CN114254964A - 水稻区域气候品质评估方法及系统 - Google Patents
水稻区域气候品质评估方法及系统 Download PDFInfo
- Publication number
- CN114254964A CN114254964A CN202210189805.XA CN202210189805A CN114254964A CN 114254964 A CN114254964 A CN 114254964A CN 202210189805 A CN202210189805 A CN 202210189805A CN 114254964 A CN114254964 A CN 114254964A
- Authority
- CN
- China
- Prior art keywords
- rice
- target type
- determining
- quality
- protein content
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 571
- 235000009566 rice Nutrition 0.000 title claims abstract description 570
- 238000001303 quality assessment method Methods 0.000 title claims description 7
- 240000007594 Oryza sativa Species 0.000 title description 470
- 230000012010 growth Effects 0.000 claims abstract description 111
- 238000000034 method Methods 0.000 claims abstract description 83
- 229920000856 Amylose Polymers 0.000 claims abstract description 82
- 238000012549 training Methods 0.000 claims abstract description 55
- 241000209094 Oryza Species 0.000 claims abstract 102
- 239000011159 matrix material Substances 0.000 claims description 20
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 claims description 15
- 238000003306 harvesting Methods 0.000 claims description 15
- 238000012706 support-vector machine Methods 0.000 claims description 14
- 238000009331 sowing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013441 quality evaluation Methods 0.000 claims description 11
- 238000001556 precipitation Methods 0.000 claims description 10
- 239000000443 aerosol Substances 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 abstract description 13
- 238000004519 manufacturing process Methods 0.000 abstract description 13
- 230000007613 environmental effect Effects 0.000 abstract description 12
- 238000011160 research Methods 0.000 description 17
- 239000000126 substance Substances 0.000 description 17
- 238000012360 testing method Methods 0.000 description 16
- 238000011161 development Methods 0.000 description 14
- 230000018109 developmental process Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 229920002472 Starch Polymers 0.000 description 9
- 235000019698 starch Nutrition 0.000 description 9
- 239000008107 starch Substances 0.000 description 9
- 238000009825 accumulation Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000001850 reproductive effect Effects 0.000 description 6
- 230000009105 vegetative growth Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 235000013339 cereals Nutrition 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000013316 zoning Methods 0.000 description 4
- 239000011324 bead Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 238000010899 nucleation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 240000002582 Oryza sativa Indica Group Species 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 2
- 244000062793 Sorghum vulgare Species 0.000 description 2
- 240000008042 Zea mays Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 2
- 239000005427 atmospheric aerosol Substances 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000010411 cooking Methods 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 235000019713 millet Nutrition 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 229940100486 rice starch Drugs 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 235000017060 Arachis glabrata Nutrition 0.000 description 1
- 244000105624 Arachis hypogaea Species 0.000 description 1
- 235000010777 Arachis hypogaea Nutrition 0.000 description 1
- 235000018262 Arachis monticola Nutrition 0.000 description 1
- 241000287196 Asthenes Species 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 241000219146 Gossypium Species 0.000 description 1
- 238000007696 Kjeldahl method Methods 0.000 description 1
- 235000007189 Oryza longistaminata Nutrition 0.000 description 1
