CN113554232A - 一种农作物产量预测方法及系统 - Google Patents

一种农作物产量预测方法及系统 Download PDF

Info

Publication number
CN113554232A
CN113554232A CN202110845851.6A CN202110845851A CN113554232A CN 113554232 A CN113554232 A CN 113554232A CN 202110845851 A CN202110845851 A CN 202110845851A CN 113554232 A CN113554232 A CN 113554232A
Authority
CN
China
Prior art keywords
regression equation
training
data
vegetation index
meteorological data
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
Application number
CN202110845851.6A
Other languages
English (en)
Inventor
朱冰雪
陈圣波
路鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin University
Original Assignee
Jilin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN202110845851.6A priority Critical patent/CN113554232A/zh
Publication of CN113554232A publication Critical patent/CN113554232A/zh
Priority to US17/834,161 priority patent/US20230024846A1/en
Pending legal-status Critical Current

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0098—Plants or trees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing
    • G01N2021/1797—Remote sensing in landscape, e.g. crops
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Immunology (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Botany (AREA)
  • Wood Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Operations Research (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Optimization (AREA)
  • Marketing (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Entrepreneurship & Innovation (AREA)

Abstract

本发明涉及一种农作物产量预测方法及系统，方法包括：获取待测区域的测试归一化植被指数和测试气象数据；将测试归一化植被指数和测试气象数据输入至分层线性回归模型中，得到待测区域的预测产量；其中，分层线性回归模型的确定方法为：获取农作物种植区域的训练归一化植被指数；获取农作物种植区域的训练气象数据和实测产量数据；构建第一回归方程和第二回归方程；所述第二回归方程的因变量为所述第一回归方程的斜率和截距；将所述训练归一化植被指数、所述实测产量数据和气象数据输入所述第一回归方程和所述第二回归方程中。本发明综合组织两种的线性回归模型，无需前期进行大量的信息收集工作，从而提高了农作物产量预测的便捷程度。

