估产,估产精度高并且可扩展性强。
在本发明中,用于安徽地区的SCYM估产框架的基本流程为:
1)在一系列合理的管理措施和环境条件下进行作物模型模拟,生成大量模拟值。
2)模拟LAI、天气变量与模拟产量训练多元回归模型。
基于WOFOST模型的安徽省冬小麦生长发育过程模拟
在前人对WOFOST模型参数敏感性分析的基础上,依据高敏感性参数在研究区内的合理取值范围内进行组合,并利用大量实割实测数据选取最优参数组合,以使模型能够更好地模拟安徽省冬小麦产量形成过程。
模型参数设置:
安徽省地形条件复杂,气温、降水等气象要素在时空分布上极不均匀,异质性较强,研究区被淮河、长江两大水系均匀划分为三个部分。为提高研究的准确性,本发明将研究区按照纬度划分为皖北、皖中、皖南,针对1265个站点/年的产量逐年进行模拟,其中皖北含有650个站点/年,皖中506个站点/年,皖南109个站点/年。
WOFOST模型中作物品种、土壤属性、田间管理等参数同天气变化一起影响着最终产量的形成,模型模拟结果对不同参数变化的响应程度不同。本发明搜集了基于WOFOST模型模拟华北平原冬小麦生长发育动态相关的大量文献,在这些文献中作者完成了参数敏感性分析以及本地化率定工作,并提供了全部参数的取值范围,表1为WOFOST模型中冬小麦主要参数标定范围表,如表1所示。
表1
鉴于田间实验数据难以获取这一重要原因,本发明基于前人研究成果,最终挑选出高敏感性的生长参数:从出苗到开花的积温TSUM1、叶片衰老系数SPAN、从出苗到开花的比叶面积SLATB2以及播种日期IDSOW,综合考虑安徽省气象条件和作物生长物候期,分别在其适宜范围内取等间隔的10个值,对以上四个参数的取值进行排列组合,以各站点的气象数据为驱动,分别在皖北、皖中、皖南区域进行模拟,这种方式在遵循模型运行的生物学含义的同时,尽可能地减少了运算次数。
叶面积指数与产量模拟
如图5所示,将全部参数组合下的各站点/年的模拟产量与地面实测单产进行线性拟合,对异常值点进行剔除,在三个区域分别选出拟合优度最高的参数组合,最终整体产量的R2达到0.421,皖北地区为0.452,皖中地区为0.376,皖南地区为0.668。
从三区域最优参数组合对应的模拟结果中随机抽取50次,冬小麦全生育期LAI及WSO变化如图6所示,可以看出安徽省冬小麦的生长情况具有广泛的变异性。
图6为冬小麦LAI随时间变化的模拟值,可以看出LAI最大值普遍在3~7之间。全生育期为200~230天,在生长发育前期(从播种到越冬期),LAI呈缓慢增加趋势;处于越冬休眠时期,冬小麦停止生长,在图中表现为LAI时序曲线的斜率为0;伴随气温回升,在次年2-3月进入返青期,此时生殖生长和营养生长并行,LAI迅速升高并于来年4-5月达到峰值,而后抽穗扬花,LAI下降,直至冬小麦成熟收获。可以看出在12月~2月期间LAI没有发生变化,而事实上安徽地区冬小麦在冬季普遍存在越冬休眠期,极端气候条件会造成叶片萎蔫、生物量剧减,但WOFOST模型无法模拟这一过程。
图7为不同模拟条件下冬小麦贮藏器官干重(WSO)的时序曲线,一般将其最大值视为单产指标(kg/ha)。如图所示,冬小麦单产在5000~8000kg/ha波动,因不同作物品种、土壤类型、田间管理措施以及天气条件而呈现出了广泛的变异性。次年3月中旬以后,WSO呈指数增长趋势,滞后于LAI的增加。在一定时间范围内,WSO随着LAI的升高而增加,当LAI增大到一定程度后,WSO不再提高。
基于SCYM框架的安徽省冬小麦估产:
本发明建立了SCYM估产框架,并利用该框架估算了安徽省冬小麦产量。首先利用逐步回归法选取了对产量形成影响较大的季节性天气变量,基于第三章最优参数组合下模型模拟结果,建立不同时段LAI、天气变量与模拟产量的回归关系,然后依据遥感数据的质量评估信息逐像元确定了LAI最佳影像观测日期组合,最后利用遥感数据代替模拟LAI进行估产。
季节性天气变量选取,表2为待选择的季节性天气变量示意表,如表2所示:
表2
从植物生理生态的角度出发,气温、降水、光照和饱和水汽压差(VPD)共同影响着作物生长发育,最终决定了产量形成。大量实验研究证明,组织细胞在低温状态下容易被破坏,原生质脱水导致光合作用减弱,作物的分蘖数减少,产量也会大幅下降(何煜明2016);如若遭受水分胁迫,作物通常以关闭气孔来应对,不仅单株叶片的面积减小,还会造成叶绿素含量下降,进而叶肉细胞光合能力受损(陈婷婷和杨建昌2010);灌浆期缺乏光照致使作物光合能力降低,生成的同化物减少,灌浆速率相应降低,粒重及产量也会受到影响(郑有飞等2013);植株叶片与周围空气中的VPD较高时,蒸腾速率加快,作物通常以降低气孔导度的方式应对较高的VPD,不利于气体的正常交换(吴东星2018)。基于以上研究成果,本发明结合安徽省冬小麦的各生育阶段,设计出以下指标作为待选变量,如表2所示。
