CN114663778A - 一种提升作物产量的方法及装置 - Google Patents
一种提升作物产量的方法及装置 Download PDFInfo
- Publication number
- CN114663778A CN114663778A CN202210266766.9A CN202210266766A CN114663778A CN 114663778 A CN114663778 A CN 114663778A CN 202210266766 A CN202210266766 A CN 202210266766A CN 114663778 A CN114663778 A CN 114663778A
- Authority
- CN
- China
- Prior art keywords
- crop
- crops
- remote sensing
- sensing data
- actual
- 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
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种提升作物产量的方法,包括:处理第一遥感数据、样本年份实际区域作物信息以及第二遥感数据,以获取识别作物信息;第一遥感数据为样本年份实际区域遥感数据;识别作物信息包括作物种类信息以及作物所在子区域信息,实际区域由多个子区域组成;处理第二遥感数据,以获取第二遥感数据多个获取时刻的一个或多个作物的瞬时蒸散发量;处理瞬时蒸散发量,以获取待处理年份的一个或多个作物实际产量;遍历待处理年份的一个或多个作物的实际产量,以确定子区域内作物的连作或轮作与其相对应的作物实际产量的对应关系。本发明通过结合遥感数据中的瞬时蒸散发量确定作物产量,进而分析作物连作或轮作对作物产量的提升,能有效提高作物产量。
Description
技术领域
本发明涉及农业遥感技术领域,尤其涉及一种提升作物产量的方法及装置。
背景技术
对种植结构进行的战略性调整,是新时期我国农业和农村经济发展的必然需求,也是拓展农民增收渠道、增强农业竞争力的紧迫需要,农作物种植结构调整对于农业绿色生产可持续发展的意义重大。种植结构的调整受到多种因素的影响,其中对于某一地块的作物种植种类限制因素之一就是连作障碍,耕地上作物长期连作会造成养分过分积累或过度消耗,从而引起长势减弱,产量和品质降低,出现病虫害加重等现象。连作障碍在农业生产中存在普遍,因而需要对连作对产量的影响进行量化。
轮作对土壤养分的影响较大,各种作物的秸秆、残茬、根系和落叶是补充土壤有机质和养分的重要来源。在轮作周期中,由于品种、生长季的气象条件以及根系的特点,不同作物对土壤肥力的效应是有差异的。轮作模式可以有效避免连作障碍,具体体现在改善土壤环境,维持土壤微生物平衡,减少虫害及土传病害等。构建有效克服连作障碍的轮作模式,从而为农业种植业发展提供理论和技术支撑,但目前的轮作带来的产量效益以及某些轮作方式存在的弊端未曾在区域上识别监测。
采用遥感技术开展区域性的监测,将会是对种植结构统计核查的依据。遥感技术具有效率高、成本低、区域广等优势,近二十年来遥感技术快速发展,以农业生产监测应用为主要目标的农业卫星研制的条件已经成熟。遥感技术对农业种植的遥感监测,主要涉及地表参数、作物识别、生长指标、耗水量及产量等内容,针对其中单一内容的研究较多,但对多种作物监测及轮作效应的研究尚不多见。
在现有技术中,目前主要多从不同轮作复种模式比较、轮作对土壤环境的影响等方面进行研究,对于轮作效应的遥感核查方面研究较少。因此本发明寻求设计提供一种基于遥感数据确定轮作对不同作物产量影响的方法,能够有效解决上述问题。而目前并没有一种能够解决上述技术问题的技术方案,具体的,并没有一种提升作物产量的方法及装置。
发明内容
本发明的目的是提出一种提升作物产量的方法,充分利用时间序列多源遥感影像的优势,克服了对气象站或实测数据进行插值引起的区域数据误差,将多年作物识别与多种作物产量进行对应分析,为作物种植结构调整提供了轮作效应约束条件,使未来的结构调整更能满足用户实际需求。
本发明提供了一种提升作物产量的方法,包括:
处理第一遥感数据、样本年份实际区域作物信息以及待处理年份的第二遥感数据,以获取待处理年份所对应的识别作物信息;所述第一遥感数据为样本年份实际区域遥感数据;所述识别作物信息至少包括一个或多个作物种类信息以及一个或多个作物所在子区域信息,所述实际区域由多个子区域组成;
处理所述第二遥感数据,以获取第二遥感数据多个获取时刻的一个或多个作物的瞬时蒸散发量;
处理所述瞬时蒸散发量,以获取所述待处理年份的一个或多个作物实际产量;
遍历所有待处理年份的一个或多个作物的实际产量,以确定子区域内作物的连作或轮作与其相对应的作物实际产量的对应关系。
根据本发明提供的方法,所述处理第一遥感数据、样本年份实际区域作物信息以及待处理年份的第二遥感数据,以获取待处理年份所对应的识别作物信息,包括:
获取所述样本年份实际区域作物信息,所述样本年份实际区域作物信息至少包括作物实际种类信息、作物实际所在子区域信息;
根据所述第一遥感数据,获取作物虚拟种类信息、作物虚拟所在子区域信息;
将所述作物实际种类信息、作物实际所在子区域信息参与训练集的分类器训练,将所述作物虚拟种类信息、所述作物虚拟所在子区域信息进行验证集验证,并将验证精度达到预设阈值的分类器作为最终分类器;
将所述待处理年份的第二遥感数据进行最终分类器验证,以确定待处理年份所对应的识别作物信息。
根据本发明提供的方法,所述处理所述第一遥感数据,获取作物虚拟种类信息、作物虚拟所在子区域信息,包括:
处理所述第一遥感数据的时序数据集,以获取第一预处理遥感数据;
