CN112598266A - 基于产量构成要素的冬小麦气象灾害产量损失评估方法 - Google Patents
基于产量构成要素的冬小麦气象灾害产量损失评估方法 Download PDFInfo
- Publication number
- CN112598266A CN112598266A CN202011512224.2A CN202011512224A CN112598266A CN 112598266 A CN112598266 A CN 112598266A CN 202011512224 A CN202011512224 A CN 202011512224A CN 112598266 A CN112598266 A CN 112598266A
- Authority
- CN
- China
- Prior art keywords
- yield
- disaster
- loss rate
- pixel
- loss
- 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
- 241000209140 Triticum Species 0.000 title claims abstract description 33
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000000470 constituent Substances 0.000 title claims abstract description 11
- 235000013339 cereals Nutrition 0.000 claims abstract description 29
- 230000001186 cumulative effect Effects 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 6
- 230000006378 damage Effects 0.000 claims description 24
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 230000005855 radiation Effects 0.000 description 6
- 239000002028 Biomass Substances 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 210000005069 ears Anatomy 0.000 description 5
- 230000002595 cold damage Effects 0.000 description 4
- 230000004907 flux Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 208000009084 Cold Injury Diseases 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000004580 weight loss Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005059 dormancy Effects 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 235000021374 legumes Nutrition 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012950 reanalysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013585 weight reducing agent Substances 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Agronomy & Crop Science (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于产量构成要素的冬小麦气象灾害产量损失评估方法,该方法为:计算生育期某个灾害对穗数、穗粒数或者千粒重的产量构成损失率E、N或者W,对每一个像元而言,建立灾损模型数学表达式,计算某一像元的某一次灾害对产量的损失率Ylose像元,当像元尺度结果升尺度到区域时根据该像元的产量损失率占区域产量损失率的权重来计算Ylose区域。本发明考虑多种灾害对产量的累积叠加效应,可以针对任意区域、任意空间分辨率的尺度进行评估,特别的结合遥感数据从栅格、像元的角度进行气象灾害产量损失评估。
Description
技术领域
