CN113011683A - 基于校正作物模型的作物估产方法及系统 - Google Patents
基于校正作物模型的作物估产方法及系统 Download PDFInfo
- Publication number
- CN113011683A CN113011683A CN202110452385.5A CN202110452385A CN113011683A CN 113011683 A CN113011683 A CN 113011683A CN 202110452385 A CN202110452385 A CN 202110452385A CN 113011683 A CN113011683 A CN 113011683A
- Authority
- CN
- China
- Prior art keywords
- yield
- crop
- future
- deviation
- model
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于校正作物模型的作物估产方法及系统,该方法包括:基于气候因子的历史数据,通过作物模型,得到相应的历史模拟产量;基于历史模拟产量和相应的实际产量,得到历史模拟产量偏差;以气候因子的历史数据和相应历史模拟产量偏差为训练集,利用机器学习方法,得到训练好的产量偏差模型;基于未来气候因子数据,得到相应的未来模拟产量;将未来气候因子数据输入训练好的偏差模型,得到相应的未来模拟产量偏差;基于未来模拟产量和相应的未来模拟产量偏差,得到未来气候情景下的预测产量。偏差模型考虑了气候因子对作物模型模拟产量的影响,通过对未来模拟产量进行偏差校正,使得对未来作物产量的评估更加准确。
Description
技术领域
本发明涉及农作物预测产量技术领域,具体涉及一种基于校正作物模型的作物估产方法及系统。
背景技术
随着人口的增长和消费水平的提高,全球作物产量到2050年代预计需要增加1倍左右才能满足未来需求。但是,粮食安全仍面临巨大挑战,目前粮食产量增加趋势不足以满足未来粮食需求。特别是随着全球变暖,气候风险增加,如高温,干旱,极端降水的频率增加,使得农业系统承受的压力也越来越大。而未来作物产量预测是制定农业政策,发展农业计划的重要依据,也成为农业领域的研究热点之一。因此,预测未来气候变化情景下的作物产量,对粮食安全有重要的意义。
产量评估主要有两种方法:统计模型和基于过程的作物模型,每种模型都有各自的优势和劣势。统计模型是通过拟合产量与气候变量之间的回归关系,将未来气候情景下气候变量输入统计模型预测未来粮食产量。虽然统计模型已越来越多地用于未来的产量预测,但是很难为预测的结果提供可靠的过程解释。基于过程的作物模型主要表达了作物生长与环境条件之间关系,环境条件包括土壤、气象和管理等因素。作物模型对复杂的作物生长系统进行了简化,对作物生长的过程描述不完整,且运行需要大量的驱动数据,参数的校准非常困难,通常会导致产量模拟的不确定性。因此,需要构建新的技术,来对作物模型进行偏差校正,使区域尺度上粮食产量的模拟和预测更加准确。
发明内容
(一)发明目的
本发明的目的是提供一种基于校正作物模型的作物估产方法及系统,通过机器学习方法,构建作物模型的偏差校正模型,对利用作物模型得到相应未来气候情景下作物的未来模拟产量进行校正,能够更加准确地预测产量;偏差模型考虑了气候因子对作物模型模拟产量的影响,可以将影响评估的不确定性降至最低,使得未来作物产量的评估更加准确且更可靠。
(二)技术方案
本发明的第一方面提供了一种基于校正作物模型的作物估产方法,包括:基于气候因子的历史数据,通过作物模型,得到相应的历史模拟产量;基于所述历史模拟产量和相应的实际产量,得到历史模拟产量偏差;以所述气候因子的历史数据和所述历史模拟产量偏差为训练集,利用机器学习方法,得到训练好的偏差模型;基于未来气候因子数据,通过作物模型,得到相应的未来模拟产量;将未来气候因子数据输入训练好的所述偏差模型,得到相应的未来模拟产量偏差;基于所述未来模拟产量和相应的所述未来模拟产量偏差,得到未来气候情景下的预测产量。
优选的,所述气候因子为温度和/或降水。
优选的,所述作物模型包括但不限于EPIC、GEPIC、pDSSAT、LPJ-GUESS、LPJmL和PEGASUS。
优选的,基于校正作物模型的作物估产方法还包括:将目标区域网格化;得到未来气候情景下的每一网格的预测产量;根据每一网格的预测产量逐网格运行,得到目标区域作物产量预测图。
本发明的第二方面提供了一种基于校正作物模型的作物估产系统,包括:历史模拟产量单元,用于基于气候因子的历史数据,通过作物模型,得到相应的历史模拟产量;历史模拟产量偏差单元,用于基于所述历史模拟产量和相应的实际产量,得到历史模拟产量偏差;构建偏差模型单元,用于将所述气候因子的历史数据和相应的所述历史模拟产量偏差为训练集,得到训练好的偏差模型;未来模拟产量单元,用于基于未来气候因子数据,通过作物模型,得到相应的未来模拟产量;未来模拟产量偏差单元,用于将未来气候因子数据输入训练好的所述偏差模型,得到相应的未来模拟产量偏差;预测产量单元,用于基于所述未来模拟产量和相应的所述未来模拟产量偏差,得到未来气候情景下的预测产量。