Description

一种农作物产量预测方法及系统
技术领域
本发明涉及农作物产量预测技术领域，特别是涉及一种农作物产量预测方法及系统。
背景技术
预测大范围农作物产量是保证国家粮食安全、经济和政治的重要信息。传统田间人工测产方法难以满足大面积农作物种植区域精准预测的要求。通过遥感手段的大区域农作物产量预测是一种非接触式的经济且高效的产量测量方法。使用航空航天传感器获取大范围田间农作物的实时反射率数据，建立地面产量真值与光谱信息的模型，进而通过该模型获取田间农作物产量信息，可大幅度减少田间人工测量的工作量，缩短数据采集时间，提高经济效益。
根据模型的种类，可以将回归模型分为线性和非线性方法。线性模型方法通常简单容易建立，但可变性不如非线性方法，且精度相较非线性模型来说也较低。非线性方法所涉及的模型更加复杂，适应性也更强，但往往需要大量的数据来训练，从而使得非线性模型应用于农作物产量预测时，需要进行大量的信息收集，使得农作物产量预测并不便捷。
发明内容
为了克服现有技术的不足，本发明的目的是提供一种农作物产量预测方法及系统，能够提高农作物产量预测的便捷程度。
为实现上述目的，本发明提供了如下方案：
一种农作物产量预测方法，包括：
获取待测区域的测试归一化植被指数和测试气象数据；
将所述测试归一化植被指数和所述测试气象数据输入至分层线性回归模型中，得到所述待测区域的预测产量；
其中，所述分层线性回归模型的确定方法为：
获取农作物种植区域的训练归一化植被指数；
获取农作物种植区域的训练气象数据和实测产量数据；
构建第一回归方程和第二回归方程；所述第二回归方程的因变量为所述第一回归方程的斜率和截距；
将所述训练归一化植被指数和所述实测产量数据输入所述第一回归方程，将所述训练气象数据输入所述第二回归方程，对所述第一回归方程和所述第二回归方程进行训练，并将训练好的第一回归方程确定为所述分层线性回归模型。
优选地，所述获取农作物种植区域的训练归一化植被指数，包括：
获取农作物种植区域的遥感图像数据；
根据所述遥感图像数据计算光谱反射率；
对所述光谱反射率进行波段计算，得到所述训练归一化植被指数。
优选地，所述遥感图像数据为陆地卫星影像数据；所述陆地卫星影像数据的波段包含蓝波段、绿波段、红波段和近红外波段。
优选地，所述对所述光谱反射率进行波段计算的公式为：
NDVI＝(ρNIR-ρR)/(ρNIR+ρR)；
其中，ρNIR为近红外波段的所述光谱反射率；ρR为红光波段的所述光谱反射率，NDVI为所述训练归一化植被指数。
优选地，所述第一回归方程的公式为：
Yij＝β0j+β1j×NVDIi+eij；
其中，β0j为所述第一回归方程的截距，β1j为所述第一回归方程的斜率，eij为所述第一回归方程的随机误差，Yij为第i个预测产量，NDVIi为训练归一化植被指数中的第i个归一化植被指数，j为数字下标。
优选地，所述第二回归方程的公式为：
β0j＝γ00+γ01×RAD+γ02×Tmax+γ03×Tmin+γ04×PRE+μ0j；
β1j＝γ10+γ11×RAD+γ12×Tmax+γ13×Tmin+γ14×PRE+μ1j；
其中，γ00为所述第二回归方程的第一截距，γ10为所述第二回归方程的第二截距，RAD为所述训练气象数据中的平均日照时数，γ01为所述平均日照时数的第一斜率，γ11为所述平均日照时数的第二斜率，Tmax为所述训练气象数据中的平均日最高温度，γ02为所述平均日最高温度的第一斜率，γ12为所述平均日最高温度的第二斜率，Tmin为所述训练气象数据中的平均日最低温度，γ03为所述平均日最低温度的第一斜率，γ13为所述平均日最低温度的第二斜率，PRE为所述训练气象数据中的平均日降水量，γ04为所述平均日降水量的第一斜率，γ14为所述平均日降水量的第二斜率，μ0j为所述第二回归方程的第一随机误差，μ1j为所述第二回归方程的第二随机误差。
优选地，所述待测区域的农作物为玉米。
优选地，所述玉米的生长时期为灌浆期。
优选地，所述获取农作物种植区域的训练气象数据，包括：
获取地面气候资料日值数据集；所述地面气候资料日值数据集包括所述待测区域的日最高温度、日最低温度、日降水量和日照时数；
根据所述地面气候资料日值数据集计算所述训练气象数据；所述训练气象数据包括平均日最高温度、平均日最低温度、平均日降水量和平均日照时数。
一种农作物产量预测系统，包括：
测试数据获取模块，用于获取待测区域的测试归一化植被指数和测试气象数据；
预测模块，用于将所述测试归一化植被指数和所述测试气象数据输入至分层线性回归模型中，得到所述待测区域的预测产量；
其中，所述预测模块包括：