利用安徽冬小麦播种月(每年10月)至收获月(次年6月)的再分析资料,结合冬小麦生长发育期计算出以上指标。以待选因子作为解析变量,对相应站点/年的模拟产量进行逐步回归,设置最大步数为4,最终选取播种—越冬期积温、全生育期降水量、5月太阳辐射以及12~2月平均气温作为构建产量预测模型的天气变量,以上4个天气变量对模拟产量的解释能力可达到0.525。
产量预测模型建立:
过去的研究中通常以特定日期的植被指数或者叶面积指数作为单一自变量与产量建立回归模型,在本发明中,为体现不同时段LAI对模型解释能力的影响,我们将上文选取的4个与产量形成密切相关的季节性天气变量与不同时段的模拟LAI相结合,训练产量预测模型。
WOFOST模型在模拟作物生长过程中并未考虑越冬期叶片枯萎凋亡的情况,从图6的LAI时序曲线也可以看出作物在返青期后生长速率剧增,因此我们将返青期到成熟期(3-5月)按8d为一个单位划分时间段,得到12个时间段,提取每个时间段的最大模拟LAI,此处选择以8d为单位是便于在后面的步骤中将模拟LAI与8d一景的LAI遥感观测值一一对应。播种-越冬期积温、全生育期降水量、5月太阳辐射、12~2月平均气温与两个不同时间段内LAI值进行排列组合,共同作为随机森林的输入特征变量,并将不同日期组合训练成的随机森林模型储存起来,以便后续逐像元预测使用。
图8代表不同时段LAI组合作为特征变量时模型的解释能力,红色为解释能力强,蓝色为解释能力弱。从图中可以看出,基于LAI模拟值和季节性天气变量的产量预测模型对模拟结果变异性的解释能力取决于LAI的具体观测日期,但总体上决定系数较高,均在0.68以上。总体来看,相较于前期(3月初),在冬小麦生长发育后期(4月中旬以后)进行LAI观测时,模型的解释能力更强。
大约在冬小麦播种来年的5月9日至16日、5月17日至5月24日之间进行LAI观测,可以获得该区域最准确的产量估计值。
最佳影像日期组合的选择:
本发明所使用的MOD15A2H产品自带质量控制文件(FparLai_QC),数据层中的像元值为8位二进制数,其0~1位用于评价像元的总体质量,如取值为00代表该像元质量较好,取值为01代表该像元质量一般。依据质量文件以及冬小麦空间分布数据筛选出质量好且属于冬小麦种植区的像元,其余像元值设为NaN。用于验证的产量数据属于村级尺度,而MODIS产品的分辨率为500m×500m,因此对LAI数据进行均值滤波处理。
前人研究表明,MODIS LAI产品在反映森林、草本植物等植被生长方面效果较好,但由于农作物种植范围相对较小,利用遥感观测时不可避免地会出现大量混合像元,因此LAI被低估的现象是普遍存在的。本发明利用2012~2018年返青期至成熟期(3~5月)均值滤波后的LAI数据与相同时间段的模拟LAI进行线性拟合,对遥感观测值进行修正。
对不同时相LAI组合下模型的解释能力按照从高到低排序,提取出每个站点/年所对应像元的最佳可用观测日期组合。将每个站点/年的季节性天气变量及两个时段的LAI修正值代入到训练好的随机森林模型中预测产量。
安徽省冬小麦SCYM估产框架精度分析:
1)站点尺度估产精度分析:
如图9所示,将全部站点/年组合视为一个整体时,模型的产量估算值与实测值总体相关性为0.758(R2为0.575),RMSE为790.92kg/ha。其中对皖北地区冬小麦产量的预测效果最佳,相关系数可达0.604(R2为0.365),RMSE为807.77kg/ha,在皖南地区预测效果不佳,相关系数仅为0.210(R2为0.044),RMSE为786.56kg/ha。
为了更好地比较,我们还建立了仅以两个最佳时相LAI为特征变量的随机森林模型,这也是过去的研究中最为常用的方法,其并不会考虑气候影响,也不会根据影像质量来调整LAI观测值。本发明对这两种方法的预测精度逐年进行了比较分析,如图10所示。简单模型整体估产精度为0.110,RMSE为810.21kg/ha,可以看出,2012~2018年每一种情形下SCYM都优于该方法。
从SCYM估产的空间分布差异来看(图11),估产精度的空间异质性显著,估产精度较高的站点主要分布在淮北平原,相对误差普遍在1%以下,而高误差区域集中于皖南丘陵地带,最大相对误差达到60.6%。可能的原因是皖北地区气候条件适宜冬小麦生长,种植规模较大,产量验证点分布较为密集,而皖南地区多为山地丘陵,站点分布稀疏,为SCYM框架解释低产信息带来了一定的困难。
2)安徽省冬小麦估产精度分析:
本发明以季节性天气变量及每个像元最佳观测日期组合下的LAI为驱动,对2012~2018年安徽省冬小麦的产量进行预测,多年平均产量分布情况如图12。图中红色代表小麦高产区,蓝色代表小麦低产区,白色为非耕地区域,小麦单产在4531.91~6997.58kg/ha。总体而言,小麦单产由北向南逐渐减少,高值区出现在皖北的淮北平原,低值区则在皖中、皖南均有分布。其中最高值出现在皖北的宿州市,最低值出现在皖西南的安庆市。
将SCYM估产结果与站点实割实测数据逐年比较,由图13-图14可以看出,2014年后估算产量持续下降,分析七年的天气变量发现,2014年以后5月太阳辐射总量下降11.92%,全生育期降水量增加22.94%,多雨寡照的气候条件对冬小麦灌浆十分不利,从而导致冬小麦减产。自2015年开始,播种-越冬期积温、12~2月平均气温不断升高,已有研究发现,气候变暖导致小麦发育前期旺长,如春季气温回升而不及时调控,后期容易发生早衰、倒伏,从而产量大幅下降。但总体来看,2012~2018年实测单产平均值为6058.00kg/ha,SCYM估算单产平均值为5984.95kg/ha,两条时序曲线的相关性达到0.822,RMSE为189.96kg/ha,每年估产的相对误差均不超过6%,说明该方法具有一定的可行性,可为安徽冬小麦的产量估算提供技术支持。
本发明以安徽省冬小麦为研究对象,通过总结前人研究确定的敏感参数及其在研究区内的波动范围,结合大量实割实测数据优化WOFOST模型参数,在SCYM基本框架基础上,利用随机森林模型代替多元线性回归模型,在站点/年尺度及全省冬小麦种植空间分别进行产量估算,均取得良好效果。
在本发明中,该模型平均能够解释一半以上的产量变化,更为重要的是,该模型在推广应用方面具有普适性,进行产量估算所需的数据非常容易获取,仅需要输入气象条件以及遥感观测值便可快速应用于不同种植场景,实现对不同研究区域、不同作物的产量估计,且无需地面数据校准。可以通过增加作物生长模型、提高驱动数据的时空分辨率、更换其他回归模型等多种方式提高预测的精度,能够在一定程度上改善当前估产模型存在的地域性、经验性,解决计算密集型方法代价高昂、难以推广的弊端,为农业估产提供极其重要的理论依据和实用价值。
但是对于SCYM的研究尚在探索阶段,模型精度只是差强人意,距离真正投入使用还有待于更加深入的研究:
1)由于缺乏专业农业气象试验站点数据,本发明无法基于田间测量数据调整和确定WOFOST模型的参数。因此,本发明通过查阅文献总结前人确定的WOFOST模型的敏感参数及其在研究区内的波动范围,结合大量实割实测数据,确定最优模型参数。然而,本发明确定的最优参数在其他地区可能不再适用。未来期望能够加强作物生长模拟方面的研究,注重田间数据的采集,以使农作物估产模型更具有普适性。
2)本发明的SCYM框架估产仅使用了MODIS LAI遥感数据,在未来的研究中应引入多源遥感数据,有望进一步提高SCYM估产框架的估产精度和适用性。
3)本发明所使用的冬小麦空间分布数据的空间分辨率和分类精度均较高,但是该数据的农田类别中可能混杂其他类型的农作物,进而影响冬小麦估产的精度。后续研究有必要采用更高精度的农作物分类产品进一步完善SCYM估产框架,以期提高大尺度冬小麦估产的精度。
4)由于SCYM具有较强的可扩张性,且WOFOST模型是一种通用的作物生长模型,本发明框架理论上可用于我国绝大多数农作物的多尺度估产。在后续研究中,将逐步评估SCYM估产框架对我国其他主要粮食作物的多尺度估产效果。
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。
本文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 (10)
1.一种多尺度农作物产量评估方法,其特征在于,包括:
获取第一再分析资料、ERA5再分析资料以及作物参数;所述第一再分析资料包括7个气象要素,所述7个气象要素为低于距离阈值的近地面气温、降水、气压、比湿度、近地面10米处风速、下行短波和长波辐射;所述ERA5再分析资料包括近地表2米处气温数据与露点温度;
利用WOFOST模型输出模拟叶面积指数以及模拟产量;
利用所述第一再分析资料以及所述ERA5再分析资料计算待选气象指标,并结合所述模拟产量确定季节性天气变量;所述季节性天气变量包括播种—越冬期积温、全生育期降水量、5月的太阳辐射以及12至下一年2月的平均气温;
根据所述模拟产量以及所述季节性天气变量确定产量评估模型;
获取冬小麦返青阶段至成熟阶段的遥感数据;所述遥感数据包括每年12景叶面积指数影像;所述模拟叶面积指数与所述遥感叶面积指数一一对应;
根据所述模拟叶面积指数对所述遥感叶面积指数进行修正,确定修正后的遥感叶面积指数;