提取所述第一预处理遥感数据中的各作物所对应的波段反射率、多年时序归一化植被指数、多年时序增强植被指数、各作物的生长期;
将所述第一预处理遥感数据中的各作物所对应的波段反射率、多年时序归一化植被指数、多年时序增强植被指数、各作物的生长期进行波段合并,以获取作物虚拟种类、作物虚拟所在子区域。
根据本发明提供的方法,所述处理所述第二遥感数据,以获取第二遥感数据多个获取时刻的一个或多个作物的瞬时蒸散发量,包括:
对第二遥感数据进行地表参数反演,以获取归一化植被指数、地表比辐射率、地表反照率与地表温度;
处理所述地表比辐射率以获取地表净辐射,处理所述归一化植被指数、所述地表净辐射、所述地表反照率以及所述地表温度以获取土壤热通量;
处理所述地表温度以及所述归一化植被指数,以获取显热通量;
基于所述地表净辐射、所述土壤热通量以及所述显热通量确定潜热通量;
处理所述潜热通量,以获取第二遥感数据多个获取时刻的一个或多个作物的瞬时蒸散发量。
根据本发明提供的方法,在对第二遥感数据进行地表参数反演,以获取归一化植被指数、地表比辐射率、地表反照率与地表温度之前,包括:
对所述第二遥感数据进行预处理,所述预处理至少包括云量筛选、去云处理、同日期影像拼接与研究区域裁剪。
根据本发明提供的方法,所述处理所述瞬时蒸散发量,以获取所述待处理年份的一个或多个作物实际产量,包括:
处理一个或多个作物的瞬时蒸散发量,以获取一个或多个作物所对应的日蒸散发量;
处理一个或多个作物所对应的日蒸散发量,以获取一个或多个作物所对应的日蒸腾量;
处理一个或多个作物所对应的日蒸腾量,以获取所述待处理年份的一个或多个作物实际产量。
根据本发明提供的方法,所述遍历所有待处理年份的一个或多个作物的实际产量,以确定子区域内作物的连作或轮作与其相对应的作物实际产量的对应关系,包括:
确定所有待处理年份的一个或多个子区域内一个或多个作物的实际产量;
标记所有待处理年份中仅存在单一作物的一个或多个子区域为连作区域,并建立在连作区域内每年所述单一作物与实际产量的第一对应关系;
标记所有待处理年份中存在多个作物的一个或多个子区域为轮作区域,并建立在轮作区域内每个子区域中的每年不同作物与实际产量的第二对应关系;
将所述第一对应关系与所述第二关系作为子区域内作物的连作或轮作与其相对应的作物实际产量的对应关系。
根据本发明提供的方法,所述待处理年份为连续年份。
根据本发明提供的方法,在遍历所有待处理年份的一个或多个作物的实际产量,以确定子区域内作物的连作或轮作与其相对应的作物实际产量的对应关系之后,包括:
将作物实际产量最高的子区域所对应的连作或轮作方式作为待种植方式。
本发明还提供了一种提升作物产量的装置,包括:
确定装置:处理第一遥感数据、与所述第一遥感数据所对应的作物信息以及待处理年份的第二遥感数据,以获取待处理年份所对应的识别作物信息;
第一获取装置:处理所述第二遥感数据,以获取第二遥感数据多个获取时刻的一个或多个作物的瞬时蒸散发量;
第二获取装置:处理所述瞬时蒸散发量,以获取所述待处理年份的一个或多个作物实际产量;
处理装置:遍历所有待处理年份的一个或多个作物的实际产量,以确定子区域内作物的连作或轮作与其相对应的作物实际产量的对应关系。
本发明首先处理第一遥感数据、样本年份实际区域作物信息以及待处理年份的第二遥感数据,以获取待处理年份所对应的识别作物信息;然后处理所述第二遥感数据,以获取第二遥感数据多个获取时刻的瞬时蒸散发量;再然后处理所述瞬时蒸散发量,以获取作物实际产量;进而遍历所有待处理年份的作物的实际产量,以确定子区域内作物的连作或轮作与其相对应的作物实际产量的对应关系,最后将作物实际产量最高的子区域所对应的连作或轮作方式作为待种植方式,本发明充分利用时间序列多源遥感影像的优势,克服对气象站或实测数据进行插值引起的区域数据误差,将多年作物识别与多种作物产量进行对应分析,以满足用户实际需求,方便简单、使用方便,功能强大,能有效提高作物产量。
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是本发明提供的一种提升作物产量的方法的流程示意图之一;
图2是本发明提供的获取待处理年份所对应的识别作物信息的流程示意图;
图3是本发明提供的获取作物虚拟种类信息、作物虚拟所在子区域信息的流程示意图;
图4是本发明提供的确定瞬时蒸散发量的流程示意图;
图5是本发明提供的确定待处理年份的一个或多个作物实际产量的流程示意图;
图6是本发明提供的确定子区域内作物的连作或轮作与其相对应的作物实际产量的对应关系的流程示意图;
图7是本发明提供的一种提升作物产量的方法的流程示意图之二;
图8是本发明提供的一种提升作物产量的装置的结构示意图;
图9是本发明提供的一种提升作物产量的方法的流程示意图之三。
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。
下面结合图1-图9描述本发明的具体实施方式。
图1是本发明提供的一种提升作物产量的方法的流程示意图之一,包括:
首先,执行步骤S101,处理第一遥感数据、样本年份实际区域作物信息以及待处理年份的第二遥感数据,以获取待处理年份所对应的识别作物信息;所述第一遥感数据为样本年份实际区域遥感数据;所述识别作物信息至少包括一个或多个作物种类信息以及一个或多个作物所在子区域信息,所述实际区域由多个子区域组成。
本发明首先需要对目标研究区内某年或若干连续年内主要作物的类别、若干分布位置、熟制与各作物种植时间进行调研以及信息的获取,其中,获取到的信息即为样本年份实际区域作物信息,而某年或若干连续年内通过遥感卫星所获取到的遥感数据即为第一遥感数据,所述待处理年份的第二遥感数据为期望获取第一遥感数据无法获取的地表信息的,通过遥感卫星所获取到的遥感数据,而本发明步骤S101旨在获取期望获取年份的一个或多个作物种类信息以及一个或多个作物所在子区域信息。