本发明属于小麦产量损失评估技术领域,具体涉及一种基于产量构成要素的冬小麦气象灾害产量损失评估方法。
背景技术
现有的冬小麦气象灾害产量损失评估方法有人工模拟法、资料统计分析法、数学模型法、作物模型模拟法等。现有技术大多都是某种气象灾害对冬小麦产量损失的评估,在多种灾害对产量的累积叠加效应方面的研究尚显不足。此外,现有方法大多具有地域适应性,只适用于某一区域的冬小麦灾损研究,异地应用时由于不同气候条件、经纬度、土壤类型等条件的变化将导致准确性受到影响。
发明内容
本发明所要解决的技术问题在于针对上述现有技术的不足,提供一种基于产量构成要素的冬小麦气象灾害产量损失评估方法,该方法考虑多种灾害对产量的累积叠加效应,可以针对任意区域、任意空间分辨率的尺度进行评估,特别的结合遥感数据从栅格、像元的角度进行气象灾害产量损失评估。
为解决上述技术问题,本发明采用的技术方案是:一种基于产量构成要素的冬小麦气象灾害产量损失评估方法,所述冬小麦气象灾害产量损失评估方法,考虑多种灾害对产量的累积叠加效应,针对任意区域、任意空间分辨率的尺度进行评估,该方法为:
S1、计算生育期某个灾害对穗数、穗粒数或者千粒重的产量构成损失率E、N或者W,
S2、对每一个像元而言,建立灾损模型数学表达式:
F=f(EorMorW)×g(a);其中,F为产量损失率,f(Eor Nor W)为产量构成损失率Eor Nor W,g(a)为产量构成损失率EorNorW的调整系数,即为前期的灾害或生长状态对当前灾害产量损失的反馈影响;
S3、某一像元的某一次灾害对产量的损失率Ylose像元为:
Ylose像元=1-{[1-E×g(a)]×[1-N×g(a)]×[1-W×g(a)]};
S4、当像元尺度结果升尺度到区域时,根据该像元的产量损失率占区域产量损失率的权重来计算:
Q像元为该像元的灾损权重指数,该像元的灾损权重指数由气候潜在产量和市多年平均产量确定。
本发明与现有技术相比具有以下优点:
本发明考虑到作物生长季可能有多种灾害,比如小麦生长季可能会遭遇冻害,干旱和干热风灾害,需要考虑多种灾害对产量的累积叠加效应,同时还需考虑前期灾害对后续生长的反馈影响,比如返青期冻害导致粒数、穗数下降会导致收获时候千粒重增加。因此本发明采用产量构成的方法,评估作物生育期不同灾害强度对产量构成因素(穗数、穗粒数和千粒重)的影响,考虑每个灾害的累积和反馈机制,最终产量的损失率由穗数、穗粒数和千粒重的损失率共同决定。本发明的灾损评估机理和机制具有明确的科学理论支撑,可以针对任意区域、任意空间分辨率的尺度进行评估,特别的结合遥感数据从栅格(像元)的角度进行气象灾害产量损失评估。
下面结合附图和实施例对本发明作进一步详细说明。
附图说明
图1是本发明实施例1的华北冬小麦灾损权重指数栅格图。
图2是本发明实施例1的小麦霜冻害灾害强度栅格图读取的某像元的霜冻害等级图。
图3是本发明实施例1的小麦低温冷害穗数、穗粒数、千粒重损失率和产量损失率图。
图4是本发明实施例1的小麦低温冷害各市产量损失率图。
具体实施方式
实施例1
本实施例的基于产量构成要素的冬小麦气象灾害产量损失评估方法,所述冬小麦气象灾害产量损失评估方法,考虑多种灾害对产量的累积叠加效应,针对任意区域、任意空间分辨率的尺度进行评估,该方法为:
S1、计算生育期某个灾害对穗数、穗粒数或者千粒重的产量构成损失率E、N或者W,
确定不同灾害各生育期像元尺度的产量构成损失率E,N,W值;
确定像元尺度的产量构成损失率E,N,W值需考虑3个因素:灾害强度、生育时期和灾害类型。灾害强度即为轻中重害;灾害类型为小麦低温冷害、干旱和干热风;生育时期则需根据不同灾害具体确定。通过文献再分析(Meta-Analysis)和专家调研等方式确定损失率值,以下是本模型根据Meta-Analysis方法和专家调研方式确定的具体的损失率值:
小麦干旱主要发生在3个生育期:拔节前、拔节-抽穗期、抽穗-成熟期。拔节期干旱主要影响穗数,轻、中、重旱对穗数的损失率(E值)分别为3%、9%和18%,对穗粒数没有影响(即为N=0),对千粒重仅重旱的损失率(W值)为10.7%;拔节-抽穗期干旱主要影响穗粒数,轻、中、重旱对穗数的损失率(E值)分别为1.5%、3%和5%,对穗粒数的损失率(N值)分别为2.5%、13.5%和24.2%,对千粒重的损失率(W值)分别为4.9%、9.6%和15.5%;抽穗-成熟期干旱影响灌浆速率,导致千粒重降低和秕粒增多,进一步降低穗粒数,轻、中、重旱对穗数和穗粒数无影响(E=0,N=0),对千粒重的损失率(W值)分别为7.9%、13.8%和22.2%。
小麦干热风主要发生在灌浆中后期,对千粒重影响比较大,轻、中、重干热风灾害对穗数和穗粒数无影响(E=0,N=0),对千粒重的损失率(W值)分别为4.8%、8.5%和13.5%。
综合以上的结果,得到表1。
表1基于产量构成的小麦低温冷害、干旱和干热风的产量构成损失率E,N,W值
注:干旱、干热风和霜冻害的灾害强度指标分别按照GB/T20481-2017、QX/T82-2007和QX/T88-2008计算;“--”表示未调查;