基于SCYM多尺度农作物框架,将所述修正后的遥感叶面积指数以及所述季节性天气变量输入到所述产量评估模型,确定多尺度农作物产量。
2.根据权利要求1所述的多尺度农作物产量评估方法,其特征在于,所述根据所述模拟产量以及所述季节性天气变量确定产量评估模型,具体包括:
按照8天为一个时间段对所述模拟叶面积指数进行划分,并获取任意2个时间段的模拟叶面积指数;
根据所述季节性天气变量以及所述任意2个时间段的模拟叶面积指数训练随机森林模型,确定不同时段的产量评估模型。
3.根据权利要求2所述的多尺度农作物产量评估方法,其特征在于,所述根据所述季节性天气变量以及所述任意2个时间段的模拟叶面积指数训练随机森林模型,确定不同时段的产量评估模型,之后还包括:
获取每个所述产量评估模型的决定系数。
4.根据权利要求3所述的多尺度农作物产量评估方法,其特征在于,所述根据所述模拟叶面积指数对所述遥感叶面积指数进行修正,确定修正后的遥感叶面积指数,具体包括:
对所述遥感叶面积指数进行均值滤波处理,确定滤波后的遥感叶面积指数;
利用滤波后的遥感叶面积指数与相同时段的模拟叶面积指数进行线性拟合,确定拟合结果;
根据所述拟合结果对所述遥感叶面积指数进行修正,确定修正后的遥感叶面积指数。
5.根据权利要求4所述的多尺度农作物产量评估方法,其特征在于,所述基于SCYM多尺度农作物框架,将所述修正后的遥感叶面积指数以及所述季节性天气变量输入到所述产量评估模型,确定多尺度农作物产量,具体包括:
基于所述SCYM多尺度农作物框架,按照所述决定系数从高到低的顺序,确定最佳观测日期;
获取所述最佳观测日期对应的产量评估模型;
将所述修正后的遥感叶面积指数以及所述季节性天气变量输入到所述最佳观测日期对应的产量评估模型,确定多尺度农作物产量。
6.根据权利要求4所述的多尺度农作物产量评估方法,其特征在于,所述基于SCYM多尺度农作物框架,将所述修正后的遥感叶面积指数以及所述季节性天气变量输入到所述产量评估模型,确定多尺度农作物产量,之后还包括:
根据所述多尺度农作物产量调整下一年的农作物生长策略;所述农作物生长策略包括农作物品种、土壤属性以及种植面积。
7.一种多尺度农作物产量评估系统,其特征在于,包括:
参数获取模块,用于获取第一再分析资料、ERA5再分析资料以及作物参数;所述第一再分析资料包括7个气象要素,所述7个气象要素为低于距离阈值的近地面气温、降水、气压、比湿度、近地面10米处风速、下行短波和长波辐射;所述ERA5再分析资料包括近地表2米处气温数据与露点温度;
模拟参数输出模块,用于利用WOFOST模型输出模拟叶面积指数以及模拟产量;
季节性天气变量确定模块,用于利用所述第一再分析资料以及所述ERA5再分析资料计算待选气象指标,并结合所述模拟产量确定季节性天气变量;所述季节性天气变量包括播种—越冬期积温、全生育期降水量、5月的太阳辐射以及12至下一年2月的平均气温;
产量评估模块确定模块,用于根据所述模拟产量以及所述季节性天气变量确定产量评估模型;
遥感数据获取模块,用于获取冬小麦返青阶段至成熟阶段的遥感数据;所述遥感数据包括每年12景叶面积指数影像;所述模拟叶面积指数与所述遥感叶面积指数一一对应;
修正模块,用于根据所述模拟叶面积指数对所述遥感叶面积指数进行修正,确定修正后的遥感叶面积指数;
多尺度农作物产量确定模块,用于基于SCYM多尺度农作物框架,将所述修正后的遥感叶面积指数以及所述季节性天气变量输入到所述产量评估模型,确定多尺度农作物产量。
8.根据权利要求7所述的多尺度农作物产量评估系统,其特征在于,所述产量评估模型确定模块具体包括:
划分单元,用于按照8天为一个时间段对所述模拟叶面积指数进行划分,并获取任意2个时间段的模拟叶面积指数;
产量评估模块确定单元,用于根据所述季节性天气变量以及所述任意2个时间段的模拟叶面积指数训练随机森林模型,确定不同时段的产量评估模型。
9.根据权利要求8所述的多尺度农作物产量评估系统,其特征在于,还包括:
决定系数获取单元,用于获取每个所述产量评估模型的决定系数。
10.根据权利要求9所述的多尺度农作物产量评估系统,其特征在于,所述修正模块具体包括:
滤波单元,用于对所述遥感叶面积指数进行均值滤波处理,确定滤波后的遥感叶面积指数;
拟合单元,用于利用滤波后的遥感叶面积指数与相同时段的模拟叶面积指数进行线性拟合,确定拟合结果;