进一步地,由于通过遥感卫星所获取到的数据是完整区域的遥感数据,而不同的作物所生长的区域不同,故会根据不同作物所在的不同区域划分为多个子区域,所述子区域可以为长方形、正方形或者其他不规则形状,但本领域技术人员理解,为了更好的方便作物规划与管理,通常将子区域设置为由多个栅格所组成的区域,在此不予赘述。
然后,执行步骤S102,处理所述第二遥感数据,以获取第二遥感数据多个获取时刻的一个或多个作物的瞬时蒸散发量。本发明通过第二遥感数据进行地表参数反演,以获取归一化植被指数、地表比辐射率、地表反照率与地表温度,进而处理所述地表比辐射率以获取地表净辐射,处理所述归一化植被指数、所述地表净辐射、所述地表反照率以及所述地表温度以获取土壤热通量,处理所述地表温度以及所述归一化植被指数,以获取显热通量;然后基于上述地表净辐射、所述土壤热通量以及所述显热通量确定潜热通量,最后处理所述潜热通量,以获取第二遥感数据多个获取时刻的一个或多个作物的瞬时蒸散发量,这些将在后述具体实施方式中做进一步的描述,在此不予赘述。
紧接着,执行步骤S103,处理所述瞬时蒸散发量,以获取所述待处理年份的一个或多个作物实际产量,本发明通过处理一个或多个作物的瞬时蒸散发量,以获取一个或多个作物所对应的日蒸散发量,处理一个或多个作物所对应的日蒸散发量,以获取一个或多个作物所对应生育期内实际蒸散发量,处理一个或多个作物所对应生育期内实际蒸散发量,以获取所述待处理年份的一个或多个作物实际产量,即结合本发明的前述步骤S102至步骤S103,本发明可以通过结合所述第二遥感数据以获取第二遥感数据获取时刻的一个或多个作物的瞬时蒸散发量,所述第二遥感数据获取时刻即为卫星过境时刻所获取到的数据,进而确定作物所对应生育期内实际蒸散发量。
最后,执行步骤S104,最后遍历所有待处理年份的一个或多个作物的实际产量,以确定子区域内作物的连作或轮作与其相对应的作物实际产量的对应关系,在这样的实施例中,由于在步骤S102中所处理的第二遥感数据是其中一年的遥感数据,而为了研究连作与轮作对作物产量的影响,需要获取连续年份的作物产品,即结合连续年份的遥感数据进行分析,即所述待处理年份优选地为连续年份。
本发明公开了一种提升作物产量的方法,通过实地调研确定某地区作物种植种类,使用调研年份的高分辨率Sentinel-2影像确定当年作物种植结构及各作物的敏感植被指数与重要生育期特性,扩展得到地区多年的种植结构,使用Landsat-8影像结合遥感耗水估算模型确定各种作物生育期耗水量及Jensen模型估算产量,对比不同轮作方式下的经济效益,实现区域性高分辨率耕地轮作效应精准监测,原理简单,操作方便,且具有较强的普适性。
图2是本发明提供的根据第一遥感数据、样本年份实际区域作物信息以及待处理年份的第二遥感数据,以获取待处理年份所对应的识别作物信息的流程示意图,包括:
首先,执行步骤S1011,获取所述样本年份实际区域作物信息,所述样本年份实际区域作物信息至少包括作物实际种类信息、作物实际所在子区域信息,在本发明中,优选地采用调研的方式对样本年份实际区域内的作物信息进行获取,而在其他的实施例中,还可以通过平台大数据来获取。
然后,执行步骤S1012,根据所述第一遥感数据,获取作物虚拟种类信息、作物虚拟所在子区域信息,本发明优选地在GEE平台获取某一年Sentinel-2的多景高分辨率的遥感影像后提取各种作物的不同波段的光谱与植被指数时间序列曲线,进行滤波处理后选取不同作物与其他作物差异最大的植被指数,基于所确定的波段与植被指数,识别研究区调研年份的作物种植结构分布图,进而获取作物虚拟种类信息、作物虚拟所在子区域信息,所述作物虚拟种类信息即为基于所述第一遥感数据所识别的种类信息,并通过所述作物虚拟种类信息获取作物虚拟所在子区域信息。
紧接着,执行步骤S1013,将所述作物实际种类信息、作物实际所在子区域信息参与训练集的分类器训练,将所述作物虚拟种类信息、所述作物虚拟所在子区域信息进行验证集验证,并将验证精度达到预设阈值的分类器作为最终分类器。
在一个优选地实施例中,将上述步骤S1011获取的所述样本年份实际区域作物信息作为先验知识,采集的作物定位数据以7:3的比例分为训练集与验证集,使用训练集与GEE平台提供的随机森林分类器对数据采集年份的遥感影像进行作物种类监督分类,并使用验证集进行验证,计算Kappa系数与分类总精度,并验证精度使总精度达到0.90以上。
再然后,执行步骤S1014,将所述待处理年份的第二遥感数据进行最终分类器验证,以确定待处理年份所对应的识别作物信息,以步骤S1012中所获取的种植结构分布图为基础,获取每种作物特征生育阶段与植被指数,对研究区未实地采集的年份,即待处理年份进行识别,获得多年种植结构图,即确定待处理年份所对应的预测作物信息,所述识别作物信息至少包括一个或多个作物种类信息以及一个或多个作物所在子区域信息。
图3是本发明提供的根据所述第一遥感数据,获取作物虚拟种类信息、作物虚拟所在子区域信息的流程示意图,包括:
首先,执行步骤S10121,处理所述第一遥感数据的时序数据集,以获取第一预处理遥感数据,进一步地,本发明优选地在GEE平台上获取研究区Sentinel-2卫星地表反射率的时序数据集,进行云量筛选并去云处理,以获取第一预处理遥感数据。
然后,执行步骤S10122,提取所述第一预处理遥感数据中的各作物所对应的波段反射率、多年时序归一化植被指数、多年时序增强植被指数、各作物的生长期,使用GEE平台提取不同作物各波段反射率,例如B2、B3、B4、B8、B11和B12,使用GEE平台计算多年时序归一化植被指数NDVI,使用GEE平台计算多年时序增强植被指数EVI,使用GEE平台提取各种作物的生长期。