S2、对每一个像元而言,建立灾损模型数学表达式:
F=f(EorMorW)×g(a);其中,F为产量损失率,f(Eor Nor W)为产量构成损失率Eor NorW,g(a)为产量构成损失率Eor Nor W的调整系数,即为前期的灾害或生长状态对当前灾害产量损失的反馈影响;
确定不同灾害各生育期像元尺度的产量构成损失率Eor Nor W的调整系数的调整系数g(a);
g(a)表征的是前期的灾害或生长状态对当前灾害产量构成要素损失的反馈影响,取值为0-1,取值为0时表示作物生长状态良好,当前灾害对产量构成要素没有影响,取值为1时表示作物生长状态处于平均态,当前灾害对产量构成要素的影响不变;g(a)值可由专家现场确定,本模型取值为1;
S3、某一像元的某一次灾害对产量的损失率Ylose像元为:
Ylose像元=1-{[1-E×g(a)]×[1-N×g(a)]×[1-W×g(a)]};
后续灾害对产量构成的影响直接基于前一个灾害影响后的产量构成进行累加;
例如,小麦在拔节-抽穗期遭受了一次轻度的干旱,则产量构成损失率E,N,W分别为1.5%,2.5%和4.9%,调整系数g(a)为1,因此该像元的产量损失率为Ylose像元=1-(1-1.5%×1)×(1-2.5%×1)×(1-4.9%×1)=8.7%。
S4、当像元尺度结果升尺度到区域时,根据该像元的产量损失率占区域产量损失率的权重来计算:
Q像元为该像元的灾损权重指数,该像元的灾损权重指数由气候潜在产量和市多年平均产量确定。
确定像元的灾损权重指数Q像元:经S1-S3步骤可以得到某次灾害的像元尺度的产量损失率Ylose像元,在升尺度到区域尺度时(如县、市、省或地区),不能简单的进行像元产量损失率的平均。比如,某个县包含2个像元a,b,某次灾害造成这两个像元的产量损失率分别为10%和30%,a像元单产为每亩1000kg,b像元单产为每亩500kg,则两个像元的平均损失率为(1000×10%+500×30%)/(1000+500)=16.7%,即在升尺度区域平均时需要考虑每个像元的灾损权重指数。
该像元的灾损权重指数Q像元由气候潜在产量和市多年平均产量确定,计算方法如下:
(一)市多年平均产量确定方法:以北京市为例,搜集北京市的近5年冬小麦的统计产量数据(下载自国家统计局网站http://www.stats.gov.cn/tjsj/),求得多年平均值,记为q1;
(二)市气候潜在产量确定方法,计算出北京市n个气象站点的潜在产量分别为YT1,YT2,……YTn:
所用数据为近5年该市所有气象站点的逐日气象数据(假设有n个站点),包括逐日平均气温(℃)、最高气温(℃)、最低气温(℃)、日照时数(h)、相对湿度(%),降水量(mm),数据在中国气象科学数据共享服务网下载(http://data.cma.cn/user/toLogin.html)。所用方法为FAO农业生态区域法进行计算,具体方法如下:
农业生态区域法估算光温生产潜力实际是通过内在函数的形式对光合生产潜力进行订正,即将温度作为一个单一因子内嵌在光温生产潜力表达式中,计算公式为:
YT=Y·CL·CN·CH·G
式中:YT为光温生产潜力(kg·hm-2);
Y为生育期内平均白天温度及实际天气状况下标准作物总生物量的最大速率kg·(hm2·d)-1;
CL为叶面积订正系数,标准作物的实际最大总生产率和叶面积指数为5时的订正系数;
CN为净干物质生产量订正系数,也即是生育期内平均温度下因呼吸消耗干物质产量的订正系数;
CH为作物经济系数,也称收获系数,是指收获部分的净重占干物质总产量净重的比率;
G为作物生育期订正系数,对于越冬作物,需扣除日平均气温<0℃的休眠期。
式中各变量计算方法如下:
(1)标准作物总生物量的最大速率Y(kg·(hm2·d)-1)计算公式为:
当Ym≥20kg·(hm2·h)-1时,
Y=F(0.8+0.01Ym)Y0+(1-F)(0.5+0.025Ym)Yc
当Ym<20kg·(hm2·h)-1时,
Y=F(0.5+0.025Ym)Y0+(1-F)(0.05Ym)Yc
式中:(1)Ym为作物生长期间平均白天温度的作物生产率(kg·(hm2·h)-1),可根据作物生育期内白天平均温度(TD)和作物种类,由表2查出,为计算简便,采用线性插值的方式求算。
TD=T+0.25(Tmax-Tmin)
式中:T为作物生育期间的日平均温度;
Tmax和Tmin分别为作物生育期间的最高温度和最低温度平均值。
表2不同作物种类及温度条件下的干物质生产率Ym(kg·(hm2·h)-1)
F为生育期间白天天空云量覆盖度:
F=(Rse-0.5Rs)/0.8Rse
式中:Rse为生育期间晴天最大光合有效辐射的平均值(MJ·m-2·d-1),可根据站点所在纬度和月份由表3查出;
Rs为生育期间地表太阳辐射平均值(MJ·m-2·d-1),逐日计算公式如下:
式中:Ra为天文辐射日总量(MJ·m-2·d-1);
a为阴天短波辐射通量与大气外层太阳辐射通量的比例;
b为晴天短波辐射通量与大气外层太阳辐射通量的比例,FAO-PM推荐的通用系数为a=0.25,b=0.5;
n为实际日照时数(h);
N为可能最大日照时数(h),计算公式为:N=24w0/π;
式中:w0为日落时角(rad),根据纬度和太阳赤纬计算,公式如下:
式中:δ为太阳赤纬(rad);
J为日序数,1月1日为1,1月2日为2……以此类推;
Y0为生育期间内阴天时总干物质生产量的平均值(kg·(hm2·d)-1),由表3查出;
Yc为生育期间内阴天时总干物质生产量的平均值(kg·(hm2·d)-1),由表3查出。
表3不同纬度各月的最大光合有效辐射Rse(MJ·m-2·d-1)、Y0和Yc(kg·(hm2·d)-1)值
查表和求算各月的Rse,Rs日平均值,求算各月的F值;根据查表Ym、Y0和Yc值,求算各月的标准作物总生物量的最大速率Y;最后根据各月的标准作物总生物量的最大速率Y值和天数,求算生育期间的标准作物总生物量的最大速率Y平均值。
(2)叶面积订正系数(CL)本模型取值0.5
(3)净干物质生产量订正系数CN
CN=0.72/(1+0.25Ct×G)
式中:G为生育期日数(天);
Ct为维持呼吸订正系数,取决于日平均气温:
Ct=C30×(0.044+0.0019T+0.00107T2)
式中:T为生育期间日平均气温;
C30为温度30℃时的维持呼吸系数:对于豆科作物C30=0.0283;对于非豆科作物C30=0.0108。
(4)作物经济系数CH,本模型取值CH=0.4。
综上,采用上述方法计算出北京市n个气象站点的潜在产量分别为YT1,YT2,……YTn。
(三)像元的潜在产量计算方法:将这n个气象站点的潜在产量(YT1,YT2,……YTn)用Arcgis软件进行空间插值,插值方法为IDW反距离权重法,插值精度为像元尺度(比如像元为1km*1km,则插值精度为1km)底图为北京市区划图,得到像元尺度的潜在产量栅格数据YTi。
(四)像元的灾损权重指数计算方法:权重指数由气候潜在产量和市多年平均产量确定。步骤(一)中计算的北京市多年平均产量为q1,步骤(三)插值得到北京市像元个数为m,某个像元的潜在产量为YTi(i=1,2,……m),则计算得到某个像元的权重指数Qi为:
依据上述方法制作完成了华北冬小麦权重指数栅格数据,空间分辨率为1km*1km,如图1所示:
确定区域尺度的产量损失率,依据步骤S3计算的像元产量损失率Ylose像元和步骤S4计算的像元灾损权重指数Q像元,依据公式:
即可算得区域的产量损失率,其中,Ylose区域表示区域的产量损失率,Y像元表示区域中某个像元的产量损失率,Q像元表示像元灾损权重指数,“∑”表示区域中所有像元的产量损失率乘以灾损权重指数的值的累积和,区域的产量损失率结果在0~100%之间,表示此次灾害对该区域造成的产量损失率为Ylose区域。
下面以2018年春季3月份冬小麦霜冻害的灾损评估过程:
1、确定春季冬小麦霜冻害像元尺度的产量构成损失率E,N,W值。春季冬小麦生育期为拔节-抽穗期,查得上述表1可得到不同灾害强度对穗数、穗粒数和千粒重的损失率,如表4所示。
表4基于产量构成的春季2月份冬小麦低温冷害的产量构成损失率E,N,W值
2、季冬小麦霜冻害像元尺度的产量构成损失(EorNorW)的调整系数g(a)为1。由图2中小麦霜冻害灾害强度栅格图可以读取某像元的霜冻害等级(无灾、轻灾、中灾或重灾),对每个像元调用基于产量构成的小麦气象灾害产量损失评估方程:
Ylose=1-{[1-E×g(a)]×[1-N×g(a)]×[1-W×g(a)]},可评估某像元此次霜冻害灾害对得到穗数、穗粒数、千粒重损失率和产量损失率。
像元尺度上,拔节至抽穗轻度霜冻害对产量构成损失率E,N,W分别为1%,1%和2%;拔节至抽穗中度霜冻害对产量构成损失率E,N,W分别为3%,10%和15%;拔节至抽穗重度霜冻害对产量构成损失率E,N,W分别为3%,8%和10%,调整系数g(a)为1。则此次灾害对穗数E的损失率为0~2%(图3a);对穗粒数N的损失率为0~15%(图3b);对千粒重W的损失率为0~10%(图3c),最终的产量损失率为0~33%(图3d)
3、计算各市的产量损失率。依据图3d的像元产量损失率Ylose像元和图1的像元灾损权重指数Q像元,依据公式
即可算得各市的产量损失率(图4)。例如:北京市共包含了1.64万个像元,每个像元的灾损率为Yi,权重指数为Qi,则北京市的产量损失率
表示此次动小麦霜冻害造成小麦的减产4%,同理,也可计算其他各省市的产量损失率。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制。凡是根据发明技术实质对以上实施例所作的任何简单修改、变更以及等效变化,均仍属于本发明技术方案的保护范围内。
Claims (1)