第一获取模块，用于获取农作物种植区域的训练归一化植被指数；
第二获取模块，用于获取农作物种植区域的训练气象数据和实测产量数据；
构建模块，用于构建第一回归方程和第二回归方程；所述第二回归方程的因变量为所述第一回归方程的斜率和截距。
训练模块，用于将所述训练归一化植被指数和所述实测产量数据输入所述第一回归方程，将所述训练气象数据输入所述第二回归方程，对所述第一回归方程和所述第二回归方程进行训练，并将训练好的第一回归方程确定为所述分层线性回归模型。
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：
本发明提供了一种农作物产量预测方法及系统，所述方法包括：获取待测区域的测试归一化植被指数和测试气象数据；将所述测试归一化植被指数和所述测试气象数据输入至分层线性回归模型中，得到所述待测区域的预测产量；其中，所述分层线性回归模型的确定方法为：获取农作物种植区域的训练归一化植被指数；获取农作物种植区域的训练气象数据和实测产量数据；构建第一回归方程和第二回归方程；所述第二回归方程的因变量为所述第一回归方程的斜率和截距；将所述训练归一化植被指数和所述实测产量数据输入所述第一回归方程，将所述训练气象数据输入所述第二回归方程，对所述第一回归方程和所述第二回归方程进行训练，并将训练好的第一回归方程确定为所述分层线性回归模型。本发明通过多层次线性回归方程构建农作物产量与光谱和气象数据之间的模型关系，进而实现通过光谱信息和气象数据预测未知区域农作物产量的目的，本发明综合组织两种的线性回归模型，能够通过相对较少的数据增加模型适应性，无需前期进行大量的信息收集工作，从而提高了农作物产量预测的便捷程度。
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为本发明提供的实施例中的农作物产量预测方法的流程图；
图2为本发明提供的实施例中的农作物产量预测系统的模块连接图。
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。
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为本发明提供的实施例中的农作物产量预测方法的流程图，如图1所示，本发明的目的是提供一种农作物产量预测方法，包括：
步骤100：获取待测区域的测试归一化植被指数和测试气象数据。
步骤200：将所述测试归一化植被指数和所述测试气象数据输入至分层线性回归模型中，得到所述待测区域的预测产量。
其中，所述分层线性回归模型的确定方法为：
步骤201：获取农作物种植区域的训练归一化植被指数。
步骤202：获取农作物种植区域的训练气象数据和实测产量数据。
步骤203：构建第一回归方程和第二回归方程；所述第二回归方程的因变量为所述第一回归方程的斜率和截距。
步骤204：将所述训练归一化植被指数和所述实测产量数据输入所述第一回归方程，将所述训练气象数据输入所述第二回归方程，对所述第一回归方程和所述第二回归方程进行训练，并将训练好的第一回归方程确定为所述分层线性回归模型。
优选地，所述待测区域的农作物为玉米。所述玉米的生长时期为灌浆期。
可选地，本实施例的目的是一种预测大区域多气象条件下玉米产量的方法，能够准确地预测未知点玉米产量。
优选地，所述获取农作物种植区域的训练归一化植被指数，包括：
获取农作物种植区域的遥感图像数据。
根据所述遥感图像数据计算光谱反射率。
对所述光谱反射率进行波段计算，得到所述训练归一化植被指数。
优选地，所述遥感图像数据为陆地卫星影像数据；所述陆地卫星影像数据的波段包含蓝波段、绿波段、红波段和近红外波段。
具体的，遥感数据为Landsat卫星影像数据，该数据含有9个波段，其中包含蓝、绿、红、近红波段，波长范围为0.43-1.38，多光谱波段空间分辨率为30米。
优选地，所述获取农作物种植区域的训练气象数据，包括：
获取地面气候资料日值数据集；所述地面气候资料日值数据集包括所述待测区域的日最高温度、日最低温度、日降水量和日照时数。
根据所述地面气候资料日值数据集计算所述训练气象数据；所述训练气象数据包括平均日最高温度、平均日最低温度、平均日降水量和平均日照时数。
可选地，气象数据来源于中国气象数据网站发布的站点气象信息，数据集为中国地面气候资料日值数据集(V3.0)包括日最高温度、日最低温度、日降水量和日照时数。
作为一种可选的实施方式，所述实测产量数据来源于野外田间产量数据。
优选地，所述对所述光谱反射率进行波段计算的公式为：NDVI＝(ρNIR-ρR)/(ρNIR+ρR)。