优选的,基于校正作物模型的作物估产系统还包括:目标区域作物产量预测单元,其用于将目标区域网格化;得到未来气候情景下的每一网格的预测产量;根据每一网格的预测产量,得到目标区域作物产量预测图。
本发明的第三方面提供了一种电子设备,包括:存储器;处理器;以及计算机程序;其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现所述的基于校正作物模型的作物估产方法。
本发明的第四方面提供了一种存储介质,所述存储介质为计算机可读存储介质其上存储有计算机程序;所述计算机程序被处理器执行以实现所述的基于校正作物模型的作物估产方法。
(三)有益效果
本发明的上述技术方案具有如下有益的技术效果:
本发明提供的一种基于校正作物模型的作物估产方法及系统,通过对利用作物模型得到特定未来时期的作物的未来模拟产量进行校正,这样得到的预测产量更加准确。本发明可以在时空纬度上提高作物模型模拟产量的性能,不仅可以降低作物模型模拟的产量偏差,而且可以使预测产量在时间上和空间上的不确定性最小化,可以更加准确地模拟未来气候情景下,产量年际变化和产量损失概率的时空变化,对粮食安全有重要意义。
附图说明
图1是本发明提供的一种基于校正作物模型的作物估产方法的一种流程图;
图2a示意性地示出六种作物模型模拟的玉米单位产量均值的空间分布图;
图2b示意性地示出偏差校正后的玉米估算单位产量均值的空间分布图;
图2c示意性地示出玉米的实际单位产量均值的空间分布图;
图3a示意性地示出六种作物模型模拟的玉米产量均值和实际产量均值之间的相关系数空间分布图;
图3b示意性地示出估算的玉米产量均值和实际的美国玉米产量均值之间的相关系数空间分布图;
图4a示意性地示出六种作物模型模拟的玉米单产年际变化的空间分布图(时间段为1980-2010年);
图4b示意性地示出估算的玉米单产年际变化的空间分布图;
图4c示意性地示出实际的玉米单产年际变化的空间分布图;
图5示意性地示出玉米的模拟产量、估算产量和实际产量波动的逐年均值变化图;
图6a示意性地示出六种作物模型模拟的玉米单产年际变化的空间分布图(时间段为2011-2040年);
图6b示意性地示出预测的玉米单产年际变化的空间分布图;
图7为本发明提供的一种基于校正作物模型的作物估产方法的另一种流程图;
图8为本发明提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
显然,所描述的实施例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。
在本发明的描述中,需要说明的是,术语“第一”、“第二”仅用于区分目的,而不能理解为指示或暗示相对重要性。
本发明实施例的第一方面提供了一种基于校正作物模型的作物估产方法,如图1所示,包括:
步骤S10:基于特定历史时期的气候因子数据,通过多种作物模型,得到相应的历史模拟产量;
步骤S20:基于所述历史模拟产量和相应的实际产量,得到历史模拟产量偏差;
步骤S30:以所述气候因子的历史数据和相应的所述历史模拟产量偏差为训练集,利用机器学习方法,得到训练好的偏差模型;
步骤S40:基于特定未来气候情景下的气候因子数据,通过多种作物模型,得到相应的未来模拟产量;
步骤S50:将特定未来气候情景下的气候因子数据输入训练好的所述偏差模型,得到相应的未来模拟产量偏差;
步骤S60:基于所述未来模拟产量和相应的所述未来模拟产量偏差,得到特定未来气候情景下的预测产量。
如图7所示,一些实施例中,在步骤S10中,所述基于气候因子的历史数据,得到相应的历史模拟产量具体地可包括:基于作物模型,输入气候因子的历史数据,得到相应的历史模拟产量Ys,c,h。可以理解的是,气候因子的历史数据为过去历史时期的一定时间段内的数据。相同的历史时期的一定时间段内的相应的实际产量Yo,c,h可由统计年鉴调查得到。
在步骤S20中,历史模拟产量偏差ΔYc,h可以由以下计算公式得到:
ΔYc,h=Ys,c,h-Yo,c,h
其中,ΔYc,h为历史时期一定时间段h内c区域的历史模拟产量偏差;Ys,c,h表示历史时期一定时间段h内c区域的历史模拟产量,Yo,c,h是历史时期一定时间段h内c区域的实际产量。
使用机器学习方法来模拟历史模拟产量偏差ΔYc,h和气候因子数据之间的关系如下所示:
ΔYc,h=ML(Xc,h)
其中,ML表示偏差模型,Xc,h表示历史时期一定时间段h内c区域的气候因子数据。