修正单元,用于根据所述拟合结果对所述遥感叶面积指数进行修正,确定修正后的遥感叶面积指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010795078.2A CN111898922B (zh) | 2020-08-10 | 2020-08-10 | 一种多尺度农作物产量评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010795078.2A CN111898922B (zh) | 2020-08-10 | 2020-08-10 | 一种多尺度农作物产量评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111898922A true CN111898922A (zh) | 2020-11-06 |
CN111898922B CN111898922B (zh) | 2021-07-06 |
Family
ID=73246717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010795078.2A Active CN111898922B (zh) | 2020-08-10 | 2020-08-10 | 一种多尺度农作物产量评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898922B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128043A (zh) * | 2021-04-14 | 2021-07-16 | 中国水利水电科学研究院 | 一种基于水分胁迫的植被生长模型构建方法及系统 |
CN113255999A (zh) * | 2021-05-25 | 2021-08-13 | 中国农业科学院农业信息研究所 | 基于多模型的农作物产量评估方法、装置、设备及介质 |
CN113283346A (zh) * | 2021-05-28 | 2021-08-20 | 捷佳润科技集团股份有限公司 | 一种基于机器学习的火龙果产量预测方法 |
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 |
CN116596141A (zh) * | 2023-05-18 | 2023-08-15 | 淮阴工学院 | 一种基于物联网与多模型耦合的板蓝根产量预测系统 |
CN116629453A (zh) * | 2023-07-18 | 2023-08-22 | 山东科技大学 | 一种适用于作物全生育时期的遥感估产方法 |
CN116894514A (zh) * | 2023-07-13 | 2023-10-17 | 中国农业科学院农业环境与可持续发展研究所 | 一种基于土壤质量指标的作物产量预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160171680A1 (en) * | 2014-12-16 | 2016-06-16 | The Board of Trustees of the Land Stanford Junior University | Systems and Methods for Satellite Image Processing to Estimate Crop Yield |
CN109829234A (zh) * | 2019-01-30 | 2019-05-31 | 北京师范大学 | 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 |
CN110008621A (zh) * | 2019-04-15 | 2019-07-12 | 中国农业科学院农业资源与农业区划研究所 | 基于双重流依赖集合平方根滤波同化算法和基于该算法的作物模型遥感同化估产方法 |
CN110633841A (zh) * | 2019-08-13 | 2019-12-31 | 中国农业大学 | 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 |
-
2020
- 2020-08-10 CN CN202010795078.2A patent/CN111898922B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160171680A1 (en) * | 2014-12-16 | 2016-06-16 | The Board of Trustees of the Land Stanford Junior University | Systems and Methods for Satellite Image Processing to Estimate Crop Yield |