紧接着,执行步骤S10123,将所述第一预处理遥感数据中的各作物所对应的波段反射率、多年时序归一化植被指数、多年时序增强植被指数、各作物的生长期进行波段合并,以获取作物虚拟种类、作物虚拟所在子区域,将所述第一预处理遥感数据中的各作物所对应的波段反射率、多年时序归一化植被指数、多年时序增强植被指数、各作物的生长期进行波段合并,作为分类波段,基于所确定的分类波段与植被指数,识别研究区调研年份的作物种植结构分布图,进而获取作物虚拟种类信息、作物虚拟所在子区域信息。
图4是本发明提供的处理所述第二遥感数据,以获取第二遥感数据多个获取时刻的一个或多个作物的瞬时蒸散发量的流程示意图,所述处理所述第二遥感数据,以获取第二遥感数据获取时刻的一个或多个作物的瞬时蒸散发量,包括:
首先,执行步骤S1021,对第二遥感数据进行地表参数反演,以获取归一化植被指数、地表比辐射率、地表反照率与地表温度,本发明图4将对METRIC模型反演蒸散量作进一步地描述,在对第二遥感数据进行地表参数反演,以获取归一化植被指数、地表比辐射率、地表反照率与地表温度之前,包括:对所述第二遥感数据进行预处理,所述预处理至少包括云量筛选、去云处理、同日期影像拼接与研究区域裁剪,所述第二遥感数据为Landsat8数据。
然后,执行步骤S1022,处理所述地表比辐射率以获取地表净辐射,处理所述归一化植被指数、所述地表净辐射、所述地表反照率以及所述地表温度以获取土壤热通量,地表净辐射(Rn)是地表净长波辐射和短波辐射之和,是地表能量的总输入量,也是大气运动的主要能量来源。
Rn=(1-α)RS-RL↑+εRL↓ (1)
式中,α为地表反照率,RS为地表入射短波辐射量(W/m2),RL↑为地表反射长波辐射量(W/m2),RL↓为地表长波入射量(W/m2),ε为地表比辐射率。其中RS,RL↑,RL↓的计算公式如下:
RS=GSC×dr×τsw×cosθ (2)
RL↑=ε×TS 4×σ (3)
RL↓=1.08×(-lnτsw)0.265×Ta 4×σ (4)
τsw=0.75+2×10-5×z (5)
式(1)至式(5)中,GSC为太阳常数(1367W/m2),dr为日地距离修正系数,θ为太阳入射角(rad,也称天顶角);σ为Stefan Boltzman常数(5.67×10-8W/m2/K4),TS为地表温度(K);Ta为近地表空气温度(K),τsw为大气单向透射率;z为当地海拔高度(m);其中dr和θ可从影像头文件中获取。
进一步地,所述土壤热通量(G)指储存在土壤和植被中的能量,使用Bastiaanssen提出的估算方法:
式(6)中,TS为地表温度(K),α为地表反照率,NDVI为归一化植被指数,Rn为地表净辐射通量(W/m2)。当研究区下垫面有水体时,其G=0.5Rn。
紧接着,执行步骤S1023,处理所述地表温度以及所述归一化植被指数,以获取显热通量,显热通量(H)也称为感热通量,是指由于温度变化而引起的大气与下垫面之间发生的湍流形式的热交换。显热通量的计算比较复杂,计算采用下式:
式(7)中,ρair为空气密度,标准状态下取1.293kg/m3,Cp为空气热量常数,取1004J·kg-1·K-1;dT是距地表高度Z1为0.01m和参考高度Z2为2m处的温度差;rah为空气动力学阻力。各分量的计算公式分别如下:
Zom=exp(5.65NDVI-6.32) (11)
式(8)至式(11)中,Z1、Z2与上式中含义相同;k为Von Karman常数,取0.41;U*为中性稳定度下的摩擦风速;Ur为距地面高度Zr处的风速,一般情况下,距地面200m高度以上时处于稳定状态,故Zr=200;Zom为地面粗糙度;U2为距地面2m处的风速,一般的气象数据所获得的风速都是2m风速。
dT的计算公式如下:
TS *=TS-0.0065Z (13)
式(12)、式(13)中,a,b为温差与地表温度线性关系的回归系数;TS *为经过高程校正的地表温度(由于大气温度在一定范围内随高程增加而降低);Z为DEM数据的高程值。dT的计算需要选取“热点”和“冷点”两个极端像元来计算,“热点”处为没有植被且极其干燥、气温较高的裸露土壤,潜热通量(蒸散量)LEhot=0.05×λ×ETr_hourly,Hhot=Rn_hot-Ghot-LEhot,;在“冷点”处因水分充足,LEcold=1.05×λ×ETr_hourly,Hcold=Rn_cold-Gcold。选取冷热点时,需同时参照NDVI和地表温度影像,选取地表温度低且NDVI值最大的点作为“冷点”,地表温度高且NDVI值小的点作为“热点”。
在“热点”处求解系数a,b:
b=dTcold-aTS_cold (17)
式(14)至式(17)中,下标cold表示“冷点”像元,下标hot表示“热点”像元。其他符号与上文含义一致。
在本实施例中,采用Monin-Obukhov长度L判定大气稳定度,计算的公式如下:
式(18)中,g为重力加速度,取9.8m/s2;其余各个分量的含义与上文相同。
根据L值不同,大气分为稳定、中性、非稳定三种状态:
L>0时,大气为稳定状态,计算如下:
L=0时,大气为中性状态时:H=0,ψm=ψh=0。
L<0时,大气为非稳定状态,计算如下:
根据式(20)至式(25),通过迭代算法估算显热通量。当空气温度梯度与地表温度线性关系中的系数a和b、空气动力学阻力、摩擦风速、显热通量等参数值保持不变时,迭代循环算法终止。
再然后,执行步骤S1024,基于所述地表净辐射、所述土壤热通量以及所述显热通量确定潜热通量,卫星过境的潜热通量可作为地表能量平衡方程的余项求得:
Rn=G+H+LE,式中,Rn为地表净辐射量(W/m2);G为土壤热通量(W/m2);H为显热通量(W/m2);LE为潜热通量(W/m2)。
λ=(2.501-0.00236×(Ts-273))×106 (26)
式(26)中,EToverpass为卫星过境时刻瞬时蒸散量(mm/day),λ为水汽化潜热(J/kg)。
图5是本发明提供的处理所述瞬时蒸散发量,以获取所述待处理年份的一个或多个作物实际产量的流程示意图,所述处理所述瞬时蒸散发量,以获取所述待处理年份的一个或多个作物实际产量,包括:
首先,执行步骤S1031,处理一个或多个作物的瞬时蒸散发量,以获取一个或多个作物所对应的日蒸散发量,通过水汽化潜热参数的到地表瞬时蒸散,采用时参考蒸散计算参考蒸散比,将地表瞬时蒸散升尺度到日蒸散。假设参考蒸散比在一天内不变,卫星过境日的参考蒸散比的均值与卫星过境时刻的参考蒸散比相同。
ETdaily=ETrF×ETr_daily (27)
λ=(2.501-0.00236×(Ts-273))×106 (30)
式(27)至式(30)中,ETdaily为日蒸散量(mm/day),ETrF为参考蒸散比,ETr_daily为日参考蒸散(mm/day),EToverpass为卫星过境时刻瞬时蒸散量(mm/day),ETr_hourly为瞬时参考蒸散,λ为水汽化潜热(J/kg)。
然后,执行步骤S1032,处理一个或多个作物所对应的日蒸散发量,以获取一个或多个作物所对应的日蒸腾量,计算对应作物日蒸腾量公式如下:
Tr,daily=KSt×CC×ETdaily (31)
CC=1.005×(1-e-6LAI)1.2 (32)
LAI=(GCVI-0.93)/1.40.97 (33)
式(31)至(34)中,Tr,daily为日蒸腾量(mm);KSt为作物温度胁迫系数;CC为作物冠层覆盖度;LAI为叶面积指数;GCVI为绿色叶绿素植被指数;ρNIR与ρGRN分别表示近红外和绿色波段的反射率。
进一步地,本发明中所采用的Landsat 8遥感影像的过境重访时间较长,且是光学遥感数据,容易受到多云天气的影响,因此使用METRIC模型中参考蒸散比不变的假设,对影像获取日向前、向后推,对作物蒸散量与冠层覆盖度进行延伸,获取整个生育期不间断的作物蒸腾量。由于耗水空间分布数据为30m分辨率,而作物种植结构分布图为10m分辨率,需要对耗水空间数据进行重采样,使之对应作物分布图。
最后,执行步骤S1033,处理一个或多个作物所对应的日蒸腾量,以获取所述待处理年份的一个或多个作物实际产量,采用的公式为:
Y=B×HI (36)
式(35)至(36)中,B为地上部生物量(kg/m2);WP为水分生产效率(kg/m2/mm);HI为作物收获指数(%);Y为实际产量(kg/m2)。其中WP的确定对于产量估算十分重要,在特定气候条件下对特定作物品种而言是常数,因此使用当地研究数据的测定结果。
图6是本发明提供的遍历所有待处理年份的一个或多个作物的实际产量,以确定子区域内作物的连作或轮作与其相对应的作物实际产量的对应关系的流程示意图,包括:
首先,执行步骤S1041,确定所有待处理年份的一个或多个子区域内一个或多个作物的实际产量,在这样的实施例中,无论是以子区域内规划作物,还是以作物来区分子区域,都需要获取每个子区域内的每种作物的实际产量,然后将同一种类的作物所对应的子区域进行合并,计算总的实际产量,进而得出所有待处理年份的一个或多个子区域内一个或多个作物的实际产量。
然后,执行步骤S1042,标记所有待处理年份中仅存在单一作物的一个或多个子区域为连作区域,并建立在连作区域内每年所述单一作物与实际产量的第一对应关系,单一作物连续在子区域内种植多年可以将所述子区域理解为连作区域,并确定所述连作区域内所述作物的实际产量,构建对应关系。
紧接着,执行步骤S1043,标记所有待处理年份中存在多个作物的一个或多个子区域为轮作区域,并建立在轮作区域内每个子区域中的每年不同作物与实际产量的第二对应关系,结合步骤S1043,首先确定每个作物所在的子区域,然后分别计算每个区域中所对应的作物的产量,遍历所有待处理年份,进而获取每年每个区域中所对应的作物的产量。
最后,进入步骤S1044,将所述第一对应关系与所述第二关系作为子区域内作物的连作或轮作与其相对应的作物实际产量的对应关系,本领域技术人员理解,玉米、小麦与娃娃菜、辣椒、洋葱、土豆等经济作物。其中小麦分为冬小麦与春小麦,小麦、玉米、辣椒与土豆为一年一熟制,娃娃菜为一年两熟制,则可以分别计算连作或轮作中这两种方式下,子区域内所对应的作物的实际产量。
本发明使用GEE平台对其提供的Landsat 8卫星数据进行预处理和地表参数反演,基于METRIC蒸散估算模型,计算得到遥感影像获取时刻的耕地瞬时蒸散量并对其进行时间尺度的扩展;使用作物分类图提取各作物种植范围,计算对应作物生育期的蒸散发量;使用水分生产函数,估算研究区每个栅格在每年种植不同作物时的产量;将种植结构变化与产量变化相对应,获得连作与轮作对产量的影响。
图7是本发明提供的一种提升作物产量的方法的流程示意图之二,所述步骤S201至步骤S204可以参考前述步骤S101至步骤S104,在此不予赘述。
最后,执行步骤S205,在遍历所有待处理年份的一个或多个作物的实际产量,以确定子区域内作物的连作或轮作与其相对应的作物实际产量的对应关系之后,包括将作物实际产量最高的子区域所对应的连作或轮作方式作为待种植方式,本领域技术人员理解,本发明旨在提高作物产量,而为了提高作物产量,则需要考虑当前状态下子区域该选择连作还是轮作,如果选择轮作,如何确定种植种类,如何确定种植顺序,如何确定每种作物的种植时间节点,这都是可以基于确定子区域内作物的连作或轮作与其相对应的作物实际产量的对应关系之后而获取。
