CN113762768A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113762768A
CN113762768A CN202111035374.3A CN202111035374A CN113762768A CN 113762768 A CN113762768 A CN 113762768A CN 202111035374 A CN202111035374 A CN 202111035374A CN 113762768 A CN113762768 A CN 113762768A
Authority
CN
China
Prior art keywords
drought
crop
dynamic risk
meteorological
agricultural
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
Application number
CN202111035374.3A
Other languages
English (en)
Other versions
CN113762768B (zh
Inventor
吕娟
屈艳萍
王亚许
杨晓静
高辉
苏志诚
马苗苗
张学君
姜波
张丹
廖丽莎
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.)
China Institute of Water Resources and Hydropower Research
Original Assignee
China Institute of Water Resources and Hydropower Research
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 China Institute of Water Resources and Hydropower Research filed Critical China Institute of Water Resources and Hydropower Research
Priority to CN202111035374.3A priority Critical patent/CN113762768B/zh
Publication of CN113762768A publication Critical patent/CN113762768A/zh
Application granted granted Critical
Publication of CN113762768B publication Critical patent/CN113762768B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Animal Husbandry (AREA)
  • General Health & Medical Sciences (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Agronomy & Crop Science (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种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。选用天气发生器随机模拟生成未来逐日气象数据的大量样本用来描述未来干旱发生的随机不确定性；利用实测和随机模拟气象数据驱动作物模型，评估不同干旱情景下的作物产量损失；基于风险定义，构建期望产量损失率指标评估农业旱灾动态风险。本发明可实现在作物生育期内按一定时间步长滚动评估或实时评估农业旱灾动态风险。