- 102100036789 Protein TBATA Human genes 0.000 description 1
- 101710118245 Protein TBATA Proteins 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 244000098338 Triticum aestivum Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009418 agronomic effect Effects 0.000 description 1
- 238000007605 air drying Methods 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen group Chemical group [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 235000020232 peanut Nutrition 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- 235000020985 whole grains Nutrition 0.000 description 1
- 238000004383 yellowing 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
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/20—Supervised data analysis
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Bioethics (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
Abstract
本发明提供一种水稻区域气候品质评估方法及系统,方法包括:根据各个种类水稻的关键生育期的气象数据建模元数据和大气数据建模元数据,确定训练样本;将训练样本输入到SVMR模型进行训练,以获取反演模型;将目标种类水稻的关键生育期的气象数据建模元数据和大气数据建模元数据输入到反演模型,以确定目标种类水稻的稻米的直链淀粉含量和蛋白质含量;根据目标种类水稻的稻米的直链淀粉含量和蛋白质含量,对目标种类水稻的区域气候品质进行评估。本发明通过将气象数据与大气数据相结合,全面的考虑多种环境因素对稻米品质的影响,从而实现对大区域尺度的水稻区域气候品质的全面、准确的评价,为水稻生产和种植提供指导和建议。
Description
技术领域
本发明涉及水稻种植技术领域,尤其涉及一种水稻区域气候品质评估方法及系统。
背景技术
水稻的品质包括加工品质、外观品质、蒸煮食味品质和营养品质四个方面。研究表明,稻米的品质受到稻米蛋白质含量、直链淀粉含量的共同影响,而稻米的蛋白质含量和直链淀粉含量由遗传因素和环境因素共同决定。在水稻生产中技术水平达到一定高度的条件下,要实现水稻生产优质、高效、生态、安全的要求,气候因素作为影响稻米品质的主要因素就显得尤为重要。气候品质认证是指气候对农产品品质影响的优劣等级评定,是最能反应农产品品质受生态环境和气候条件影响的证明。
已有的稻米气候品质评价方法中,将年积温、年总日照时数、年积雨量或年平均气温、年平均日照时数、年平均降雨量作为影响稻米品质的主要气候因素,无法准确、有效、可靠的反映出气候对稻米品质的影响。此外,在以往的气候品质研究中,传统区划法一般先分析作物的生长发育条件,对影响作物生长发育的主要因子筛选出来,再分不同的等级进行区划。现有几种较为常用的区划方法包括专家打分法、模糊综合评判法、权重法、决策树法等都是在传统区划的基础上进一步发展而来的。
在目前农业技术水平达到一定高度的条件下,如何利用科学技术对水稻区域气候品质进行准确评价,构建水稻生产精细化气候区划,对当季水稻生长条件提供科学评价,也为水稻生产和种植提供指导和建议是目前亟需解决的问题。
发明内容
本发明提供的水稻区域气候品质评估方法及系统,用于解决现有技术中存在的上述问题,通过将气象数据与大气数据相结合,全面的考虑多种环境因素对稻米品质的影响,从而实现对大区域尺度的水稻区域气候品质的全面、准确的评价,为水稻生产和种植提供指导和建议。
本发明提供的一种水稻区域气候品质评估方法,包括:
根据各个种类水稻的关键生育期的气象数据建模元数据和大气数据建模元数据,确定训练样本;
将所述训练样本输入到支持向量机回归SVMR模型进行训练,以获取反演模型;
将目标种类水稻的关键生育期的气象数据建模元数据和大气数据建模元数据输入到所述反演模型,以确定目标种类水稻的稻米的直链淀粉含量和蛋白质含量;
根据所述目标种类水稻的稻米的直链淀粉含量和蛋白质含量,对所述目标种类水稻的区域气候品质进行评估。
根据本发明提供的一种水稻区域气候品质评估方法,所述各个种类水稻的关键生育期的气象数据建模元数据和大气数据建模元数据是通过如下方式获取的:
确定各个种类水稻的稻米的直链淀粉含量和蛋白质含量与所述各个种类水稻的关键生育期的气象要素的第一灰色关联度;
根据各个种类水稻的关键生育期的开始时间和结束时间、所述各个种类水稻的关键生育期的气象要素以及所述第一灰色关联度,确定所述气象数据建模元数据;
确定各个种类水稻的稻米的直链淀粉含量和蛋白质含量与所述各个种类水稻的关键生育期的大气要素的第二灰色关联度;
根据所述开始时间和所述结束时间、所述各个种类水稻的关键生育期的大气要素以及所述第二灰色关联度,确定所述大气数据建模元数据。
根据本发明提供的一种水稻区域气候品质评估方法,所述确定各个种类水稻的稻米的直链淀粉含量和蛋白质含量与所述各个种类水稻的关键生育期的气象要素的第一灰色关联度,包括:
获取所述各个种类水稻的由播种期到齐穗期的气象要素第一累加值以及由齐穗期到收获期的气象要素第二累加值;
根据所述气象要素第一累加值和所述气象要素第二累加值,确定气象因子矩阵;
根据所述气象因子矩阵以及所述各个种类水稻的稻米的直链淀粉含量和蛋白质含量,确定所述第一灰色关联度;
其中,所述气象要素至少包括每日平均气温、最高气温、最低气温、温差、日照时数、降水量和相对湿度数据。
根据本发明提供的一种水稻区域气候品质评估方法,所述确定各个种类水稻的稻米的直链淀粉含量和蛋白质含量与所述各个种类水稻的关键生育期的大气要素的第二灰色关联度,包括:
获取所述各个种类水稻的由播种期到齐穗期的大气要素第一累加值以及由齐穗期到收获期的大气要素第二累加值;
根据所述大气要素第一累加值和所述大气要素第二累加值,确定大气因子矩阵;
根据所述大气因子矩阵以及所述各个种类水稻的稻米的直链淀粉含量和蛋白质含量,确定所述第二灰色关联度;
其中,所述大气要素至少包括臭氧数据和吸收性气溶胶指数数据。
根据本发明提供的一种水稻区域气候品质评估方法,所述关键生育期是通过如下方式确定的:
根据所述第一灰色关联度或所述第二灰色关联度大于第一预设阈值的物候期,确定所述关键生育期;
其中,所述物候期是根据水稻的播种期至收获期确定的。
根据本发明提供的一种水稻区域气候品质评估方法,所述将所述训练样本输入到支持向量机回归SVMR模型进行训练,以获取反演模型,包括:
将所述训练样本输入至所述SVMR模型进行训练,直至所述SVMR模型满足预设收敛条件时,停止训练;
根据训练后的SVMR模型,确定所述反演模型;
其中,所述预设收敛条件包括所述SVMR模型的决定系数小于等于第二预设阈值以及所述SVMR模型的归一化均方根误差小于等于第三预设阈值。
根据本发明提供的一种水稻区域气候品质评估方法,所述根据所述目标种类水稻的稻米的直链淀粉含量和蛋白质含量,对所述目标种类水稻的区域气候品质进行评估,包括:
在所述目标种类水稻的稻米的直链淀粉含量小于第一预设值的情况下,若所述目标种类水稻的稻米的蛋白质含量小于第二预设值,则确定所述区域气候品质为中适宜区;
若所述目标种类水稻的稻米的蛋白质含量大于所述第二预设值且小于第三预设值,则确定所述区域气候品质为较适宜区;
若所述目标种类水稻的稻米的蛋白质含量大于所述第三预设值,则确定所述区域气候品质为中适宜区;
在所述目标种类水稻的稻米的直链淀粉含量大于所述第一预设值且小于第四预设值的情况下,若所述目标种类水稻的稻米的蛋白质含量小于所述第二预设值,则确定所述区域气候品质为较适宜区;
若所述目标种类水稻的稻米的蛋白质含量大于所述第二预设值且小于所述第三预设值,则确定所述区域气候品质为最适宜区;
若所述目标种类水稻的稻米的蛋白质含量大于所述第三预设值,则确定所述区域气候品质为较适宜区;
在所述目标种类水稻的稻米的直链淀粉含量大于所述第四预设值且小于第五预设值的情况下,若所述目标种类水稻的稻米的蛋白质含量小于所述第二预设值,则确定所述区域气候品质为中适宜区;
若所述目标种类水稻的稻米的蛋白质含量大于所述第二预设值且小于所述第三预设值,则确定所述区域气候品质为较适宜区;