CN109829234A (zh) * | 2019-01-30 | 2019-05-31 | 北京师范大学 | 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 |
CN110008621A (zh) * | 2019-04-15 | 2019-07-12 | 中国农业科学院农业资源与农业区划研究所 | 基于双重流依赖集合平方根滤波同化算法和基于该算法的作物模型遥感同化估产方法 |
CN110633841A (zh) * | 2019-08-13 | 2019-12-31 | 中国农业大学 | 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 |
Non-Patent Citations (1)
Title |
---|
许伟 等: "《SCE标定结合EnKF同化遥感和WOFOST模型模拟冬小麦时序LAI》", 《农业工程学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128043A (zh) * | 2021-04-14 | 2021-07-16 | 中国水利水电科学研究院 | 一种基于水分胁迫的植被生长模型构建方法及系统 |
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 |
CN113255999A (zh) * | 2021-05-25 | 2021-08-13 | 中国农业科学院农业信息研究所 | 基于多模型的农作物产量评估方法、装置、设备及介质 |
CN113255999B (zh) * | 2021-05-25 | 2024-04-12 | 中国农业科学院农业信息研究所 | 基于多模型的农作物产量评估方法、装置、设备及介质 |
CN113283346A (zh) * | 2021-05-28 | 2021-08-20 | 捷佳润科技集团股份有限公司 | 一种基于机器学习的火龙果产量预测方法 |
CN116596141A (zh) * | 2023-05-18 | 2023-08-15 | 淮阴工学院 | 一种基于物联网与多模型耦合的板蓝根产量预测系统 |
CN116596141B (zh) * | 2023-05-18 | 2024-01-19 | 淮阴工学院 | 一种基于物联网与多模型耦合的板蓝根产量预测系统 |
CN116894514A (zh) * | 2023-07-13 | 2023-10-17 | 中国农业科学院农业环境与可持续发展研究所 | 一种基于土壤质量指标的作物产量预测方法及系统 |
CN116629453A (zh) * | 2023-07-18 | 2023-08-22 | 山东科技大学 | 一种适用于作物全生育时期的遥感估产方法 |
CN116629453B (zh) * | 2023-07-18 | 2023-10-24 | 山东科技大学 | 一种适用于作物全生育时期的遥感估产方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111898922B (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898922B (zh) | 一种多尺度农作物产量评估方法及系统 | |
US11617313B2 (en) | Controlling agricultural production areas | |
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 | |
Jin et al. | An analysis of spatiotemporal patterns in Chinese agricultural productivity between 2004 and 2014 | |
Vazifedoust et al. | Increasing water productivity of irrigated crops under limited water supply at field scale | |
Mo et al. | Prediction of crop yield, water consumption and water use efficiency with a SVAT-crop growth model using remotely sensed data on the North China Plain | |