进一步地,选取主要轮作方式分为年际轮作和两熟制的经济作物,在一个优选地实施例中,轮作,如小麦-玉米,玉米-蔬菜分别与玉米连作、蔬菜连作进行产量对比,得出不同作物组合的轮作效应。本实施例中,主要以玉米的轮作效应作为关注目标,对于三年以上连作玉米、小麦-玉米、蔬菜-玉米轮作地块进行提取。
进一步地,本发明通过大量实验可以获取不受水分胁迫情况下的最大产量、作物不受水分胁迫的最大蒸散发量及水分敏感指数。取多年玉米不同轮作方式下的产量进行均值,消除年际气候差异与田间管理对产量的影响,根据产量差异得到轮作产生的经济效益变化。
图8是本发明提供的一种提升作物产量的装置的结构示意图,包括确定装置:处理第一遥感数据、与所述第一遥感数据所对应的作物信息以及待处理年份的第二遥感数据,以获取待处理年份所对应的预测作物信息,所述确定装置1可以参考前述步骤S101,在此不予赘述。
进一步地,所述装置还包括第一获取装置2:处理所述第二遥感数据,以获取第二遥感数据获取时刻的一个或多个作物的瞬时蒸散发量,所述第一获取装置2可以参考前述步骤S102,在此不予赘述。
进一步地,所述装置还包括第二获取装置3:处理所述瞬时蒸散发量,以获取所述待处理年份的一个或多个作物实际产量,所述第二获取装置3可以参考前述步骤S103,在此不予赘述。
进一步地,所述装置还包括处理装置4:遍历所有待处理年份的一个或多个作物的实际产量,以确定子区域内作物的连作或轮作与其相对应的作物实际产量的对应关系,所述处理装置4可以参考前述步骤S104,在此不予赘述。
图9是本发明提供的一种提升作物产量的方法的流程示意图之三,如图9所示,本发明通过作物分布调研以及多源遥感影像确定某年种植结构,对所述某年种植结构进行精度验证进而获取不同作物敏感植被指数选择以及关键生育期选择,进而获取多年种植结构。
同时,根据多源遥感影像与气象数据确定METRIC模型,进而确定耗水估算,基于多年种植结构以及耗水估算确定不同作物水分生产函数产量估算,结合不同作物水分生产函数产量估算以及多年种植结构确定经济效益对比,最终确定轮作效应。
以上所描述的装置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设备(可以是个人计算机,服务器,或者网络设备等)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)
1.一种提升作物产量的方法,其特征在于,包括:
处理第一遥感数据、样本年份实际区域作物信息以及待处理年份的第二遥感数据,以获取待处理年份所对应的识别作物信息;所述第一遥感数据为样本年份实际区域遥感数据;所述识别作物信息至少包括一个或多个作物种类信息以及一个或多个作物所在子区域信息,所述实际区域由多个子区域组成;
处理所述第二遥感数据,以获取第二遥感数据多个获取时刻的一个或多个作物的瞬时蒸散发量;
处理所述瞬时蒸散发量,以获取所述待处理年份的一个或多个作物实际产量;
遍历所有待处理年份的一个或多个作物的实际产量,以确定子区域内作物的连作或轮作与其相对应的作物实际产量的对应关系。
2.根据权利要求1所述的方法,其特征在于,所述处理第一遥感数据、样本年份实际区域作物信息以及待处理年份的第二遥感数据,确定待处理年份所对应的识别作物信息,包括:
获取所述样本年份实际区域作物信息,所述样本年份实际区域作物信息至少包括作物实际种类信息、作物实际所在子区域信息;
根据所述第一遥感数据,获取作物虚拟种类信息、作物虚拟所在子区域信息;
将所述作物实际种类信息、作物实际所在子区域信息参与训练集的分类器训练,将所述作物虚拟种类信息、所述作物虚拟所在子区域信息进行验证集验证,并将验证精度达到预设阈值的分类器作为最终分类器;
将所述待处理年份的第二遥感数据进行最终分类器验证,以确定待处理年份所对应的识别作物信息。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一遥感数据,获取作物虚拟种类信息、作物虚拟所在子区域信息,包括:
处理所述第一遥感数据的时序数据集,以获取第一预处理遥感数据;
提取所述第一预处理遥感数据中的各作物所对应的波段反射率、多年时序归一化植被指数、多年时序增强植被指数、各作物的生长期;
将所述第一预处理遥感数据中的各作物所对应的波段反射率、多年时序归一化植被指数、多年时序增强植被指数、各作物的生长期进行波段合并,以获取作物虚拟种类、作物虚拟所在子区域。
4.根据权利要求1所述的方法,其特征在于,所述处理所述第二遥感数据,以获取第二遥感数据多个获取时刻的一个或多个作物的瞬时蒸散发量,包括:
对第二遥感数据进行地表参数反演,以获取归一化植被指数、地表比辐射率、地表反照率与地表温度;
处理所述地表比辐射率以获取地表净辐射,处理所述归一化植被指数、所述地表净辐射、所述地表反照率以及所述地表温度以获取土壤热通量;
处理所述地表温度以及所述归一化植被指数,以获取显热通量;
基于所述地表净辐射、所述土壤热通量以及所述显热通量确定潜热通量;
处理所述潜热通量,以获取第二遥感数据多个获取时刻的一个或多个作物的瞬时蒸散发量。
5.根据权利要求4所述的方法,其特征在于,在对第二遥感数据进行地表参数反演,以获取归一化植被指数、地表比辐射率、地表反照率与地表温度之前,包括:
对所述第二遥感数据进行预处理,所述预处理至少包括云量筛选、去云处理、同日期影像拼接与研究区域裁剪。
6.根据权利要求1所述的方法,其特征在于,所述处理所述瞬时蒸散发量,以获取所述待处理年份的一个或多个作物实际产量,包括:
处理一个或多个作物的瞬时蒸散发量,以获取一个或多个作物所对应的日蒸散发量;