若所述目标种类水稻的稻米的蛋白质含量大于所述第三预设值,则确定所述区域气候品质为中适宜区;
在所述目标种类水稻的稻米的直链淀粉含量大于所述第五预设值且小于第六预设值的情况下,若所述目标种类水稻的稻米的蛋白质含量小于所述第二预设值,则确定所述区域气候品质为不适宜区;
若所述目标种类水稻的稻米的蛋白质含量大于所述第二预设值且小于所述第三预设值,则确定所述区域气候品质为中适宜区;
若所述目标种类水稻的稻米的蛋白质含量大于所述第三预设值,则确定所述区域气候品质为不适宜区;
在所述目标种类水稻的稻米的直链淀粉含量大于所述第六预设值的情况下,若所述目标种类水稻的稻米的蛋白质含量小于所述第二预设值,则确定所述区域气候品质为最不适宜区;
若所述目标种类水稻的稻米的蛋白质含量大于所述第二预设值且小于所述第三预设值,则确定所述区域气候品质为不适宜区;
若所述目标种类水稻的稻米的蛋白质含量大于所述第三预设值,则确定所述区域气候品质为最不适宜区。
本发明还提供一种水稻区域气候品质评估系统,包括:数据获取模块、模型获取模块、结果获取模块以及品质评估模块;
所述数据获取模块,用于根据各个种类水稻的关键生育期的气象数据建模元数据和大气数据建模元数据,确定训练样本;
所述模型获取模块,用于将所述训练样本输入到支持向量机回归SVMR模型进行训练,以获取反演模型;
所述结果获取模块,用于将目标种类水稻的关键生育期的气象数据建模元数据和大气数据建模元数据输入到所述反演模型,以确定目标种类水稻的稻米的直链淀粉含量和蛋白质含量;
所述品质评估模块,用于根据所述目标种类水稻的稻米的直链淀粉含量和蛋白质含量,对所述目标种类水稻的区域气候品质进行评估。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述水稻区域气候品质评估方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述水稻区域气候品质评估方法。
本发明提供的水稻区域气候品质评估方法及系统,通过将气象数据与大气数据相结合,全面的考虑多种环境因素对稻米品质的影响,从而实现对大区域尺度的水稻区域气候品质的全面、准确的评价,为水稻生产和种植提供指导和建议。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的水稻区域气候品质评估方法的流程示意图之一;
图2是本发明提供的水稻区域气候品质评估方法的流程示意图之二;
图3是本发明提供的水稻区域气候品质评估系统的结构示意图;
图4是本发明提供的电子设备的实体结构示意图。
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,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,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作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。
诸如云南贡米、广东罗定稻米、广西象州红米等大量的地方性特色稻米,这些地方性特色稻米以其优良的品质深受消费者的喜爱。然而,注重水稻产量发展,忽略了稻米品质的提升,使得稻米品质普遍偏低。近年来,随着生活消费水平不断提高,对稻米的需求也从过去的“高产”向“品质-食味”转变,对高品质的水稻需求越来越旺盛。然而,传统水稻生产偏重追求产量而轻视质量,导致稻米品质改良研究相对滞后。稻米品质与市场需求存在较大的差距,优质食味稻米的需求旺盛但供给严重不足。
稻米品质主要受品种遗传特性、生态环境、和栽培措施及加工条件共同作用的影响。围绕如何提高水稻营养品质,特别是提高水稻食味品质的研究,经过一百多年的研究,并在水稻品质育种方面已经取得了一些成就,随着对水稻品种育种给以高度重视,培育和引进了一大批蛋白质含量较高、农艺性状较好、烘焙品质较佳的优质水稻品种。研究表明,稻米的品质受到直链淀粉含量和蛋白质含量的直接影响,而稻米的直链淀粉含量、蛋白质含量由遗传因素和环境因素共同决定。温度、光照、降水等生态因素和施肥、播种、灌溉等栽培因素均对稻米的淀粉含量、蛋白质含量产生直接影响。
能反映农产品品质受环境和气候条件影响的优劣等级称为农产品气候品质认证。气象局正式发布了QX/T 486-2019《农产品气候品质认证技术规范》、QX/T 411-2017《茶叶气候品质评价》等行业标准。已有的气候品质认证方法中,多以年积温、年总日照时数、年降雨量或年平均气温、年平均日照时数、年平均降雨量等数据为基础。忽略了水稻不同生长过程中气象要素对水稻生长的不同影响。此外,已有的研究较少考虑环境污染因素对稻米品质的影响。近几十年来,由于人类活动加剧,工业和农业生产的快速发展,燃烧化石燃料和使用含氮化肥,向大气排放了大量的氮氧化物和氯氟碳化合物,导致近地层臭氧浓度不断增加。对流层臭氧浓度每年以0.5%的速率增长,近地层臭氧也呈明显的增加趋势。此外,随着工业化和城市化的迅速发展,大气气溶胶含量显著增加。
大气污染与气候变化相互影响。一方面,气候变化与辐射收支有关,大气污染可以通过影响辐射收支影响气候,颗粒物本身可以参与成云,颗粒物数量和成分不一样会对云的形成产生影响,大气污染会造成其他圈层的改变。另一方面,气候变化能够放大大气污染特别是空气污染对人类健康、农业生产和生态的影响。相关研究表明臭氧污染会抑制水稻生长,使水稻叶片黄化、分蘖数减少,进而导致生物量和籽粒产量下降,此外,臭氧污染还直接影响稻米的直链淀粉含量和蛋白质含量,使得加工和蒸煮食味品质明显变劣。而大气气溶胶一般通过改变光合有效辐射(Photosynthetically Active Radiation,PAR)的数量和质量或直接改变气候因素(温度、降水、直接改变PAR)等来影响植物的生长发育,即大气中的气溶胶粒子吸收、散射太阳辐射,使地面接收太阳辐射减少,导致植物PAR随之减少,造成农受到影响,抑制了水稻光合作用产物的形成,影响作物生长发育导致产量下降和品质受损。
近年来,随着光学遥感技术迅速发展,环境监测技术进入新的发展阶段。卫星遥感大气臭氧及气溶胶监测具备传统地面站点测量所无法比拟的优势。其具有大范围、全天时和全天候性等特点,使得其在全球大气污染监测中已经得到了广泛应用。因此,迫切需要综合考虑气象因子及臭氧、气溶胶等大气污染因子对作物品质的影响,评价不同气象因子及大气污染因子对水稻品质的影响,明确相关气象及大气污染因子对水稻品质影响的关键时期,在此基础上,采用最新大数据挖掘技术对水稻气候品质开展评价,基于评价结果,正确引导种植结构调整,根据环境合理性积极发展优质专用水稻生产,努力提高稻米品质,对满足人民的消费需求具有重要意义。
基于此,本发明提供一种水稻区域气候品质评估方法及系统,具体实现如下:
图1是本发明提供的水稻区域气候品质评估方法的流程示意图,如图1所示,方法包括:
S1、根据各个种类水稻的关键生育期的气象数据建模元数据和大气数据建模元数据,确定训练样本;
S2、将训练样本输入到支持向量机回归SVMR模型进行训练,以获取反演模型;
S3、将目标种类水稻的关键生育期的气象数据建模元数据和大气数据建模元数据输入到反演模型,以确定目标种类水稻的稻米的直链淀粉含量和蛋白质含量;
S4、根据目标种类水稻的稻米的直链淀粉含量和蛋白质含量,对目标种类水稻的区域气候品质进行评估。
需要说明的是,上述方法的执行主体可以是计算机设备。
可选地,针对研究区域的气候分布特征,布设区域水稻品质监测试验(选用同一品种于不同地点开展实验),试验田采用统一水肥管理,一般设置3-6个重复,根据不同试验点气候条件进行水稻播种,水稻秧苗处于四叶期时进行移栽,同时记录作物如水稻不同生育时期生长发育动态。在水稻关键生育期进行施肥管理,不同试验地点采用统一管理模式,在水稻生长期内针对不同地区可能发生的病虫草害进行必要的管理,在水稻收获期获取水稻品质数据。
通过数据气象网(http://data.cma.cn/)提供的地面气候资料日值数据集获取气象数据。该日值数据集包含气温、气压、相对湿度、风、降水量、日照等气象要素。选用气温、气压、相对湿度、降水量以及日照时数等气象要素作为影响稻米品质的关键气候因子,利用Arcpy批处理程序将各气象要素采用样条函数法按照日期进行空间插值处理,获得研究区域作物如水稻生长期内气象数据图像数据集。
使用Sentinel-5P L2级产品中的臭氧(Ozone,O3)数据和吸收性气溶胶指数(Absorbing Aerosol Index,AAI)产品作为影响稻米品质的大气污染数据。该数据由TROPOMI网站(http://www.tropomi.eu/)提供,通过Google Earth Engine云计算平台完成拼接、裁剪、排序等预处理操作后,为了便于使用,将卫星数据空间分辨率重采样至与气象数据图像数据集相同空间分辨率后导出到本地以及其它地理数据包括研究区域农业用地分类图等。