机器学习方法有很多,比如k近邻(KNN),随机森林(RF),支持向量机模型(SVM)等。示例性实施例中,偏差模型所用的机器学习方法选择随机森林模型,随机森林是基于决策树的一种集成学习算法,主要思想是:通过训练数据集中选择一组随机变量和一个随机样本,使用确定性算法构建每棵树。在随机森林模型中有两个关键参数,“ntree”为随机森林中回归树的个数,“mtry”为回归树每个拆分点可选择的变量数目。具体步骤如下:
(1)将所有输入数据共同整理为统一的分辨率,包括时间和空间分辨率;
(2)通过自助法(bootstrap)抽样技术,从原始训练数据集中随机且有放回的抽取90%的样本作为采样集,每个采样集所包含的样本量一定,每次未被抽到的样本作为测试集。;
(3)随机地选择Xc,h中部分自变量进行决策树节点的确定;
(4)采用十倍交叉验证方法调整参数,使得参数得到最佳数值,即当产生最低平均交叉验证RMSE(均方根误差)时,相应的最佳参数ntree和mtry就产生了。利用所选择出的参数值和训练数据集,最终得到了训练好的偏差模型。
一些实施例中,在步骤S40中,基于未来气候因子数据,通过作物模型,得到相应的未来模拟产量具体地可包括:基于所述作物模型,输入特定未来气候情景下的气候因子数据,得到相应的未来模拟产量Ys,c,f。可以理解的是,特定未来气候情景下的气候因子数据为未来时期的一定时间段内的数据。
步骤S50:将特定未来气候情景下的气候因子数据输入训练好的所述偏差模型,得到相应的未来模拟产量偏差ΔYc,f。可以理解的是,特定未来气候情景下的气候因子数据为未来时期的一定时间段f内的数据。
ΔYc,f=ML(Xc,f)
其中,ΔYc,f表示未来时期一定时间段f内c区域的未来模拟产量偏差,Xc,f表示未来时期一定时间段f内c区域的气候因子,ML表示训练好的偏差模型。
一些实施例中,在步骤S60中,预测产量Ys′,c,f可以由以下计算公式得到:
Ys′,c,f=Ys,c,f+ΔYc,f
其中,Ys′,c,f表示偏差校正后的未来时期一定时间段f内c区域的预测产量,Ys,c,f是未来时期一定时间段f内c区域的未来模拟产量,ΔYc,f表示未来时期一定时间段f内c区域的未来模拟产量偏差。
一些实施例中,所述气候因子为温度和/或降水。
一些实施例中,所述未来气候因子数据可采用未来浓度路径RCP8.5下的HadGEM2-ES气候模型预测的气候因子数据。
所述未来气候因子数据通过不同未来气候情景下,不同气候模式获取。
IPCC第五次评估报告预估了在不同排放情景下未来气候的可能变化,21世纪预估试验所用的外强迫为典型浓度路径(RCP),这是依据对未来发展的诸多假设模拟出的未来排放情景,如RCP 2.6、RCP 4.5、RCP 6.0和RCP 8.5。其中,RCP8.5是对未来碳排放提出了一种假设情景,是温室气体浓度最高的情景模式,即到2100年时,空气中的二氧化碳浓度要比工业革命前的浓度高3-4倍;RCP 6.0是政府干预下的气候情景,温室气体排放浓度中等;RCP4.5是另一种政府干预下的气候情景,温室气体排放浓度相对较低;RCP2.6是温室气体排放浓度非常低的情景模式;而耦合模式比较计划第五阶段(CMIP5)汇集了全球20多个模式组50余个模式,如:HadGEM2-ES、IPSL-CM5A-LR、MIROCESM-CHEM、NorESM1-M、GFDL-ESM2M等。所述特定未来气候情景下的气候因子数据,可以选择不同未来浓度路径(RCP 2.6、RCP4.5、RCP 6.0和RCP 8.5等)下,不同气候模式(HadGEM2-ES、IPSL-CM5A-LR、MIROCESM-CHEM、NorESM1-M、GFDL-ESM2M等)的气候因子预测数据。
一些实施例中,所述作物模型包括但不限于EPIC、GEPIC、pDSSAT、LPJ-GUESS、LPJmL和PEGASUS。每种作物模型都有自己的管理参数,作物品种和环境胁迫参数,这些参数可能有很大差异,基于作物模型,输入气候因子的历史数据,得到相应的历史模拟产量,以及基于作物模型,输入特定未来气候情景下的气候因子数据,得到相应的未来模拟产量;可以理解的是,经该六种作物模型计算出相应的模拟产量,不同作物模型计算得到的模拟产量结果的差异,由此可看出作物模型模拟的不确定性;在本发明中可将六种作物模型计算得到的相应的模拟产量取均值得到历史模拟产量或未来模拟产量,这样可降低不同作物模型之间的不确定性对预测产量的影响。相应的历史模拟产量和未来模拟产量也可从全球农业模型互相比较与改进项目(The Agriculture Model Intercomparison andImprovement Project,AgMIP)中获取。