Zhang et al. | Dynamic drought risk assessment for maize based on crop simulation model and multi-source drought indices | |
Jing-Song et al. | Climatic suitability of the distribution of the winter wheat cultivation zone in China | |
Van Dam et al. | Assessing options to increase water productivity in irrigated river basins using remote sensing and modelling tools | |
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 | |
Wang et al. | Summer maize growth under different precipitation years in the Huang-Huai-Hai Plain of China | |
Bannayan et al. | A stochastic modelling approach for real-time forecasting of winter wheat yield | |
Wei et al. | Spatial and temporal change of fractional vegetation cover in North‐western China from 2000 to 2010 | |
CN110909933A (zh) | 一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法 | |
CN107423850A (zh) | 基于时间序列lai曲线积分面积的区域玉米成熟期预测方法 | |
CN109800921A (zh) | 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 | |
AU2023203307A1 (en) | Controlling Agricultural Production Areas | |
Wang et al. | Rice yield estimation based on an NPP model with a changing harvest index | |
McNider et al. | A real-time gridded crop model for assessing spatial drought stress on crops in the Southeastern United States | |
Chen et al. | Informing the SWAT model with remote sensing detected vegetation phenology for improved modeling of ecohydrological processes | |
CN110516943B (zh) | 一种基于地表温度的春灌期灌溉面积动态监测遥感方法 | |
Zhang et al. | A crop variety yield prediction system based on variety yield data compensation | |
Cui et al. | Estimating maize yield in the black soil region of Northeast China using land surface data assimilation: integrating a crop model and remote sensing | |
Xue et al. | Estimating ecosystem evaporation and transpiration using a soil moisture coupled two-source energy balance model across FLUXNET sites | |
CN112667955B (zh) | 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 |
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 |