水稻的自然生长过程可以分为营养生长期、营养生长与生殖生长并进期以及单纯的生殖生长期三个阶段,但习惯上把稻的生长发育以幼穗是否开始分化为界分为两个阶段,即营养生长阶段和生殖生长阶段。当稻田内有80%的植株抽穗时即表示稻田进入齐穗期,是稻田整体进入开花灌浆结实期的标志,研究表明,水稻灌浆期间的气候环境变化对水稻产量和稻米品质具有重要影响,本发明以水稻关键生育期为时间节点,通过获取不同种类(例如早季和晚季)水稻的关键生育期的气象数据建模元数据和大气数据建模元数据,并根据各个种类水稻的关键生育期的气象数据建模元数据和大气数据建模元数据,确定训练样本,例如,采用随机算法随机选取2/3的样本(由上述得到的各个种类水稻的关键生育期的气象数据建模元数据和大气数据建模元数据构成)作为训练样本,训练构建的支持向量机回归(Support Vector Machine Regression,SVMR)模型,得到反演模型,将剩余1/3的样本作为验证数据集验证反演模型的可靠性,具体地:
通过将训练样本输入到SVMR模型进行训练,得到直链淀粉含量和蛋白质含量的反演模型,并通过将目标种类(可以是早季或晚季)水稻的关键生育期的气象数据建模元数据和大气数据建模元数据输入到反演模型,以得到目标种类水稻的稻米的直链淀粉含量和蛋白质含量。
根据目标种类水稻的稻米的直链淀粉含量和蛋白质含量,对目标种类水稻的区域的气候品质评估。
本发明提供的水稻区域气候品质评估方法,通过将气象数据与大气数据相结合,全面的考虑多种环境因素对稻米品质的影响,从而实现对大区域尺度的水稻区域气候品质的全面、准确的评价,为水稻生产和种植提供指导和建议。
进一步地,在一个实施例中,步骤S1中的各个种类水稻的关键生育期的气象数据建模元数据和大气数据建模元数据是通过如下方式获取的:
S11、确定各个种类水稻的稻米的直链淀粉含量和蛋白质含量与各个种类水稻的关键生育期的气象要素的第一灰色关联度;
S12、根据各个种类水稻的关键生育期的开始时间和结束时间、各个种类水稻的关键生育期的气象要素以及第一灰色关联度,确定气象数据建模元数据;
S13、确定各个种类水稻的稻米的直链淀粉含量和蛋白质含量与各个种类水稻的关键生育期的大气要素的第二灰色关联度;
S14、根据开始时间和结束时间、各个种类水稻的关键生育期的大气要素以及第二灰色关联度,确定大气数据建模元数据。
可选地,以试验样点水稻关键生育期如齐穗期为时间节点,分别以每日平均气温、最高气温、最低气温、温差、日照时数、降水量、相对湿度数据的气象要素为基础,考虑到水稻在生长过程中受到各气象要素的持续影响,对气象要素进行累积计算,获取相关数据累积量(即气象要素)。并与试验样点获取的水稻蛋白品质含量和直链淀粉含量进行灰色关联度分析,得到第一灰色关联度,分别确定不同气象因子对早季水稻及晚季水稻品质影响的关键生育期。
根据各个种类水稻(早季水稻及晚季水稻)的关键生育期的开始时间和结束时间、各个种类水稻的关键生育期的气象要素以及第一灰色关联度,确定气象数据建模元数据,具体地:
考虑到水稻在生长过程中不同时期的气象要素对水稻生长的影响不同,分别以稻米的直链淀粉含量和蛋白质含量与不同生育期(物候期)的气象要素的灰色关联度(即第一灰色关联度)作为权重对关键生育期的气象要素进行逐日加权求和,构建稻米淀粉/蛋白质含量气象因子逐日加权数据集作为建模数据(即气象数据建模元数据),计算公式如下所示:
考虑到水稻在生长过程中不同时期的大气要素如O3数据、AAI数据对水稻生长的影响不同,分别以稻米的直链淀粉含量和蛋白质含量与不同生育期(物候期)O3数据、AAI数据的灰色关联度作为权重对关键生育期的O3数据、AAI数据进行加权求和,构建O3数据、AAI数据逐日加权数据作为建模元数据,计算公式如下所示:
本发明提供的水稻区域气候品质评估方法,通过将气象数据与大气数据相结合,全面的考虑多种环境因素对稻米品质的影响,采用灰色关联度分析,明确不同气象要素及大气要素对稻米品质的关键生育期,不同生长阶段对稻米品质的影响构建水稻区域气候品质评价的方法,从而实现对大区域尺度的水稻区域气候品质的全面、准确的评价,为水稻生产和种植提供指导和建议。
进一步地,在一个实施例中,步骤S11可以具体包括:
S111、获取各个种类水稻的由播种期到齐穗期的气象要素第一累加值以及由齐穗期到收获期的气象要素第二累加值;
S112、根据气象要素第一累加值和气象要素第二累加值,确定气象因子矩阵;
S113、根据气象因子矩阵以及各个种类水稻的稻米的直链淀粉含量和蛋白质含量,确定第一灰色关联度;
其中,气象要素至少包括每日平均气温、最高气温、最低气温、温差、日照时数、降水量和相对湿度数据。
可选地,对气象要素(包括每日平均气温、最高气温、最低气温、温差、日照时数、降水量和相对湿度数据)以水稻齐穗期为原点,分别以齐穗期前至播种期,以及齐穗期后至收获期进行累加,具体如下所示:
其中,表示第个水稻样本地块累加至齐穗期前第天的气象要素第
一累加值;表示第个水稻样本地块累加至齐穗期后第天的气象要素第二累
加值;表示齐穗期前第天的气象要素;表示齐穗期后第天的
气象要素;分别表示水稻播种期和水稻收获期。
本发明提供的水稻区域气候品质评估方法,通过将气象数据与大气数据相结合,全面的考虑多种环境因素对稻米品质的影响,采用灰色关联度分析,计算第一灰色关联度,明确不同气象要素及大气要素对稻米品质的关键生育期,不同生长阶段对稻米品质的影响构建水稻区域气候品质评价的方法,为后续实现对大区域尺度的水稻区域气候品质的全面、准确的评价,为水稻生产和种植提供指导和建议奠定了基础。
进一步地,在一个实施例中,步骤S13可以具体包括:
S131、获取各个种类水稻的由播种期到齐穗期的大气要素第一累加值以及由齐穗期到收获期的大气要素第二累加值;
S132、根据大气要素第一累加值和大气要素第二累加值,确定大气因子矩阵;
S133、根据大气因子矩阵以及各个种类水稻的稻米的直链淀粉含量和蛋白质含量,确定第二灰色关联度;
其中,大气要素至少包括臭氧数据和吸收性气溶胶指数数据。
可选地,对大气要素(包括O3数据和AAI数据)以齐穗期为原点,分别以齐穗期前至播种期,以及齐穗期后至收获期进行累加,具体地:
其中,表示第个水稻样本地块累加至齐穗期前第天的O3数据和AAI
数据累加值(即大气要素第一累加值);表示第个水稻样本地块累加至齐穗期
后第天的O3数据和AAI数据累加值(即大气要素第二累加值);表示第
个水稻样本地块齐穗期前第天的O3数据和AAI数据;表示第个水稻样
本地块齐穗期后第天的O3数据和AAI数据。
将齐穗期前O3数据和AAI数据累加值以及齐穗期后的O3数据和AAI数据累加值进
行连接,构建单一地块O3数据和AAI数据累加值向量;将O3数据和AAI数据累加值向
量以齐穗期为中心进行对齐,构建大气因子矩阵:
本发明提供的水稻区域气候品质评估方法,通过将气象数据与大气数据相结合,全面的考虑多种环境因素对稻米品质的影响,采用灰色关联度分析,计算第二灰色关联度,明确不同气象要素及大气要素对稻米品质的关键生育期,不同生长阶段对稻米品质的影响构建水稻区域气候品质评价的方法,为后续实现对大区域尺度的水稻区域气候品质的全面、准确的评价,为水稻生产和种植提供指导和建议奠定了基础。
进一步地,在一个实施例中,关键生育期是通过如下方式确定的:
根据第一灰色关联度或第二灰色关联度大于第一预设阈值的物候期,确定关键生育期;
其中,物候期是根据水稻的播种期至收获期确定的。
可选地,根据上述计算得到的第一灰色关联度以及第二灰色关联度,筛选出第一灰色关联度大于(例如0.8)的物候期作为气象要素影响早季水稻或晚季水稻直链淀粉含量和蛋白质含量的关键生育期,筛选出第二灰色关联度大于(例如0.8)的物候期作为大气要素影响早季水稻或晚季水稻直链淀粉含量和蛋白质含量的关键生育期。
热量条件是发展水稻生产的最基本要素之一。温度、雨量、湿度、日照与水稻的生长发育基本同季同步,是水稻生长季的共同气候生态特点。水稻在适宜的光照、温度、降水范围内耕耘、播种、收获,周而复始生产再生产。本发明可以通过使用地理加权模型,以年积温、年积雨以及年日照时数数据为基础,分别对研究区内早稻及晚稻齐穗期进行模拟。
地理加权模型如下所示:
由于早季稻、晚季稻具有不同的齐穗期,因此该模型分别对早稻齐穗期和晚稻齐穗期进行建模模拟。
本发明提供的水稻区域气候品质评估方法,利用逐日的气象数据和大气数据,采用灰色关联度分析筛选出影响稻米淀粉含量的关键生育期,根据计算的灰色关联度以及关键生育期内逐日的气象数据、大气数据构建建模数据,为后续基于建模数据通过SVMR方法构建稻米淀粉含量、蛋白质含量的最优反演模型,从而实现了在较大区域尺度上对水稻气候品质全面、准确的评价奠定了基础。
进一步地,在一个实施例中,步骤S2可以具体包括:
S21、将训练样本输入至SVMR模型进行训练,直至SVMR模型满足预设收敛条件时,停止训练;
S22、根据训练后的SVMR模型,确定反演模型;
其中,预设收敛条件包括SVMR模型的决定系数小于等于第二预设阈值以及SVMR模型的归一化均方根误差小于等于第三预设阈值。