基于作物模型,输入气候因子的历史数据,得到相应的历史模拟产量;基于所述作物模型,输入特定未来气候情景下的气候因子数据,得到相应的未来模拟产量;基于历史模拟产量和相应时间段内的实际产量,得到历史模拟产量偏差;通过输入气候因子的历史数据和相应历史时期内的历史模拟产量偏差为训练集,利用机器学习方法,构建训练好的偏差模型;将特定未来气候情景下的气候因子数据输入训练好的偏差模型,得到相应的未来模拟产量偏差;基于所述未来模拟产量和相应的未来模拟产量偏差,得到预测产量。通过对利用作物模型得到相应特定未来气候情景下作物的未来模拟产量进行校正,得到更加准确的预测产量;偏差模型考虑了未来时期的气候因子变化的影响,可以将影响评估的不确定性降至最低,使得未来作物产量的评估更加准确且更可靠。
历史和未来气候因子数据,以及作物模型模拟的产量数据为格点数据,由于实际产量数据是以行政区为单位的统计数据,因此要将作物实际产量结合作物种植区数据,将逐年的作物实际产量数据转换为与作物模型模拟的数据相匹配的格点数据,使所有数据的时间和空间分辨率一致。
基于校正作物模型的作物估产方法还包括:将目标区域网格化;得到未来气候情景下的每一网格的预测产量;根据每一网格的预测产量逐网格运行,得到目标区域作物产量预测图。
在此我们构造两种类型的机器学习模型:“完整”模型和“简化”模型。“完整”模型保留了气候预测因子的年际变化信息,完整模型可以预测未来粮食产量和变化趋势,而“简化”模型,是将气候变量和产量都进行去趋势处理,排除了由于时间序的非平稳性所导致的变化趋势,用于模拟由气候变化驱动的产量波动。
机器学习方法如随机森林模型具有强大的描述气候和产量非线性关系的能力,能预测未来气候变化的情景下,作物模型模拟的产量偏差在时间和空间上的变化。
本发明可以在时空纬度上提高作物模型模拟产量的性能,不仅可以降低作物模型模拟的产量偏差,而且可以使预测产量在时间上和空间上的不确定性最小化,可以更加准确地模拟未来气候情景下,产量年际变化和产量损失概率的时空变化,对粮食安全有重要意义。
通过执行上述的本发明实施例提供的一种基于校正作物模型的作物估产方法,得到预测产量,下面举例说明。
一、偏差模型训练和校正后的估算产量结果验证
研究区:美国
作物:玉米
作物模型为EPIC、GEPIC、pDSSAT、LPJ-GUESS、LPJmL和PEGASUS。
气候数据:气候因子的历史数据来自AgMERRA气候数据集;气候因子为1980-2010逐年玉米生长季的平均温度和降水。
实际玉米产量:来自美国农业部的国家农业统计调查快速统计数据库,1980-2010逐年玉米单产数据。
玉米种植区:来自美国农业部的国家农业统计调查的农田数据。
通过本发明提供的校正作物模型的作物估产方法,得到1980-2010年偏差校正后的逐年模拟产量,可以理解的是,由于是对历史时期的作物产量进行模拟也可称之为估算,下文中的估算产量均是指经过本发明提供的校正作物模型的作物估产方法得到的偏差校正后的产量。
图2a是六种作物模型模拟的玉米单位产量均值的空间分布图,产量的单位为蒲式耳/英亩;图2b是偏差校正后的玉米估算单位产量均值的空间分布图,产量的单位为蒲式耳/英亩;图2c是玉米的实际单位产量均值的空间分布图,产量的单位为蒲式耳/英亩,图2a、图2b和图2c中的横坐标为经度,纵坐标为纬度。显然,通过本发明提供的校正作物模型的作物估产方法,得到的估算的单位产量均值空间分布更接近于实际单位产量均值的空间分布。
图3a为六种作物模型模拟的玉米产量均值和实际产量均值之间的相关系数空间分布图;图3b为估算的玉米产量均值和实际的产量均值之间的相关系数空间分布图,图3a和图3b中的横坐标为经度,纵坐标为纬度。结果显示,通过六种作物模型模拟的玉米产量均值与实际的产量均值之间没有明显的关系,而通过本发明提供的校正作物模型的作物估产方法,得到的估算产量均值和实际产量均值之间呈显著的正相关。
用玉米单产标准差来衡量年际产量变化,图4a为六种作物模型模拟的玉米单产年际变化的空间分布图(时间段为1980-2010年),总体产量标准差均值为24.2蒲式耳/英亩(bu/acre);图4b为估算的玉米单产年际变化的空间分布图,总体产量标准差均值为14.35蒲式耳/英亩(bu/acre);图4c为实际的玉米单产年际变化的空间分布图,总体产量标准差均值为17.1蒲式耳/英亩(bu/acre);图4a、图4b和图4c中的横坐标为经度,纵坐标为纬度。结果显示,六种作物模型模拟的总体产量标准差均值高估了实际的玉米产量的年际变化。
图5为玉米的模拟产量、估算产量和实际产量波动的逐年均值变化图,从图中可以得到通过本发明提供的校正作物模型的作物估产方法,得到的估算产量波动年际变化模式和实际产量波动更加接近。
在空间上,通过本发明提供的校正作物模型的作物估产方法,得到的估算的单产年际变化和实际玉米单产年际变化的空间分布相对来说更一致。以上结果表明,将机器学习方法(随机森林模型)和作物模型相结合,对作物模型模拟产量进行偏差校正,可以提高作物模型性能,使最终估算的作物产量在时空格局上更接近实际的结果。