Description

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
技术领域
本发明属于防旱减灾技术领域，具体为一种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。
背景技术
目前，对于运用作物模型对农业旱灾风险的评估主要有以下研究：王志强等发明了一种基于作物生长模型确定作物旱灾自然脆弱性曲线的方法，该方法基于作物生长模型，建立和计算作物旱灾致灾强度指数，在水分充足和水分胁迫下模拟作物生长，计算水分胁迫下的作物产量损失率，通过模拟的大量样本构建致灾强度指数与产量损失率之间的逻辑曲线，获得作物旱灾脆弱性曲线，以此评估作物受旱时脆弱性。
贾慧聪等发明了一种基于作物生长模型的农业旱灾风险评估方法，包括如下步骤：(1)建立EPIC作物生长模型。(2)基于步骤(1)建立的作物生长模型对农业旱灾风险进行的评估，从致灾因子危险性H评价、承灾体脆弱性曲线Vc评价和风险性R评价三方面进行。该发明采用EPIC模型，并通过构建了“致灾因子危险性H评价-承灾体脆弱性曲线Vc评价-风险性R评价”的农业旱灾风险评价的“H-Vc-R”系统概念模型，对作物旱灾风险进行了全面可靠的评估。
总结目前的研究方法主要有以下几方面不足：
1)目前的旱灾风险评估方法多是基于地区历史数据及本底数据，研究在气候背景下的地区旱灾风险区划，旱灾风险评估结果在一定时期内是静态的，主要反映地区气候特征，为灾前预防提供指导。然而当干旱事件发生时，不能反映未来干旱发展演变及其潜在影响的不确定性和旱灾风险动态变化的问题，无法为科学有效的采取应急抗旱救灾措施提供指导。
2)目前的农业旱灾风险评估方法未能反应作物各生长阶段发生干旱的不同响应。作物产量因旱损失及农业旱灾风险大小不仅与干旱程度有关，也与干旱发生的作物不同生育期有关。
3)目前的农业旱灾风险评估方法不能预测未来干旱趋势演变，不能评估未来干旱对农业产量可能造成的影响。
旱灾风险评估应当既包括对地区气候背景下的旱灾风险静态评估，又要研究独立干旱事件在气象随机变化过程中发展演变规律及可能带来影响，体现农业旱灾动态风险随时间的变化过程，为应急抗旱指挥决策提供依据。
发明内容
为了克服现有技术的问题，本发明提出了一种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。本发明主要解决未来干旱的趋势演变模拟与预测、评估作物不同生育期产量损失及农业旱灾动态风险变化。为了实现上述本发明的总体技术方案如下：
一种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，包括如下步骤：
步骤一、逐日气象要素随机模拟：假设未来干旱事件为随机事件，且未来气象数据与历史气象数据具有稳定性和一致性，利用BCC/RCG-WG天气发生器生成研究区气象站点未来年内逐日气象数据的大量样本随机气象模拟数据；
步骤二、APSIM模型(农业生产系统模型)参数本地化构建：建立研究区各气象站点APSIM模型本地化参数数据集，将各气象站点基础资料作为模型输入参数；
步骤三、确定研究区农业旱灾动态风险评估时刻、时段和评估频率；
步骤四、气象模拟情景的设置：将研究区各气象站点各评估时刻之前的实测站点气象数据与评估时刻之后的随机模拟气象数据在评估时刻拼接(即评估时刻之前是实测站点逐日气象数据，评估时刻之后是随机模拟逐日气象数据)；
步骤五、各情景作物产量模拟：分别将各气象站点各情景数据输入配置好的APSIM作物模型，模拟各情景作物产量。
步骤六、干旱趋势概率计算：假设各站点生成大量情景数据样本数为n，将每个干旱发展演变趋势概率计算为：
Pk＝1/n
式中，k为第k个模拟情景；
步骤七、作物产量因旱损失率计算：基于配置的APSIM模型在无灌溉的情况下，且种植方式、施肥方式、收获方式设置为一致，将各情景模拟的最高产量作为潜在产量，将潜在产量与各情景模拟产量之间差值作为作物产量因旱损失：
Figure BDA0003243420060000021
式中，
Figure BDA0003243420060000031
为第k个情景下的产量因旱损失率；Ymax为潜在产量；Yk为第k个情景的模拟产量。
步骤八、基于定义构建期望产量损失率指标评估农业旱灾动态风险，即概率乘以损失。
Figure BDA0003243420060000032
Figure BDA0003243420060000033
式中：R为农业旱灾动态风险评估值
步骤十、将各站点各评估时刻计算的农业旱灾动态风险指标与研究区底图加载进ArcMap，对农业旱灾动态风险评估结果在研究区范围内进行插值，得到各评估时刻农业旱灾动态风险在地区上的分布。
进一步的，步骤一中气象数据要素包括逐日降水、最低气温、最高气温、日照时数、平均风速和平均相对湿度。
进一步的，步骤二中所述基础资料包括气象、土壤、作物、耕作方式。
本发明选用基于中国气象站点研发的BCC/RCG-WG天气发生器和在中国广泛使用的APSIM作物模型，建立期望产量损失率指标实现对农业旱灾动态风险的滚动和实时评估。本发明考虑了未来农业干旱的发展演变趋势，反映了干旱发生在作物不同生育期对产量的影响，体现了农业旱灾风险随时间的动态变化。
本发明的有益效果：
1)提出了农业旱灾动态风险评估技术方法，反应了农业旱灾动态风险随时间的变化。
2)该方法考虑了对未来干旱演变的随机预测，基于随机概率思想描述未来干旱发展演变的不确定性。
3)该方法反应了作物不同生育期受旱对产量的不同影响，体现作物各生育期生长规律。
4)该方法可在干旱发生前和发生过程中，在作物生育期内实现滚动或者实时农业旱灾动态风险评估。
本发明由于BCC/RCG-WG天气发生器及APSIM作物模型为工具评估农业旱灾动态风险，研发了一种滚动或者实时评估农业旱灾动态风险的技术，为应急抗旱指挥决策提供依据。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是本发明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整体流程示意图。
图2是本发明实施例1中气象数据情景模拟示意图。
图3为实施例1中2000年辽宁省农业旱灾动态风险评估结果(5月1日至7月17日)。
图4为实施例1中2000年辽宁省农业旱灾动态风险评估结果(7月24日至9月18日)。
图2中T0，T1，T2分别为作物种植时间、风险评估时间及作物收获时间。图3的图例省略，图3图例与图4的相同。
具体实施方式
一种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：首先，由于干旱发生发展缓慢，本研究假设未来干旱演变趋势为随机事件，选用天气发生器随机模拟生成未来逐日气象数据的大量样本用来描述未来干旱发生的随机不确定性，随后利用实测和随机模拟气象数据驱动作物模型，评估不同干旱情景下的作物产量损失，基于风险定义，构建期望产量损失率指标评估农业旱灾动态风险，由于农业旱灾动态风险随时间变化，本发明中阐述一种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可实现在作物生育期内按一定时间步长滚动评估或实时评估农业旱灾动态风险。以下通过具体实施例进一步描述：
实施例1：
一种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，以辽宁省为例，方法步骤如图1和图2所示，具体为：
(1)逐日气象要素随机模拟，选取位于辽宁省的14个国家基准、基本气象站点，利用BCC/RCG-WG天气发生器生成14个站点评估时段100次逐日气象数据样本作为随机模拟气象数据。
(2)建立APSIM作物模型，输入基础资料，包括气象、土壤、作物、耕作方式等；具体包括辽宁省选取气象站逐日气象数据、田间试验土壤数据、国家农业气象站作物田间管理及作物种植数据作为APSIM模型的参数设置及输入数据。利用1996-2009年数据对APSIM参数率定，2010-2012年数据验证模型。
(3)选取2000年为评估年份，根据辽宁省主要作物春玉米的生育期，确定农业旱灾动态风险评估时段为2000年5月1日-2000年9月18日，以周为步长评估。
(4)气象模拟情景的设置，根据搜集到的14个气象站点实测的气象数据，与评估时刻(2000年5月1日、5月8日……)之后随机模拟的100次气象数据拼接，生成100个情景数据样本。
(5)分别将14个气象站点不同评估时刻100次随机模拟情景输入配置好的APSIM作物模型，模拟各站点各情景作物产量。
(6)干旱趋势概率计算。生成大量情景数据样本数为100，故每个情景干旱趋势概率为：
Pk＝1/100
式中，k为第k个模拟情景。
(7)作物产量因旱损失率计算。基于配置的APSIM模型在无灌溉的情况下，且各站点种植方式、施肥方式等设置为一致，本发明将各情景模拟的最高产量作为潜在产量，将潜在产量与各情景模拟产量之间差值作为作物产量因旱损失。
Figure BDA0003243420060000051
式中，
Figure BDA0003243420060000052
为第k个情景下的产量因旱损失率；Ymax为潜在产量；Yk为第k个情景的模拟产量。
(8)基于定义构建期望产量损失率指标评估农业旱灾动态风险，即概率乘以损失。
Figure BDA0003243420060000053
式中，R为农业旱灾动态风险值，其他字母同前。
基于步骤(6)和步骤(7)所述的干旱趋势概率和作物产量因旱损失率计算公式，农业旱灾动态风险计算为：
Figure BDA0003243420060000054
(9)根据步骤(8)计算的各站点农业旱灾动态风险，连同研究区底图加载到ArcMap软件，将农业旱灾动态风险在研究区进行插值，方法可选取克里金差值、反距离加权等差值方法。划分农业旱灾动态风险等级并在地图上进行展示如图3、4。
最后应说明的是，以上仅用以说明本发明的技术方案而非限制，尽管参照较佳布置方案对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。