可选地,采用支持向量机回归(Support Vector Machine Regression,SVMR)模型构建直链淀粉含量和蛋白质含量反演模型,SVMR模型如下:
SVMR损失函数如下式所示:
SVMR模型是让所有的点到超平面的距离小于一定的距离,也就是所有的点要在各自类别的支持向量附近,用数学表达式为:
SVMR的损失函数等价于:
使用拉格朗日函数将损失函数变为无约束的形式:
采用随机算法随机选取2/3的样本作为训练样本构建SVMR模型将剩余1/3的样本作为验证数据集验证模型可靠性。重复该建模过程10000次。将训练样本输入至SVMR模型进行训练,直至SVMR模型满足预设收敛条件,使用决定系数R2和归一化均方根误差(Normalized Root Mean Square Error,NRMSE)两个指标检验SVMR模型对训练样本的建模效果以及对验证数据集的应用效果。当SVMR模型的决定系数小于等于第二预设阈值以及SVMR模型的归一化均方根误差小于等于第三预设阈值时,停止训练,最后选取建模效果和应用效果最好的模型作为淀粉、蛋白质含量的反演模型。
本发明提供的水稻区域气候品质评估方法,通过SVMR方法构建稻米直链淀粉含量、蛋白质含量的最优反演模型,充分的考虑了水稻生长过程中不同气象及大气污染要素在稻米品质形成关键阶段对稻米品质的不同影响,为后续实现在较大区域尺度上对水稻气候品质全面、准确的评价奠定了基础。
进一步地,在一个实施例中,步骤S4可以具体包括:
S41、在目标种类水稻的稻米的直链淀粉含量小于第一预设值的情况下,若目标种类水稻的稻米的蛋白质含量小于第二预设值,则确定区域气候品质为中适宜区;
若目标种类水稻的稻米的蛋白质含量大于第二预设值且小于第三预设值,则确定区域气候品质为较适宜区;
若目标种类水稻的稻米的蛋白质含量大于第三预设值,则确定区域气候品质为中适宜区;
S42、在目标种类水稻的稻米的直链淀粉含量大于第一预设值且小于第四预设值的情况下,若目标种类水稻的稻米的蛋白质含量小于第二预设值,则确定区域气候品质为较适宜区;
若目标种类水稻的稻米的蛋白质含量大于第二预设值且小于第三预设值,则确定区域气候品质为最适宜区;
若目标种类水稻的稻米的蛋白质含量大于第三预设值,则确定区域气候品质为较适宜区;
S43、在目标种类水稻的稻米的直链淀粉含量大于第四预设值且小于第五预设值的情况下,若目标种类水稻的稻米的蛋白质含量小于第二预设值,则确定区域气候品质为中适宜区;
若目标种类水稻的稻米的蛋白质含量大于第二预设值且小于第三预设值,则确定区域气候品质为较适宜区;
若目标种类水稻的稻米的蛋白质含量大于第三预设值,则确定区域气候品质为中适宜区;
S44、在目标种类水稻的稻米的直链淀粉含量大于第五预设值且小于第六预设值的情况下,若目标种类水稻的稻米的蛋白质含量小于第二预设值,则确定区域气候品质为不适宜区;
若目标种类水稻的稻米的蛋白质含量大于所述第二预设值且小于第三预设值,则确定区域气候品质为中适宜区;
若目标种类水稻的稻米的蛋白质含量大于第三预设值,则确定区域气候品质为不适宜区;
S45、在目标种类水稻的稻米的直链淀粉含量大于第六预设值的情况下,若目标种类水稻的稻米的蛋白质含量小于第二预设值,则确定区域气候品质为最不适宜区;
若目标种类水稻的稻米的蛋白质含量大于第二预设值且小于第三预设值,则确定区域气候品质为不适宜区;
若目标种类水稻的稻米的蛋白质含量大于第三预设值,则确定区域气候品质为最不适宜区。
可选地,在综合参考《小麦、玉米、稻米、棉花、花生、谷子作物品质》、《食用稻品种品质》、《稻米整精米率、粒型、垩白粒率、垩白度及透明度的测定图像法》等行业标准文件以及前人的研究成果后,根据目标种类水稻稻米的直链淀粉含量、蛋白质含量将稻米品质的气候适宜性分为最适宜区、较适宜区、中适宜区、不适宜区以及最不适宜区共五个等级,具体如表1所示,表1为稻米品质环境适宜性评价表:
表1
在目标种类水稻的稻米的直链淀粉含量小于第一预设值(例如13)的情况下,若目标种类水稻的稻米的蛋白质含量小于第二预设值(例如7),则确定水稻区域气候品质为中适宜区;若目标种类水稻的稻米的蛋白质含量大于7且小于第三预设值(例如9),则确定水稻区域气候品质为较适宜区;若目标种类水稻的稻米的蛋白质含量大于9,则确定水稻区域气候品质为中适宜区。
在目标种类水稻的稻米的直链淀粉含量大于13且小于第四预设值(例如18)的情况下,若目标种类水稻的稻米的蛋白质含量小于7,则确定水稻区域气候品质为较适宜区;若目标种类水稻的稻米的蛋白质含量大于7且小于9,则确定水稻区域气候品质为最适宜区;若目标种类水稻的稻米的蛋白质含量大于9,则确定水稻区域气候品质为较适宜区。
在目标种类水稻的稻米的直链淀粉含量大于18且小于第五预设值(例如20)的情况下,若目标种类水稻的稻米的蛋白质含量小于7,则确定水稻区域气候品质为中适宜区;若目标种类水稻的稻米的蛋白质含量大于7且小于9,则确定水稻区域气候品质为较适宜区;若目标种类水稻的稻米的蛋白质含量大于9,则确定水稻区域气候品质为中适宜区。
在目标种类水稻的稻米的直链淀粉含量大于20且小于第六预设值(例如22)的情况下,若目标种类水稻的稻米的蛋白质含量小于7,则确定水稻区域气候品质为不适宜区;若目标种类水稻的稻米的蛋白质含量大于7且小于9,则确定水稻区域气候品质为中适宜区;若目标种类水稻的稻米的蛋白质含量大于9,则确定区域气候品质为不适宜区。
在目标种类水稻的稻米的直链淀粉含量大于22的情况下,若所述目标种类水稻的稻米的蛋白质含量小于7,则确定水稻区域气候品质为最不适宜区;若目标种类水稻的稻米的蛋白质含量大于7且小于9,则确定水稻区域气候品质为不适宜区;若目标种类水稻的稻米的蛋白质含量大于9,则确定水稻区域气候品质为最不适宜区。
在实际应用场景中,如图2所示,以广东省为研究区,以美香占2号为实验样本,最终获取广东省2020年籼稻气候品质评价图。
实施步骤包括:
1、数据获取与预处理
1.1美香占2号品质实验及数据采集
美香占2号种植信息及品质信息获取于2020年进行,分别在广东省韶关市始兴县,阳江市阳东区,罗定市、兴宁市和汕头市潮阳区试验站点布设实验,种植美香占2号。水稻样本采集分别在2020年早季稻、晚季稻成熟期进行,于各试验地块随机选取5个1m2稻米籽粒样本小区,混合后经自然风干、脱粒、脱壳等处理后,常温存储2个月,待稻米品质稳定后,参照《GB7648-87水稻、玉米、谷子籽粒直链淀粉测定法》测定稻米淀粉含量,参照《GB5009.5-2016食品安全国家标准 食品中蛋白质的测定》中凯氏定氮法测定稻米蛋白质含量。
1.2研究区气象数据获取与预处理
气象数据来自国家数据气象网(http://data.cma.cn/ )提供的中国地面气候资料日值数据集中广东省36个气象站点2020年日值气象数据。对降水量、日照时数、平均气温、最高气温、最低气温以及平均相对湿度使用Arcpy批处理程序采用样条函数法按照日期进行空间插值计算,获得广东省2020年1月1日至12月31日(共366天)的气象数据图像数据集。其中,空间插值处理过程中设置采样栅格大小为0.0096度,合1.06 km。最后使用ENVI将插值后的图像按照日期进行排列组合。
1.3研究区大气污染数据获取与预处理
本研究使用Sentinel-5P L2级产品中的臭氧(Ozone,O3)产品和吸收性气溶胶指数(Absorbing Aerosol Index,AAI)产品。其中,共使用臭氧产品数据4292景,吸收性气溶胶指数数据4305景,由TROPOMI网站(http://www.tropomi.eu/)提供,通过Google EarthEngine云计算平台完成拼接、裁剪、排序等预处理操作后,为了与气象数据相对应,将卫星数据空间分辨率重采样至0.0096度(即1.06km)导出到本地。使用影像数据详情如表2所示。
表2
1.4研究区其他数据收集
农业用地分类图来自珠三角地区土地利用分类数据(2017年)。该数据集是中国科学院遥感与数字地球研究所利用深度学习技术制作的珠三角2m分辨率土地利用分类数据集。影像数据以2017年夏季为主。分类结果主要包括林地、草地、道路、水体、耕地、居民地、裸地、设施农业用地八类。初步验证精度为76%。本研究通过将数据集中的耕地数据进行重采样、矢量化处理获得广东省耕地矢量数据。
2、数据分析
2.1稻米品质关键生育期确定
水稻的自然生长过程可以分为营养生长期、营养生长与生殖生长并进期以及单纯的生殖生长期三个阶段,但习惯上把稻的生长发育以幼穗是否开始分化为界分为两个阶段,即营养生长阶段和生殖生长阶段。当稻田内有80%的植株抽穗时即表示稻田进入齐穗期,是稻田整体进入开花灌浆结实期的标志,前人研究表明,水稻灌浆期间的气候环境变化对水稻产量和稻米品质具有重要影响,其中,温度对稻米品质影响最为深刻。
2.2稻米品质气象因子关键影响期筛选