二、未来作物产量的预测
研究区:美国
作物:玉米
作物模型为EPIC、GEPIC、pDSSAT、LPJ-GUESS、LPJmL和PEGASUS。
气候数据:特定未来气候情景下的气候因子数据采用浓度路径RCP8.5下的HadGEM2-ES气候模型的数据;气候因子为玉米生长季的平均温度和降水。预测时间段为2011-2040年;
玉米种植区:来自美国农业部的国家农业统计调查的农田数据。
用训练好的偏差模型,输入RCP8.5情景下HadGEM2-ES气候模型预测的气候因子数据,得到相应的未来模拟产量偏差;利用作物模型得到相应未来时期的作物未来模拟产量,基于未来模拟产量和相应的未来模拟产量偏差,得到预测产量。偏差模型考虑了未来时期的气候因子变化的影响,可以降低影响评估的不确定性,使得未来作物产量的评估更加准确且更可靠。
用玉米单产标准差来衡量年际产量变化,图6a为六种作物模型模拟的玉米单产年际变化的空间分布图(时间段为2011-2040年);图6b为预测的玉米单产年际变化的空间分布图;图6a、图6b中的横坐标为经度,纵坐标为纬度。在空间上,如图6a所示的六种作物模型模拟中,大多数玉米种植区域的单产年际变化较大,中西部玉米种植区单产的标准差达到35蒲式耳/英亩(bu/acre),而如图6b所示的预测的玉米单产年际变化的结果显示,年际变化的幅度相对较小,且在空间上显示更均匀的模式。
基于同一发明构思,根据本发明的具体实施例,本发明的第二方面提供了一种校正作物模型的系统,用于执行上述的一种基于校正作物模型的作物估产方法,该系统包括:
历史模拟产量单元,用于基于气候因子的历史数据,得到相应的历史模拟产量;
历史模拟产量偏差单元,用于基于所述历史模拟产量和相应的实际产量,得到历史模拟产量偏差;
构建偏差模型单元,用于以所述气候因子的历史数据和所述历史模拟产量偏差为训练集,利用机器学习方法,得到训练好的偏差模型;
未来模拟产量单元,用于基于未来气候因子数据,通过作物模型,得到相应的未来模拟产量;
未来模拟产量偏差单元,用于将气候因子的待测数据输入训练好的所述偏差模型,得到相应的未来模拟产量偏差;
预测产量单元,用于基于所述未来模拟产量和相应的所述未来模拟产量偏差,得到预测产量。
基于校正作物模型的作物估产系统还包括:目标区域作物产量预测单元,其用于将目标区域网格化;得到未来气候情景下的每一网格的预测产量;根据每一网格的预测产量,得到目标区域作物产量预测图。
其中,本发明实施例对于历史模拟产量单元、历史模拟产量偏差单元、构建偏差模型单元、未来模拟产量偏差单元、未来模拟产量单元和预测产量单元等的具体形状结构不做限定,本领域技术人员可以根据其实现的功能作用对其进行任意设置,在此不再赘述;另外,本发明实施例中上述单元所实现的操作步骤的具体实现过程以及实现效果与本发明实施例中步骤的具体实现过程以及实现效果相同,具体可参考上述陈述内容,在此不再赘述。
本发明实施例还提供了一种电子设备,其上存储有计算机程序,该程序被执行时实现上述任一实施例的方法。
请参见图8,为本发明实施例提供了一种电子设备的结构示意图。如图8所示,电子设备600可以包括:至少一个处理器601,至少一个网络接口604,用户接口603,存储器605,至少一个通信总线602。
其中,通信总线602用于实现这些组件之间的连接通信。
其中,用户接口603可以包括显示屏(Display)、摄像头(Camera),一些用户接口603还可以包括标准的有线接口、无线接口。
其中,网络接口604一些的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器601可以包括一个或者多个处理核心。处理器601利用各种借口和线路连接整个终端600内的各个部分,通过运行或执行存储在存储器605内的指令、程序、代码集或指令集,以及调用存储在存储器605内的数据,执行终端600的各种功能和处理数据。一些的,处理器601可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器601可集成中央处理器(CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器601中,单独通过一块芯片进行实现。
其中,存储器605可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。一些的,该存储器605包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器605可用于存储指令、程序、代码、代码集或指令集。存储器605可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器605一些的还可以是至少一个位于远离前述处理器601的存储装置。如图8所示,作为一种计算机存储介质的存储器605中可以包括操作系统、网络通信模块、用户接口模块以及应用程序。