其中，ρNIR为近红外波段的所述光谱反射率；ρR为红光波段的所述光谱反射率，NDVI为所述训练归一化植被指数。
当光源照射到物体表面，物体会对不同波长的电磁波产生选择性反射，光谱反射率是指在某波段被物体反射的光通量与入射到物体上的光通量之比，是物体表面的本质属性。光谱反射率是物体本身对颜色的表征，不仅全面地记录物体的颜色信息，而且也是物体表面材质的表示方式。
本实施例中，第一回归方程和第二回归方程联合构成多层次线性回归模型，多层线性模型是当数据存在于不同层级时，先以第一层级的变量建立回归方程，然后把该方程中的截距和斜率作为因变量，使用第二层数据中的变量作为自变量，再建立两个新的方程；通过这种处理，可以探索不同层面变量对因变量的影响。由于把第一层回归方程中的截距和斜率作为第二层回归方程中的随机变量，所以也被称作“回归的回归”。
优选地，所述第一回归方程的公式为：Yij＝β0j+β1j×NVDIi+eij。
其中，β0j为所述第一回归方程的截距，β1j为所述第一回归方程的斜率，eij为所述第一回归方程的随机误差，Yij为第i个预测产量，NDVIi为第i个所述训练归一化植被指数，j为数字下标。
具体的，所述第一回归方程构成多层次线性回归模型的第一层，第一层与普通OLS回归模型相似，包含自变量遥感参量(NDVI)和因变量产量Y(Yield)。
优选地，所述第二回归方程的公式为：
β0j＝γ00+γ01×RAD+γ02×Tmax+γ03×Tmin+γ04×PRE+μ0j。
β1j＝γ10+γ11×RAD+γ12×Tmax+γ13×Tmin+γ14×PRE+μ1j。
其中，γ00为所述第二回归方程的第一截距，γ10为所述第二回归方程的第二截距，RAD为所述训练气象数据中的平均日照时数，γ01为所述平均日照时数的第一斜率，γ11为所述平均日照时数的第二斜率，Tmax为所述训练气象数据中的平均日最高温度，γ02为所述平均日最高温度的第一斜率，γ12为所述平均日最高温度的第二斜率，Tmin为所述训练气象数据中的平均日最低温度，γ03为所述平均日最低温度的第一斜率，γ13为所述平均日最低温度的第二斜率，PRE为所述训练气象数据中的平均日降水量，γ04为所述平均日降水量的第一斜率，γ14为所述平均日降水量的第二斜率，μ0j为所述第二回归方程的第一随机误差，μ1j为所述第二回归方程的第二随机误差。
具体的，第二层公式为：
βmj＝γm0+γm1×RAD+γm2×Tmax+γm3×Tmin+γm4×PRE+μmj，当m等于1时，其因变量为第一层的模型的斜率；当m等于0时，其因变量等于第一层模型中的截距。第二层模型中的自变量为气象参数(RAD、PRE、Tmax、Tmin)。需要求解的量即为γm1至γm4。
本实施例还提供了一种农作物产量预测系统，图2为本发明提供的实施例中的农作物产量预测系统的模块连接图，如图2所示，该系统，包括：
测试数据获取模块，用于获取待测区域的测试归一化植被指数和测试气象数据。
预测模块，用于将所述测试归一化植被指数和所述测试气象数据输入至分层线性回归模型中，得到所述待测区域的预测产量。其中，分层线性回归模型是由回归模型构建模块确定的。
所述回归模型构建模块，包括：
第一获取模块，用于获取农作物种植区域的训练归一化植被指数。
第二获取模块，用于获取农作物种植区域的训练气象数据和实测产量数据。
构建模块，用于构建第一回归方程和第二回归方程；所述第二回归方程的因变量为所述第一回归方程的斜率和截距。
训练模块，用于将所述训练归一化植被指数和所述实测产量数据输入所述第一回归方程，将所述训练气象数据输入所述第二回归方程，对所述第一回归方程和所述第二回归方程进行训练，并将训练好的第一回归方程确定为所述分层线性回归模型。
具体的，所述第一获取模块包括：
第一获取单元，用于获取玉米种植区域的遥感图像数据。
第一计算单元，用于根据所述遥感图像数据计算光谱反射率。
第二计算单元，用于对所述光谱反射率进行波段计算，得到所述训练归一化植被指数。
本发明的有益效果如下：
本发明以多层次线性回归建模为基础，将传感器获取的玉米灌浆期光谱信息和地方气象数据结合，通过多层次线性回归方程构建玉米产量与光谱和气象数据之间的模型关系，进而实现通过光谱信息和气象数据预测未知区域玉米产量的目的。本发明能够通过相对较少的数据增加模型适应性，无需前期进行大量的信息收集工作，从而提高了农作物产量预测的便捷程度，且相较单一的线性或者非线性模型来说，预测结果的精度更高。
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)