处理一个或多个作物所对应的日蒸散发量,以获取一个或多个作物所对应的日蒸腾量;
处理一个或多个作物所对应生育期的日蒸腾量,以获取所述待处理年份的一个或多个作物实际产量。
7.根据权利要求1所述的方法,其特征在于,所述遍历所有待处理年份的一个或多个作物的实际产量,以确定子区域内作物的连作或轮作与其相对应的作物实际产量的对应关系,包括:
确定所有待处理年份的一个或多个子区域内一个或多个作物的实际产量;
标记所有待处理年份中仅存在单一作物的一个或多个子区域为连作区域,并建立在连作区域内每年所述单一作物与实际产量的第一对应关系;
标记所有待处理年份中存在多个作物的一个或多个子区域为轮作区域,并建立在轮作区域内每个子区域中的每年不同作物与实际产量的第二对应关系;
将所述第一对应关系与所述第二关系作为子区域内作物的连作或轮作与其相对应的作物实际产量的对应关系。
8.根据权利要求1所述的方法,其特征在于,所述待处理年份为连续年份。
9.根据权利要求1所述的方法,其特征在于,在遍历所有待处理年份的一个或多个作物的实际产量,以确定子区域内作物的连作或轮作与其相对应的作物实际产量的对应关系之后,包括:
将作物实际产量最高的子区域所对应的连作或轮作方式作为待种植方式。
10.一种提升作物产量的装置,其特征在于,包括:
确定装置:处理第一遥感数据、与所述第一遥感数据所对应的作物信息以及待处理年份的第二遥感数据,以获取待处理年份所对应的识别作物信息;
第一获取装置:处理所述第二遥感数据,以获取第二遥感数据多个获取时刻的一个或多个作物的瞬时蒸散发量;
第二获取装置:处理所述瞬时蒸散发量,以获取所述待处理年份的一个或多个作物实际产量;
处理装置:遍历所有待处理年份的一个或多个作物的实际产量,以确定子区域内作物的连作或轮作与其相对应的作物实际产量的对应关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210266766.9A CN114663778A (zh) | 2022-03-17 | 2022-03-17 | 一种提升作物产量的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210266766.9A CN114663778A (zh) | 2022-03-17 | 2022-03-17 | 一种提升作物产量的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114663778A true CN114663778A (zh) | 2022-06-24 |
Family
ID=82028659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210266766.9A Pending CN114663778A (zh) | 2022-03-17 | 2022-03-17 | 一种提升作物产量的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114663778A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385871A (zh) * | 2023-02-28 | 2023-07-04 | 中国林业科学研究院资源信息研究所 | 一种森林生物量遥感估算方法、系统、设备及介质 |
-
2022
- 2022-03-17 CN CN202210266766.9A patent/CN114663778A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385871A (zh) * | 2023-02-28 | 2023-07-04 | 中国林业科学研究院资源信息研究所 | 一种森林生物量遥感估算方法、系统、设备及介质 |
CN116385871B (zh) * | 2023-02-28 | 2024-03-15 | 中国林业科学研究院资源信息研究所 | 一种森林生物量遥感估算方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Improving winter wheat yield estimation by assimilation of the leaf area index from Landsat TM and MODIS data into the WOFOST model | |
Chen et al. | Spatio-temporal prediction of leaf area index of rubber plantation using HJ-1A/1B CCD images and recurrent neural network | |
De la Casa et al. | Soybean crop coverage estimation from NDVI images with different spatial resolution to evaluate yield variability in a plot | |
Fang et al. | Corn‐yield estimation through assimilation of remotely sensed data into the CSM‐CERES‐Maize model | |
Trout et al. | Remote sensing of canopy cover in horticultural crops | |