在图8所示的电子设备600中,用户接口603主要用于为用户提供输入的接口,获取用户输入的数据;而处理器601可以用于调用存储器605中存储的应用程序,并具体执行上述任一方法实施例的步骤。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。其中,计算机可读存储介质可以包括但不限于任何类型的盘,包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器IC),或适合于存储指令和/或数据的任何类型的媒介或设备。
本发明实施例还提供一种计算机程序产品,该计算机程序产品包括存储计算机程序的非瞬时性计算机可读存储介质,该计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种基于校正作物模型的作物估产方法的部分或全部步骤。
本领域的技术人员可以清楚地了解到本发明的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件,其中硬件例如可以是现场可编程门阵列(Field-ProgrammaBLE GateArray,FPGA)、集成电路(Integrated Circuit,IC)等。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random AccessMemory,RAM)、磁盘或光盘等。
以上所述者,仅为本发明的示例性实施例,不能以此限定本发明的范围。即但凡依本发明教导所作的等效变化与修饰,皆仍属本发明涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后,将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的范围和精神由权利要求限定。
Claims (8)
1.一种基于校正作物模型的作物估产方法,其特征在于,包括:
基于气候因子的历史数据,通过作物模型,得到相应的历史模拟产量;
基于所述历史模拟产量和相应的实际产量,得到历史模拟产量偏差;
将所述气候因子的历史数据和相应的所述历史模拟产量偏差为训练集,利用机器学习方法,得到训练好的偏差模型;
基于未来气候因子数据,通过作物模型,得到相应的未来模拟产量;
将未来气候因子数据输入训练好的所述偏差模型,得到相应的未来模拟产量偏差;
基于所述未来模拟产量和相应的所述未来模拟产量偏差,得到未来气候情景下的预测产量。
2.根据权利要求1所述的基于校正作物模型的作物估产方法,其特征在于,所述气候因子为温度和/或降水。
3.根据权利要求1所述的基于校正作物模型的作物估产方法,其特征在于,所述作物模型包括EPIC、GEPIC、pDSSAT、LPJ-GUESS、LPJmL和PEGASUS。
4.根据权利要求1所述的基于校正作物模型的作物估产方法,其特征在于,还包括:
将目标区域网格化;
得到未来气候情景下的每一网格的预测产量;
根据每一网格的预测产量,得到目标区域作物产量预测图。
5.一种基于校正作物模型的作物估产系统,其特征在于,包括:
历史模拟产量单元,用于基于气候因子的历史数据,通过作物模型,得到相应的历史模拟产量;
历史模拟产量偏差单元,用于基于所述历史模拟产量和相应的实际产量,得到历史模拟产量偏差;
构建偏差模型单元,用于将所述气候因子的历史数据和相应的所述历史模拟产量偏差为训练集,利用机器学习方法,得到训练好的偏差模型;
未来模拟产量单元,用于基于未来气候因子数据,通过作物模型,得到相应的未来模拟产量;
未来模拟产量偏差单元,用于将未来气候因子数据输入训练好的所述偏差模型,得到相应的未来模拟产量偏差;
预测产量单元,用于基于所述未来模拟产量和相应的所述未来模拟产量偏差,得到未来气候情景下的预测产量。
6.根据权利要求5所述的基于校正作物模型的作物估产系统,其特征在于,还包括:
目标区域作物产量预测单元,其用于将目标区域网格化;
得到未来气候情景下的每一网格的预测产量;
根据每一网格的预测产量,得到目标区域作物产量预测图。
7.一种电子设备,其特征在于,包括:
存储器;
处理器;以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如权利要求1-4中任意一项所述的基于校正作物模型的作物估产方法。
8.一种存储介质,其特征在于,所述存储介质为计算机可读存储介质其上存储有计算机程序;