基于2020年试验样点实测美香占2号早稻及晚稻品质数据,以及样本地块2020年逐日的气象数据为基础,以不同样点齐穗期为数据原点,以日为步长,分别对齐穗期至播种期及齐穗期至收获期的气象数据进行求和,构建稻米品质气象因子数据集。采用灰色关联度分析法分别筛选出灰色关联度大于0.8的生育期作为不同气象因子影响稻米品质的关键生育期(如表3所示)。
表3
2.3稻米品质影响大气要素关键生育期筛选
基于2020年实验样点实测美香占2号早稻及晚稻品质数据,以及样本地块2020年逐日的O3数据集和AAI数据集为基础,以不同样点齐穗期为数据原点,以日为步长,分别对齐穗期至播种期及齐穗期至收获期的气象数据进行求和,构建稻米品质大气污染因子数据集。采用灰色关联度分析筛选出灰色关联度大于0.8的生育期作为O3数据和AAI数据影响稻米品质的关键生育期(如表4所示)。
表4
3、模型构建
3.1水稻关键物候期模拟建模
本研究使用试验地块的水稻齐穗期作为样本,以试验样点年积温、年降雨量以及年日照时数作为自变量构建地理加权回归模型,对广东省范围内水稻齐穗期进行模拟。各试验地块水稻齐穗期统计表如表5所示。
表5
根据表5的试验地块齐穗期日期以及试验地块的年积温、年积雨、年日照时数构建地理加权回归模型,可以得到广东省早季稻齐穗期模拟结果,广东省晚季稻齐穗期模拟结果。3.2稻米淀粉/蛋白质含量气象建模数据构建
根据上述筛选的稻米淀粉含量、蛋白质含量关键生育期,以灰色关联度作为权重对气象数据进行加权求和。筛选的稻米淀粉含量、蛋白质含量关键生育期,以灰色关联度作为权重对大气数据进行加权求和。获得广东省早稻、晚稻的气象要素、大气要素逐像元关键生育期累加数据分布图。
3.3直链淀粉/蛋白质含量反演模型构建及精度评价
将卫星数据(从卫星数据得到大气数据)与气象数据一起采用随机算法随机选取2/3的样本作为训练样本进行建模,将剩余1/3的样本作为验证数据集验证模型可靠性。同样重复该建模过程10000次,取各模型所能达到的最高精度评价建模效果和模型性能。
稻米直链淀粉/蛋白质含量反演模型建模精度如表6所示,早稻淀粉含量的SVMR方法建模R2达到0.9308,NRMSE为6.31%;模型的验证R2达到0.9502,NRMSE为15.47%。早稻蛋白质含量的SVMR方法建模R2达到0.7783,NRMSE为9.51%;模型的验证R2达到0.7844,NRMSE达30.01%。晚稻淀粉含量的SVMR方法建模R2达到0.8992,NRMSE为9.65%;模型的验证R2达到0.9086,NRMSE为17.16%。晚稻蛋白质含量的SVMR方法建模R2达到0.9751,NRMSE为4.04%;模型的验证R2达到0.9834,NRMSE为19.77%。
4、气候品质评价分区
然后基于得到的稻米直链淀粉含量、蛋白质含量的反演模型和气象数据、O3以及AAI对广东省早季稻直链淀粉含量、蛋白质含量,晚季直链稻淀粉含量、蛋白质含量进行反演,并获得空间分布图。
表6
随后根据直链淀粉空间分布图、蛋白质空间分布图根据稻米品质环境适宜性评价表绘制广东省稻米品质气候适宜性分布图。最后使用珠三角地区土地利用分类数据(2017年)中的耕地数据进行掩膜处理,分别获得广东省早稻稻米品质气候适宜性分布图以及广东省晚稻稻米品质气候适宜性分布图。
本发明提供的水稻区域气候品质评估方法,充分考虑到水稻在生长过程中不同气象要素对稻米品质的不同影响以及同一气象要素在不同的生长时期对稻米品质的不同影响,将大气数据与气象数据相结合,充分挖掘气候因素对稻米品质的影响,通过模拟区域尺度籼稻齐穗期在较大尺度上完成籼稻气候品质评价,对指导农户进行调优栽培管理及指导优质优价、定点收购优质稻米具有重要意义。
下面对本发明提供的水稻区域气候品质评估系统进行描述,下文描述的水稻区域气候品质评估系统与上文描述的水稻区域气候品质评估方法可相互对应参照。
图3是本发明提供的水稻区域气候品质评估系统的结构示意图,如图3所示,包括:
数据获取模块310、模型获取模块311、结果获取模块312以及品质评估模块313;
数据获取模块310,用于根据各个种类水稻的关键生育期的气象数据建模元数据和大气数据建模元数据,确定训练样本;
模型获取模块311,用于将训练样本输入到支持向量机回归SVMR模型进行训练,以获取反演模型;
结果获取模块312,用于将目标种类水稻的关键生育期的气象数据建模元数据和大气数据建模元数据输入到反演模型,以确定目标种类水稻的稻米的直链淀粉含量和蛋白质含量;
品质评估模块313,用于根据目标种类水稻的稻米的直链淀粉含量和蛋白质含量,对目标种类水稻的区域气候品质进行评估。
本发明提供的水稻区域气候品质评估系统,通过将气象数据与大气数据相结合,全面的考虑多种环境因素对稻米品质的影响,从而实现对大区域尺度的水稻区域气候品质的全面、准确的评价,为水稻生产和种植提供指导和建议。
图4是本发明提供的一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(communication interface)411、存储器(memory)412和总线(bus)413,其中,处理器410,通信接口411,存储器412通过总线413完成相互间的通信。处理器410可以调用存储器412中的逻辑指令,以执行如下方法:
根据各个种类水稻的关键生育期的气象数据建模元数据和大气数据建模元数据,确定训练样本;
将训练样本输入到支持向量机回归SVMR模型进行训练,以获取反演模型;
将目标种类水稻的关键生育期的气象数据建模元数据和大气数据建模元数据输入到反演模型,以确定目标种类水稻的稻米的直链淀粉含量和蛋白质含量;
根据目标种类水稻的稻米的直链淀粉含量和蛋白质含量,对目标种类水稻的区域气候品质进行评估。
此外,上述的存储器中的逻辑指令可以通过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介质中。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介质中,包括若干指令用以使得一台计算机电源屏(可以是个人计算机,服务器,或者网络电源屏等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地,本发明公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的水稻区域气候品质评估方法,例如包括:
根据各个种类水稻的关键生育期的气象数据建模元数据和大气数据建模元数据,确定训练样本;
将训练样本输入到支持向量机回归SVMR模型进行训练,以获取反演模型;
将目标种类水稻的关键生育期的气象数据建模元数据和大气数据建模元数据输入到反演模型,以确定目标种类水稻的稻米的直链淀粉含量和蛋白质含量;
根据目标种类水稻的稻米的直链淀粉含量和蛋白质含量,对目标种类水稻的区域气候品质进行评估。
另一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的水稻区域气候品质评估方法,例如包括:
根据各个种类水稻的关键生育期的气象数据建模元数据和大气数据建模元数据,确定训练样本;
将训练样本输入到支持向量机回归SVMR模型进行训练,以获取反演模型;
将目标种类水稻的关键生育期的气象数据建模元数据和大气数据建模元数据输入到反演模型,以确定目标种类水稻的稻米的直链淀粉含量和蛋白质含量;
根据目标种类水稻的稻米的直链淀粉含量和蛋白质含量,对目标种类水稻的区域气候品质进行评估。
以上所描述的系统实施例仅仅是示意性的,其中所述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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机电源屏(可以是个人计算机,服务器,或者网络电源屏等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种水稻区域气候品质评估方法,其特征在于,包括:
根据各个种类水稻的关键生育期的气象数据建模元数据和大气数据建模元数据确定训练样本;
将所述训练样本输入到支持向量机回归SVMR模型进行训练,以获取反演模型;
将目标种类水稻的关键生育期的气象数据建模元数据和大气数据建模元数据输入到所述反演模型,以确定目标种类水稻的稻米的直链淀粉含量和蛋白质含量;
根据所述目标种类水稻的稻米的直链淀粉含量和蛋白质含量,对所述目标种类水稻的区域气候品质进行评估。
2.根据权利要求1所述的水稻区域气候品质评估方法,其特征在于,所述各个种类水稻的关键生育期的气象数据建模元数据和大气数据建模元数据是通过如下方式获取的:
确定各个种类水稻的稻米的直链淀粉含量和蛋白质含量与所述各个种类水稻的关键生育期的气象要素的第一灰色关联度;
根据各个种类水稻的关键生育期的开始时间和结束时间、所述各个种类水稻的关键生育期的气象要素以及所述第一灰色关联度,确定所述气象数据建模元数据;
确定各个种类水稻的稻米的直链淀粉含量和蛋白质含量与所述各个种类水稻的关键生育期的大气要素的第二灰色关联度;