1.一种基于产量构成要素的冬小麦气象灾害产量损失评估方法,其特征在于,所述冬小麦气象灾害产量损失评估方法,考虑多种灾害对产量的累积叠加效应,针对任意区域、任意空间分辨率的尺度进行评估,该方法为:
S1、计算生育期某个灾害对穗数、穗粒数或者千粒重的产量构成损失率E、N或者W,式中,E、N和W依次为生育期某个灾害对穗数、穗粒数和千粒重的产量构成损失率,i为灾害种类,Pi为灾害等级;f(Pi)为某个灾害的灾害等级对应的产量构成损失率;
S2、对每一个像元而言,建立灾损模型数学表达式:
F=f(E or M or W)×g(a);其中,F为产量损失率,f(E or N or W)为产量构成损失率E or N or W,g(a)为产量构成损失率E or N or W的调整系数,即为前期的灾害或生长状态对当前灾害产量损失的反馈影响;
S3、某一像元的某一次灾害对产量的损失率Ylose像元为:
Ylose像元=1-{[1-E×g(a)]×[1-N×g(a)]×[1-W×g(a)]};
S4、当像元尺度结果升尺度到区域时,根据该像元的产量损失率占区域产量损失率的权重来计算:
Q像元为该像元的灾损权重指数,该像元的灾损权重指数由气候潜在产量和市多年平均产量确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011512224.2A CN112598266A (zh) | 2020-12-19 | 2020-12-19 | 基于产量构成要素的冬小麦气象灾害产量损失评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011512224.2A CN112598266A (zh) | 2020-12-19 | 2020-12-19 | 基于产量构成要素的冬小麦气象灾害产量损失评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112598266A true CN112598266A (zh) | 2021-04-02 |
Family
ID=75199661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011512224.2A Pending CN112598266A (zh) | 2020-12-19 | 2020-12-19 | 基于产量构成要素的冬小麦气象灾害产量损失评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598266A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113218887A (zh) * | 2021-06-23 | 2021-08-06 | 河南农业大学 | 一种小麦冻害严重程度快速监测评估方法 |
CN113762768A (zh) * | 2021-09-02 | 2021-12-07 | 中国水利水电科学研究院 | 基于天气发生器和作物模型的农业旱灾动态风险评估方法 |
-
2020
- 2020-12-19 CN CN202011512224.2A patent/CN112598266A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113218887A (zh) * | 2021-06-23 | 2021-08-06 | 河南农业大学 | 一种小麦冻害严重程度快速监测评估方法 |
CN113762768A (zh) * | 2021-09-02 | 2021-12-07 | 中国水利水电科学研究院 | 基于天气发生器和作物模型的农业旱灾动态风险评估方法 |
CN113762768B (zh) * | 2021-09-02 | 2022-09-09 | 中国水利水电科学研究院 | 基于天气发生器和作物模型的农业旱灾动态风险评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Li et al. | Estimation of water consumption and crop water productivity of winter wheat in North China Plain using remote sensing technology | |
Bausch | Remote sensing of crop coefficients for improving the irrigation scheduling of corn | |
Nayak et al. | Estimation and analysis of terrestrial net primary productivity over India by remote-sensing-driven terrestrial biosphere model | |