所述计算机程序被处理器执行以实现如权利要求1-4中任意一项所述的基于校正作物模型的作物估产方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110452385.5A CN113011683A (zh) | 2021-04-26 | 2021-04-26 | 基于校正作物模型的作物估产方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110452385.5A CN113011683A (zh) | 2021-04-26 | 2021-04-26 | 基于校正作物模型的作物估产方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113011683A true CN113011683A (zh) | 2021-06-22 |
Family
ID=76380383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110452385.5A Pending CN113011683A (zh) | 2021-04-26 | 2021-04-26 | 基于校正作物模型的作物估产方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011683A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134003A (zh) * | 2014-07-30 | 2014-11-05 | 中国科学院自动化研究所 | 基于知识与数据共同驱动的作物单产量预测方法 |
CN105740991A (zh) * | 2016-02-26 | 2016-07-06 | 河海大学 | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 |
CN109754125A (zh) * | 2019-01-18 | 2019-05-14 | 中国农业大学 | 基于作物模型、历史和气象预报数据的作物产量预报方法 |
CN110705182A (zh) * | 2019-09-06 | 2020-01-17 | 北京师范大学 | 耦合作物模型和机器学习的作物育种适应时间预测方法 |
CN111611692A (zh) * | 2020-04-26 | 2020-09-01 | 武汉大学 | 气候变化情景下基于等可靠度的设计洪水推求方法及系统 |
CN112561315A (zh) * | 2020-12-15 | 2021-03-26 | 云南省气候中心(云南省生态气象和卫星遥感中心) | 烤烟气象灾害定量评估及预估方法 |
-
2021
- 2021-04-26 CN CN202110452385.5A patent/CN113011683A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134003A (zh) * | 2014-07-30 | 2014-11-05 | 中国科学院自动化研究所 | 基于知识与数据共同驱动的作物单产量预测方法 |
CN105740991A (zh) * | 2016-02-26 | 2016-07-06 | 河海大学 | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 |
CN109754125A (zh) * | 2019-01-18 | 2019-05-14 | 中国农业大学 | 基于作物模型、历史和气象预报数据的作物产量预报方法 |
CN110705182A (zh) * | 2019-09-06 | 2020-01-17 | 北京师范大学 | 耦合作物模型和机器学习的作物育种适应时间预测方法 |
CN111611692A (zh) * | 2020-04-26 | 2020-09-01 | 武汉大学 | 气候变化情景下基于等可靠度的设计洪水推求方法及系统 |
CN112561315A (zh) * | 2020-12-15 | 2021-03-26 | 云南省气候中心(云南省生态气象和卫星遥感中心) | 烤烟气象灾害定量评估及预估方法 |
Non-Patent Citations (1)
Title |
---|
GUOYONG LENG等: ""Crop yield response to climate change varies with crop spatial distribution pattern"", 《WWW.NATURE.COM/SCIENTIFICREPORT》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Braunisch et al. | Selecting from correlated climate variables: a major source of uncertainty for predicting species distributions under climate change | |