Cohen et al. | Crop water status estimation using thermography: multi-year model development using ground-based thermal images | |
Zheng et al. | Assessment of the effects of shelterbelts on crop yields at the regional scale in Northeast China | |
Duan et al. | Remote estimation of grain yield based on UAV data in different rice cultivars under contrasting climatic zone | |
Esquerdo et al. | Use of NDVI/AVHRR time-series profiles for soybean crop monitoring in Brazil | |
Zhang et al. | Biophysical response of young pomegranate trees to surface and sub-surface drip irrigation and deficit irrigation | |
JP5626056B2 (ja) | 農作物画像処理プログラム、農作物画像処理方法及び農作物画像処理装置 | |
Samani et al. | Using remote sensing to evaluate the spatial variability of evapotranspiration and crop coefficient in the lower Rio Grande Valley, New Mexico | |
Wang et al. | Summer maize growth under different precipitation years in the Huang-Huai-Hai Plain of China | |
Iwasaki et al. | Spatial pattern of windbreak effects on maize growth evaluated by an unmanned aerial vehicle in Hokkaido, northern Japan | |
CN113642464B (zh) | 结合twdtw算法和模糊集的时序遥感影像作物分类方法 | |
Riveros-Burgos et al. | Assessment of the clumped model to estimate olive orchard evapotranspiration using meteorological data and UAV-based thermal infrared imagery | |
CN111401790A (zh) | 地表用水量计算方法、装置、计算机设备和存储介质 | |
CN114663778A (zh) | 一种提升作物产量的方法及装置 | |
Zhangzhong et al. | Development of an evapotranspiration estimation method for lettuce via mobile phones using machine vision: Proof of concept | |
Liu et al. | Open-air grape classification and its application in parcel-level risk assessment of late frost in the eastern Helan Mountains | |
Liu et al. | Estimating the impact of shelterbelt structure on corn yield at a large scale using Google Earth and Sentinel 2 data | |
Lacerda et al. | Correlation of UAV and satellite-derived vegetation indices with cotton physiological parameters and their use as a tool for scheduling variable rate irrigation in cotton | |
Jia et al. | Fractional vegetation cover estimation based on soil and vegetation lines in a corn-dominated area | |
Berd et al. | The use of NDVI algorithm in predicting the productivity of rice fields of Talang District of Solok Regency | |
Xiao et al. | Variational retrieval of leaf area index from MODIS time series data: examples from the Heihe river basin, north-west China |
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 |