Claims (3)

1.一种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，其特征在于：包括如下步骤：
步骤一、逐日气象要素随机模拟：利用BCC/RCG-WG天气发生器生成研究区各气象站点未来年内逐日气象数据的样本作为随机模拟气象数据；
步骤二、APSIM模型参数本地化构建：建立研究区各气象站点APSIM模型本地化参数数据集，将各气象站点基础资料作为模型输入参数；
步骤三、确定研究区农业旱灾动态风险评估时刻、时段和评估频率；
步骤四、气象模拟情景的设置：将研究区各气象站点各评估时刻之前的实测站点气象数据与评估时刻之后的随机模拟气象数据在评估时刻拼接，生成大量情景数据样本；
步骤五、各情景作物产量模拟：分别将各气象站点各情景数据输入配置好的APSIM模型，模拟各情景作物产量；
步骤六、干旱发展演变趋势概率计算：
Pk＝1/n
式中，n为气象站点生成的情景数据样本数；Pk为每个情景下的干旱发展演变趋势概率；
步骤七、作物产量因旱损失率计算：基于配置的APSIM模型在无灌溉的情况下，且种植方式、施肥方式、收获方式设置为一致，将各情景模拟的最高产量作为潜在产量，将潜在产量与各情景模拟产量之间差值作为作物产量因旱损失率：
Figure FDA0003243420050000011
式中，
Figure FDA0003243420050000012
为第k个情景下的产量因旱损失率；Ymax为潜在产量；Yk为第k个情景的模拟产量；
步骤八、农业旱灾动态风险评估：
Figure FDA0003243420050000013
式中：R为农业旱灾动态风险评估值；
步骤九、农业旱灾动态风险插值：将各站点各评估时刻计算的农业旱灾动态风险评估值与研究区底图加载，对农业旱灾动态风险评估结果在研究区范围内进行插值，得到各评估时刻农业旱灾动态风险在地区上的分布。
2.根据权利要求1所述的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，其特征在于：步骤一中气象数据要素包括逐日降水、最低气温、最高气温、日照时数、平均风速和平均相对湿度。
3.根据权利要求1所述的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，其特征在于：步骤二中所述基础资料包括气象数据、土壤数据、作物数据和耕作方式。
CN202111035374.3A 2021-09-02 2021-09-02 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 Active CN113762768B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111035374.3A CN113762768B (zh) 2021-09-02 2021-09-02 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111035374.3A CN113762768B (zh) 2021-09-02 2021-09-02 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

Publications (2)

Publication Number Publication Date
CN113762768A true CN113762768A (zh) 2021-12-07
CN113762768B CN113762768B (zh) 2022-09-09

Family

ID=78793024

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111035374.3A Active CN113762768B (zh) 2021-09-02 2021-09-02 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

Country Status (1)