Fu et al. | Estimating air temperature of an alpine meadow on the Northern Tibetan Plateau using MODIS land surface temperature | |
CN112257225B (zh) | 一种适用于高寒草地生态系统的npp计算方法 | |
Zhang et al. | Downscaling solar-induced chlorophyll fluorescence based on convolutional neural network method to monitor agricultural drought | |
CN112598266A (zh) | 基于产量构成要素的冬小麦气象灾害产量损失评估方法 | |
Wei et al. | Spatial and temporal change of fractional vegetation cover in North‐western China from 2000 to 2010 | |
CN105184445A (zh) | 一种玉米干旱气象灾害多年平均损失率的计算方法 | |
Wang et al. | Yield estimation of winter wheat in the North China Plain using the remote-sensing–photosynthesis–yield estimation for crops (RS–P–YEC) model | |
CN104657935B (zh) | 一种近地面气温反演方法 | |
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 | |
CN116562139A (zh) | 一种糖料蔗种植区域碳汇量计算方法 | |
CN108537679B (zh) | 遥感与作物模型融合的区域尺度作物出苗日期估算方法 | |
CN112052988A (zh) | 耦合多目标优化和集合同化的作物产量估测方法及应用 | |
Willockx et al. | Theoretical potential of agrovoltaic systems in Europe: a preliminary study with winter wheat | |
Chaudhari et al. | Spatial wheat yield prediction using crop simulation model, GIS, remote sensing and ground observed data | |
Yao et al. | Estimation of rice yield with a process-based model and remote sensing data in the middle and lower reaches of Yangtze River of China | |
Bois et al. | Estimating spatial and temporal variations in solar radiation within Bordeaux winegrowing region using remotely sensed data | |
Xu et al. | The impact of climate change on yield potential of maize across China | |
Deng et al. | Divergent responses of thermal growing degree‐days and season to projected warming over China | |
Verma et al. | Linear mixed modeling for mustard yield prediction in Haryana State (India) | |
Khalil et al. | Sensitivity of Winter Crops to climate variability in the irrigated subtropics of Iraq (Al-Diwaniyah) | |
Chang et al. | Identifying influential climate factors of land surface phenology changes in Songnen Plain of China using grid-based grey relational analysis |
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 |