根据所述开始时间和所述结束时间、所述各个种类水稻的关键生育期的大气要素以及所述第二灰色关联度,确定所述大气数据建模元数据。
3.根据权利要求2所述的水稻区域气候品质评估方法,其特征在于,所述确定各个种类水稻的稻米的直链淀粉含量和蛋白质含量与所述各个种类水稻的关键生育期的气象要素的第一灰色关联度,包括:
获取所述各个种类水稻的由播种期到齐穗期的气象要素第一累加值以及由齐穗期到收获期的气象要素第二累加值;
根据所述气象要素第一累加值和所述气象要素第二累加值,确定气象因子矩阵;
根据所述气象因子矩阵以及所述各个种类水稻的稻米的直链淀粉含量和蛋白质含量,确定所述第一灰色关联度;
其中,所述气象要素至少包括每日平均气温、最高气温、最低气温、温差、日照时数、降水量和相对湿度数据。
4.根据权利要求2所述的水稻区域气候品质评估方法,其特征在于,所述确定各个种类水稻的稻米的直链淀粉含量和蛋白质含量与所述各个种类水稻的关键生育期的大气要素的第二灰色关联度,包括:
获取所述各个种类水稻的由播种期到齐穗期的大气要素第一累加值以及由齐穗期到收获期的大气要素第二累加值;
根据所述大气要素第一累加值和所述大气要素第二累加值,确定大气因子矩阵;
根据所述大气因子矩阵以及所述各个种类水稻的稻米的直链淀粉含量和蛋白质含量,确定所述第二灰色关联度;
其中,所述大气要素至少包括臭氧数据和吸收性气溶胶指数数据。
5.根据权利要求2所述的水稻区域气候品质评估方法,其特征在于,所述关键生育期是通过如下方式确定的:
根据所述第一灰色关联度或所述第二灰色关联度大于第一预设阈值的物候期,确定所述关键生育期;
其中,所述物候期是根据水稻的播种期至收获期确定的。
6.根据权利要求1所述的水稻区域气候品质评估方法,其特征在于,所述将所述训练样本输入到支持向量机回归SVMR模型进行训练,以获取反演模型,包括:
将所述训练样本输入至所述SVMR模型进行训练,直至所述SVMR模型满足预设收敛条件时,停止训练;
根据训练后的SVMR模型,确定所述反演模型;
其中,所述预设收敛条件包括所述SVMR模型的决定系数小于等于第二预设阈值以及所述SVMR模型的归一化均方根误差小于等于第三预设阈值。
7.根据权利要求1所述的水稻区域气候品质评估方法,其特征在于,所述根据所述目标种类水稻的稻米的直链淀粉含量和蛋白质含量,对所述目标种类水稻的区域气候品质进行评估,包括:
在所述目标种类水稻的稻米的直链淀粉含量小于第一预设值的情况下,若所述目标种类水稻的稻米的蛋白质含量小于第二预设值,则确定所述区域气候品质为中适宜区;
若所述目标种类水稻的稻米的蛋白质含量大于所述第二预设值且小于第三预设值,则确定所述区域气候品质为较适宜区;
若所述目标种类水稻的稻米的蛋白质含量大于所述第三预设值,则确定所述区域气候品质为中适宜区;
在所述目标种类水稻的稻米的直链淀粉含量大于所述第一预设值且小于第四预设值的情况下,若所述目标种类水稻的稻米的蛋白质含量小于所述第二预设值,则确定所述区域气候品质为较适宜区;
若所述目标种类水稻的稻米的蛋白质含量大于所述第二预设值且小于所述第三预设值,则确定所述区域气候品质为最适宜区;
若所述目标种类水稻的稻米的蛋白质含量大于所述第三预设值,则确定所述区域气候品质为较适宜区;
在所述目标种类水稻的稻米的直链淀粉含量大于所述第四预设值且小于第五预设值的情况下,若所述目标种类水稻的稻米的蛋白质含量小于所述第二预设值,则确定所述区域气候品质为中适宜区;
若所述目标种类水稻的稻米的蛋白质含量大于所述第二预设值且小于所述第三预设值,则确定所述区域气候品质为较适宜区;
若所述目标种类水稻的稻米的蛋白质含量大于所述第三预设值,则确定所述区域气候品质为中适宜区;
在所述目标种类水稻的稻米的直链淀粉含量大于所述第五预设值且小于第六预设值的情况下,若所述目标种类水稻的稻米的蛋白质含量小于所述第二预设值,则确定所述区域气候品质为不适宜区;
若所述目标种类水稻的稻米的蛋白质含量大于所述第二预设值且小于所述第三预设值,则确定所述区域气候品质为中适宜区;
若所述目标种类水稻的稻米的蛋白质含量大于所述第三预设值,则确定所述区域气候品质为不适宜区;
在所述目标种类水稻的稻米的直链淀粉含量大于所述第六预设值的情况下,若所述目标种类水稻的稻米的蛋白质含量小于所述第二预设值,则确定所述区域气候品质为最不适宜区;
若所述目标种类水稻的稻米的蛋白质含量大于所述第二预设值且小于所述第三预设值,则确定所述区域气候品质为不适宜区;
若所述目标种类水稻的稻米的蛋白质含量大于所述第三预设值,则确定所述区域气候品质为最不适宜区。
8.一种水稻区域气候品质评估系统,其特征在于,包括:数据获取模块、模型获取模块、结果获取模块以及品质评估模块;
所述数据获取模块,用于根据各个种类水稻的关键生育期的气象数据建模元数据和大气数据建模元数据,确定训练样本;
所述模型获取模块,用于将所述训练样本输入到支持向量机回归SVMR模型进行训练,以获取反演模型;
所述结果获取模块,用于将目标种类水稻的关键生育期的气象数据建模元数据和大气数据建模元数据输入到所述反演模型,以确定目标种类水稻的稻米的直链淀粉含量和蛋白质含量;
所述品质评估模块,用于根据所述目标种类水稻的稻米的直链淀粉含量和蛋白质含量,对所述目标种类水稻的区域气候品质进行评估。
9.一种电子设备,包括处理器和存储有计算机程序的存储器,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述水稻区域气候品质评估方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述水稻区域气候品质评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210189805.XA CN114254964B (zh) | 2022-03-01 | 2022-03-01 | 水稻区域气候品质评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210189805.XA CN114254964B (zh) | 2022-03-01 | 2022-03-01 | 水稻区域气候品质评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114254964A true CN114254964A (zh) | 2022-03-29 |
CN114254964B CN114254964B (zh) | 2022-05-17 |
Family
ID=80797186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210189805.XA Active CN114254964B (zh) | 2022-03-01 | 2022-03-01 | 水稻区域气候品质评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114254964B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115719453A (zh) * | 2023-01-09 | 2023-02-28 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于深度学习的水稻种植结构遥感提取方法 |
CN115860581A (zh) * | 2023-02-28 | 2023-03-28 | 北京市农林科学院信息技术研究中心 | 农作物品种适宜性评价方法、装置、设备及存储介质 |
CN116152006A (zh) * | 2022-12-08 | 2023-05-23 | 福建省气象科学研究所 | 一种甘薯气候品质评估方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020177232A1 (zh) * | 2019-03-07 | 2020-09-10 | 云南省农业科学院甘蔗研究所 | 一种基于综合适宜度指数的甘蔗种植区划方法 |
CN112630167A (zh) * | 2020-11-26 | 2021-04-09 | 淮阴师范学院 | 基于支持向量机回归算法的水稻叶片碳氮比遥感反演模型和方法 |
CN112836575A (zh) * | 2020-12-30 | 2021-05-25 | 哈尔滨航天恒星数据系统科技有限公司 | 一种基于作物物候期的多时序影像水稻估产方法 |
CN113095629A (zh) * | 2021-03-18 | 2021-07-09 | 中国农业科学院作物科学研究所 | 一种优质稻种植区域适宜度的评价方法及其应用 |
-
2022
- 2022-03-01 CN CN202210189805.XA patent/CN114254964B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020177232A1 (zh) * | 2019-03-07 | 2020-09-10 | 云南省农业科学院甘蔗研究所 | 一种基于综合适宜度指数的甘蔗种植区划方法 |