Country Link
CN (1) CN113762768B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2423813C1 (ru) * 2010-04-21 2011-07-20 Учреждение Российской академии наук Институт химической физики им. Н.Н. Семенова РАН (ИХФ РАН) Способ защиты растений от засухи
CN104361249A (zh) * 2014-11-25 2015-02-18 民政部国家减灾中心 基于作物生长模型的作物旱灾致灾强度指数计算方法
CN104732045A (zh) * 2015-04-22 2015-06-24 民政部国家减灾中心 一种基于作物生长模型确定作物旱灾自然脆弱性曲线的方法
CN105389740A (zh) * 2015-12-29 2016-03-09 中国科学院遥感与数字地球研究所 一种基于作物生长模型的农业旱灾风险评估方法
CN106716479A (zh) * 2014-03-31 2017-05-24 英皇创新有限公司 从局部模型导出性能的计算机实现方法
CN107480888A (zh) * 2017-08-17 2017-12-15 中国水利水电科学研究院 一种基于apsim模型的农业旱灾风险评估方法
CN110909933A (zh) * 2019-11-20 2020-03-24 北京师范大学 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
CN112598266A (zh) * 2020-12-19 2021-04-02 中国农业大学 基于产量构成要素的冬小麦气象灾害产量损失评估方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2423813C1 (ru) * 2010-04-21 2011-07-20 Учреждение Российской академии наук Институт химической физики им. Н.Н. Семенова РАН (ИХФ РАН) Способ защиты растений от засухи
CN106716479A (zh) * 2014-03-31 2017-05-24 英皇创新有限公司 从局部模型导出性能的计算机实现方法
CN104361249A (zh) * 2014-11-25 2015-02-18 民政部国家减灾中心 基于作物生长模型的作物旱灾致灾强度指数计算方法
CN104732045A (zh) * 2015-04-22 2015-06-24 民政部国家减灾中心 一种基于作物生长模型确定作物旱灾自然脆弱性曲线的方法
CN105389740A (zh) * 2015-12-29 2016-03-09 中国科学院遥感与数字地球研究所 一种基于作物生长模型的农业旱灾风险评估方法
CN107480888A (zh) * 2017-08-17 2017-12-15 中国水利水电科学研究院 一种基于apsim模型的农业旱灾风险评估方法
CN110909933A (zh) * 2019-11-20 2020-03-24 北京师范大学 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
CN112598266A (zh) * 2020-12-19 2021-04-02 中国农业大学 基于产量构成要素的冬小麦气象灾害产量损失评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
屈艳萍: "旱灾风险评估理论及技术研究—以辽宁省农业干旱为例", 《中国优秀博硕士学位论文全文数据库(博士)基础科学辑》 *

Also Published As

Publication number Publication date
CN113762768B (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
Kitchen et al. Development of a conservation-oriented precision agriculture system: Crop production assessment and plan implementation
de Wit et al. Using ERA-INTERIM for regional crop yield forecasting in Europe
CN109711102B (zh) 一种作物灾害损失快速评估方法
CA2956205A1 (en) Agronomic systems, methods and apparatuses
Mhizha et al. Use of the FAO AquaCrop model in developing sowing guidelines for rainfed maize in Zimbabwe
CN109800921B (zh) 基于遥感物候同化和粒子群优化的区域冬小麦估产方法
Ghaffari et al. Climate change and winter wheat management: a modelling scenario for south-eastern England
CN106485002B (zh) 在复杂地形气候区域估算甘蔗潜在产量的方法
Ma et al. Evaluation of RZWQM under varying irrigation levels in eastern Colorado
CN114254964B (zh) 水稻区域气候品质评估方法及系统
CN112215716A (zh) 农作物生长干预方法、装置、设备及存储介质
CN110826797B (zh) 基于多目标综合评价体系确定最佳农业种植系统的方法
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
CN112598277A (zh) 一种评估跨区域缩小冬小麦产量差与提高氮肥效率的方法
CN110245444A (zh) 一种基于作物对环境的响应与适应机制的发育期模拟方法
Yan et al. A quantitative knowledge-based model for designing suitable growth dynamics in rice
Linker et al. Model-based deficit irrigation of maize in Kansas
CN110705182A (zh) 耦合作物模型和机器学习的作物育种适应时间预测方法
CN116401882A (zh) 基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法
CN115205695A (zh) 一种根据种植数据确定种植策略的方法和系统
CN113762768B (zh) 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
CN107491724A (zh) 一种冬小麦穗分化期识别方法及装置
Amiri et al. Performance of WOFOST model for simulating maize growth, leaf area index, biomass, grain yield, yield gap, and soil water under irrigation and rainfed conditions
CN113902215B (zh) 一种棉花延迟型冷害动态的预报方法
CN115392016A (zh) 一种基于遥感数据同化的青贮玉米生长发育预测方法

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