Karger et al. | Delineating probabilistic species pools in ecology and biogeography | |
CN111582554B (zh) | 一种农作物长势预测方法及系统 | |
US20170132537A1 (en) | A computer implemented method of deriving performance from a local model | |
Cayuela et al. | Ecological and biogeographic null hypotheses for comparing rarefaction curves | |
AU2016294139B2 (en) | Computer-based representation of precipitation | |
US20220067614A1 (en) | Apparatus and method for crop yield prediction | |
Aurbacher et al. | Generating crop sequences in land-use models using maximum entropy and Markov chains | |
EP3816879A1 (en) | A method of yield estimation for arable crops and grasslands and a system for performing the method | |
Sultan et al. | Estimating the potential economic value of seasonal forecasts in West Africa: A long-term ex-ante assessment in Senegal | |
McDermott et al. | A model‐based approach for analog spatio‐temporal dynamic forecasting | |
Houet et al. | Improving the simulation of fine-resolution landscape changes by coupling top-down and bottom-up land use and cover changes rules | |
Huber et al. | Comparing simulations of three conceptually different forest models with National Forest Inventory data | |
CN115600771A (zh) | 作物产量估测方法、装置、设备及存储介质 | |
Dokoohaki et al. | Development of an open-source regional data assimilation system in PEcAn v. 1.7. 2: Application to carbon cycle reanalysis across the contiguous US using SIPNET | |
CN116881624B (zh) | 复合型极端事件预报方法、装置、计算机设备和存储介质 | |
CN116579521B (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
CN113255999B (zh) | 基于多模型的农作物产量评估方法、装置、设备及介质 | |
CN110852415B (zh) | 基于神经网络算法的植被指数预测方法、系统及设备 | |
CN115599774B (zh) | 基于局部时空树回归模型的时空非平稳性分析方法及系统 | |
CN113011683A (zh) | 基于校正作物模型的作物估产方法及系统 | |
CN116757490A (zh) | 一种植被碳汇评估方法、系统、电子设备及存储介质 | |
CN116341841A (zh) | 径流预报误差校正方法、装置、设备、介质和程序产品 | |
JP7332554B2 (ja) | 情報処理装置、情報処理方法及びコンピュータプログラム | |
Lin et al. | SensorTalk: Extending the life for redundant electrical conductivity sensor |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210622 |