1.一种农作物产量预测方法，其特征在于，包括：
获取待测区域的测试归一化植被指数和测试气象数据；
将所述测试归一化植被指数和所述测试气象数据输入至分层线性回归模型中，得到所述待测区域的预测产量；
其中，所述分层线性回归模型的确定方法为：
获取农作物种植区域的训练归一化植被指数；
获取农作物种植区域的训练气象数据和实测产量数据；
构建第一回归方程和第二回归方程；所述第二回归方程的因变量为所述第一回归方程的斜率和截距；
将所述训练归一化植被指数和所述实测产量数据输入所述第一回归方程，将所述训练气象数据输入所述第二回归方程，对所述第一回归方程和所述第二回归方程进行训练，并将训练好的第一回归方程确定为所述分层线性回归模型。
2.根据权利要求1所述的农作物产量预测方法，其特征在于，所述获取农作物种植区域的训练归一化植被指数，包括：
获取农作物种植区域的遥感图像数据；
根据所述遥感图像数据计算光谱反射率；
对所述光谱反射率进行波段计算，得到所述训练归一化植被指数。
3.根据权利要求2所述的农作物产量预测方法，其特征在于，所述遥感图像数据为陆地卫星影像数据；所述陆地卫星影像数据的波段包含蓝波段、绿波段、红波段和近红外波段。
4.根据权利要求2所述的农作物产量预测方法，其特征在于，所述对所述光谱反射率进行波段计算的公式为：
NDVI＝(ρNIR-ρR)/(ρNIR+ρR)；
其中，ρNIR为近红外波段的所述光谱反射率；ρR为红光波段的所述光谱反射率；NDVI为所述训练归一化植被指数。
5.根据权利要求1所述的农作物产量预测方法，其特征在于，所述第一回归方程的公式为：
Yij＝β0j+β1j×NVDIi+eij；
其中，β0j为所述第一回归方程的截距，β1j为所述第一回归方程的斜率，eij为所述第一回归方程的随机误差，Yij为第i个预测产量，NDVIi为训练归一化植被指数中的第i个归一化植被指数，j为数字下标。
6.根据权利要求5所述的农作物产量预测方法，其特征在于，所述第二回归方程的公式为：
β0j＝γ00+γ01×RAD+γ02×Tmax+γ03×Tmin+γ04×PRE+μ0j；
β1j＝γ10+γ11×RAD+γ12×Tmax+γ13×Tmin+γ14×PRE+μ1j；
其中，γ00为所述第二回归方程的第一截距，γ10为所述第二回归方程的第二截距，RAD为所述训练气象数据中的平均日照时数，γ01为所述平均日照时数的第一斜率，γ11为所述平均日照时数的第二斜率，Tmax为所述训练气象数据中的平均日最高温度，γ02为所述平均日最高温度的第一斜率，γ12为所述平均日最高温度的第二斜率，Tmin为所述训练气象数据中的平均日最低温度，γ03为所述平均日最低温度的第一斜率，γ13为所述平均日最低温度的第二斜率，PRE为所述训练气象数据中的平均日降水量，γ04为所述平均日降水量的第一斜率，γ14为所述平均日降水量的第二斜率，μ0j为所述第二回归方程的第一随机误差，μ1j为所述第二回归方程的第二随机误差。
7.根据权利要求1所述的农作物产量预测方法，其特征在于，所述待测区域的农作物为玉米。
8.根据权利要求7所述的农作物产量预测方法，其特征在于，所述玉米的生长时期为灌浆期。
9.根据权利要求1所述的农作物产量预测方法，其特征在于，所述获取农作物种植区域的训练气象数据，包括：
获取地面气候资料日值数据集；所述地面气候资料日值数据集包括所述待测区域的日最高温度、日最低温度、日降水量和日照时数；
根据所述地面气候资料日值数据集计算所述训练气象数据；所述训练气象数据包括平均日最高温度、平均日最低温度、平均日降水量和平均日照时数。
10.一种农作物产量预测系统，其特征在于，包括：
测试数据获取模块，用于获取待测区域的测试归一化植被指数和测试气象数据；
预测模块，用于将所述测试归一化植被指数和所述测试气象数据输入至分层线性回归模型中，得到所述待测区域的预测产量；
其中，所述预测模块包括：
第一获取模块，用于获取农作物种植区域的训练归一化植被指数；
第二获取模块，用于获取农作物种植区域的训练气象数据和实测产量数据；
构建模块，用于构建第一回归方程和第二回归方程；
训练模块，用于根据所述训练归一化植被指数和所述实测产量数据对所述第一回归方程进行训练，根据所述训练气象数据对所述第二回归方程进行训练，从而得到所述分层线性回归模型；所述第二回归方程的因变量为所述第一回归方程的斜率和截距。
CN202110845851.6A 2021-07-26 2021-07-26 一种农作物产量预测方法及系统 Pending CN113554232A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110845851.6A CN113554232A (zh) 2021-07-26 2021-07-26 一种农作物产量预测方法及系统
US17/834,161 US20230024846A1 (en) 2021-07-26 2022-06-07 Crop yield prediction method and system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110845851.6A CN113554232A (zh) 2021-07-26 2021-07-26 一种农作物产量预测方法及系统