CN112630167A (zh) * | 2020-11-26 | 2021-04-09 | 淮阴师范学院 | 基于支持向量机回归算法的水稻叶片碳氮比遥感反演模型和方法 |
CN112836575A (zh) * | 2020-12-30 | 2021-05-25 | 哈尔滨航天恒星数据系统科技有限公司 | 一种基于作物物候期的多时序影像水稻估产方法 |
CN113095629A (zh) * | 2021-03-18 | 2021-07-09 | 中国农业科学院作物科学研究所 | 一种优质稻种植区域适宜度的评价方法及其应用 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152006A (zh) * | 2022-12-08 | 2023-05-23 | 福建省气象科学研究所 | 一种甘薯气候品质评估方法及系统 |
CN116152006B (zh) * | 2022-12-08 | 2024-01-12 | 福建省气象科学研究所 | 一种甘薯气候品质评估方法及系统 |
CN115719453A (zh) * | 2023-01-09 | 2023-02-28 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于深度学习的水稻种植结构遥感提取方法 |
CN115719453B (zh) * | 2023-01-09 | 2023-08-04 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于深度学习的水稻种植结构遥感提取方法 |
CN115860581A (zh) * | 2023-02-28 | 2023-03-28 | 北京市农林科学院信息技术研究中心 | 农作物品种适宜性评价方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114254964B (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114254964B (zh) | 水稻区域气候品质评估方法及系统 | |
Liu et al. | Study on the impacts of climate change on China's agriculture | |
Brown et al. | Potential production and environmental effects of switchgrass and traditional crops under current and greenhouse-altered climate in the central United States: a simulation study | |
Antle et al. | Adaptation, spatial heterogeneity, and the vulnerability of agricultural systems to climate change and CO2 fertilization: an integrated assessment approach | |
Grassini et al. | High-yield irrigated maize in the Western US Corn Belt: I. On-farm yield, yield potential, and impact of agronomic practices | |
Easterling et al. | Preparing the erosion productivity impact calculator (EPIC) model to simulate crop response to climate change and the direct effects of CO2 | |
Iglesias et al. | Impacts of climate change in agriculture in Europe. PESETA-Agriculture study | |
Nhemachena | Agriculture and future climate dynamics in Africa: Impacts and adaptation options | |
Kitchen et al. | Development of a conservation-oriented precision agriculture system: Crop production assessment and plan implementation | |
CN106600434A (zh) | 基于作物模型与同化技术的作物长势遥感监测方法 | |
CN102073869A (zh) | 基于点位数据和遥感影像数据的区域耕地质量监测方法 | |
Divya et al. | Crop simulation models as decision-supporting tools for sustainable potato production: a review | |
Behrman et al. | Modeling differential growth in switchgrass cultivars across the Central and Southern Great Plains | |
CN107680000A (zh) | 区域作物种植选择方法 | |
Dokoohaki et al. | Applying the CSM-CERES-Wheat model for rainfed wheat with specified soil characteristic in undulating area in Iran | |
Arumugam et al. | Climate change impacts and adaptation strategies: an assessment on sorghum for Burkina Faso | |
Recha | Adapting Nyando smallholder farming systems to climate change and variability through modelling | |
Iizumi et al. | Increasing heavy rainfall events and associated excessive soil water threaten a protein-source legume in dry environments of West Africa | |
Iglesias et al. | Prospects for maize production in Spain under climate change | |
Bansouleh | Development of a spatial planning support system for agricultural policy formulation related to land and water resources in Borkhar & Meymeh district, Iran | |
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 | |
Chen | Using a geographic information system to define regions of grape-cultivar suitability in Nebraska | |
Sida | Sustainable intensification of smallholder farming systems in Ethiopia: what roles can scattered trees play? | |
Eitzinger et al. | Capacity building program to improve stakeholder resilience and adaptation to climate change in Jamaica (CBCA) | |
Colmanetti et al. | Modeling sugarcane development and growth within ECOSMOS biophysical model |
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 |