Publications (1)

Publication Number Publication Date
CN113554232A true CN113554232A (zh) 2021-10-26

Family

ID=78132871

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110845851.6A Pending CN113554232A (zh) 2021-07-26 2021-07-26 一种农作物产量预测方法及系统

Country Status (2)

Country Link
US (1) US20230024846A1 (zh)
CN (1) CN113554232A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113821987A (zh) * 2021-11-19 2021-12-21 浙江甲骨文超级码科技股份有限公司 复杂地形气象数据预测方法、系统和装置
CN115545311A (zh) * 2022-10-11 2022-12-30 中国科学院西北生态环境资源研究院 一种农作物估产方法、装置、存储介质及电子设备
CN117744898A (zh) * 2024-02-21 2024-03-22 上海兰桂骐技术发展股份有限公司 一种大田粮食作物产量年际预测模型构建方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563706B (zh) * 2023-05-08 2024-05-17 哈尔滨工业大学 一种针对多光谱图像反射率多特征的作物产量估计方法
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
CN116935227B (zh) * 2023-08-03 2024-06-14 广东花城园林有限公司 基于卫星遥感影像的农作物产量分析方法、系统和介质
CN117709604B (zh) * 2024-02-06 2024-06-11 北京市农林科学院信息技术研究中心 面向植保无人机飞防的冬小麦遥感监测方法、装置和设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033262A (zh) * 2019-12-25 2021-06-25 中移(成都)信息通信科技有限公司 模型训练方法和农作物产量预估方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033262A (zh) * 2019-12-25 2021-06-25 中移(成都)信息通信科技有限公司 模型训练方法和农作物产量预估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BINGXUE ZHU 等: "A Regional Maize Yield Hierarchical Linear Model Combining Landsat 8 Vegetative Indices and Meteorological Data：Case Study in Jilin Province", 《REMOTE SENSING》 *
王玉: "《曲波特征加权遥感图像统计分割原理与方法》", 31 May 2020, 北京：北京邮电大学出版社 *
胡广录: "《干旱区绿洲水分生产率分布格局及影响因素研究》", 29 February 2012, 兰州：甘肃人民出版社 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113821987A (zh) * 2021-11-19 2021-12-21 浙江甲骨文超级码科技股份有限公司 复杂地形气象数据预测方法、系统和装置
CN115545311A (zh) * 2022-10-11 2022-12-30 中国科学院西北生态环境资源研究院 一种农作物估产方法、装置、存储介质及电子设备
CN117744898A (zh) * 2024-02-21 2024-03-22 上海兰桂骐技术发展股份有限公司 一种大田粮食作物产量年际预测模型构建方法
CN117744898B (zh) * 2024-02-21 2024-05-28 上海兰桂骐技术发展股份有限公司 一种大田粮食作物产量年际预测模型构建方法

Also Published As

Publication number Publication date
US20230024846A1 (en) 2023-01-26

Similar Documents

Publication Publication Date Title
CN113554232A (zh) 一种农作物产量预测方法及系统
US10838936B2 (en) Computer-implemented methods, computer readable medium and systems for generating an orchard data model for a precision agriculture platform
CN107796764B (zh) 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法
US20220012385A1 (en) Computer-implemented methods, computer readable medium and systems for a precision agriculture platform that detects healthy conditions
CN102788752B (zh) 基于光谱技术的农作物内部信息无损检测装置及方法
US10748081B2 (en) Computer-implemented methods, computer readable medium and systems for a precision agriculture platform that identifies generic anomalies in crops
CN107505271B (zh) 基于氮素组分辐射传输模型的植株氮素估算方法和系统
US10410334B2 (en) Computer-implemented methods, computer readable medium and systems for a precision agriculture platform with a satellite data model
CN103345707A (zh) 一种基于多源遥感数据的农作物成熟期遥感预测方法
CN105608293A (zh) 融合光谱与纹理特征的森林地上生物量反演方法及系统
US20180330486A1 (en) Computer-implemented methods, computer readable medium and systems for a precision agriculture platform
CN112348812A (zh) 林分年龄信息测量方法及装置
CN104697943A (zh) 一种油菜水分胁迫的无损检测方法
CN111044516B (zh) 一种水稻叶绿素含量遥感估测方法
US10943173B2 (en) Computer-implemented methods, computer readable medium and systems for generating a satellite data model for a precision agriculture platform
CN101692037A (zh) 高光谱图像和独立分量分析植物叶面叶绿素分布的方法
CN112287886B (zh) 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法
CN103940748A (zh) 基于高光谱技术的柑橘冠层含氮量预测与可视化的方法
CN114676636B (zh) 一种综合植被和生境特征的草原区土壤水分快速反演方法
Hall Remote sensing applications for viticultural terroir analysis
CN115759524B (zh) 一种基于遥感影像植被指数的土壤生产力等级识别方法
CN113673490A (zh) 一种物候期自适应的作物生理参数遥感估测方法及系统
CN115271217A (zh) 一种基于无人机多源遥感数据的小麦产量预测方法
CN114612794B (zh) 一种细碎化农业区土地覆被与种植结构的遥感识别方法
CN114140695B (zh) 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统

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

Application publication date: 20211026

RJ01 Rejection of invention patent application after publication