CN115545311A - 一种农作物估产方法、装置、存储介质及电子设备 - Google Patents
一种农作物估产方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN115545311A CN115545311A CN202211241158.9A CN202211241158A CN115545311A CN 115545311 A CN115545311 A CN 115545311A CN 202211241158 A CN202211241158 A CN 202211241158A CN 115545311 A CN115545311 A CN 115545311A
- Authority
- CN
- China
- Prior art keywords
- factors
- crop
- yield
- factor
- estimation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 239000002689 soil Substances 0.000 claims description 30
- 230000008859 change Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 9
- 238000001556 precipitation Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 4
- 239000004927 clay Substances 0.000 claims description 3
- 239000000843 powder Substances 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims 2
- 238000009826 distribution Methods 0.000 abstract description 18
- 238000011835 investigation Methods 0.000 abstract description 6
- 235000013339 cereals Nutrition 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- QPGIGKMACFTHAH-UHFFFAOYSA-L NIR-4 dye Chemical compound [K+].[K+].[O-]S(=O)(=O)CCCCN1C2=CC=C(C(O)=O)C=C2C(C)(C)C1=CC=CC=CC1=[N+](CCCCS([O-])(=O)=O)C2=CC=C(S([O-])(=O)=O)C=C2C1(C)C QPGIGKMACFTHAH-UHFFFAOYSA-L 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- 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
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Abstract
本申请提出一种农作物估产方法、装置、存储介质及电子设备,包括:基于预设数量的样方框对应的农作物实测产量和参考因子,获取产量估算回归模型;其中,参考因子包括地形因子、气象因子、作物植被指数因子以及土壤属性因子中的任意一种或多种,产量估算回归模型表征农作物实测产量与参考因子之间的估算关系;基于待预估区域中各个像元所对应的参考因子和产量估算回归模型,获取待预估区域中各个像元所对应的预估产量。通过引入参考因子,结合作物实地产量实地调查数据,采用地理加权回归模型考虑作物产量分布的空间异质性,建立不同区域作物产量与参考因子的回归模型,进而估算作物产量,得到高精度作物产量的空间分布。
Description
技术领域
本申请涉及农作物领域,具体而言,涉及一种农作物估产方法、装置、存储介质及电子设备。
背景技术
大米、小麦以及玉米等等农产品是人类生活生存的必须品,是人们日常生活中必不可少的,对于保障民生十分重要。各个地区都会在条件允许的情况下种植农产品。但是,受到环境、天气、地形和土壤条件等的影响,同一个区域的同一种作物在不同种植季的产量并不相同。可能出现产量超出本地预期消耗量和产量不足的情况。
为了应对上述情况,需要科学制定农产品进出口计划、调控粮食市场以及指导种植结构调整。为了能够科学制定农产品进出口计划、调控粮食市场以及指导种植结构调整等,需要精准、及时地开展区域粮食作物的产量监测和评估。而农作物作为主要的粮食作物,能够精准、及时的预测农作物的产量,才能够精准摸清农作物是否稳产和高产,保障粮食安全。
因此,本领域技术人员持续关注如何准确获取农作物产量。
发明内容
本申请的目的在于提供一种农作物估产方法、装置、存储介质及电子设备,以至少部分改善上述问题。
为了实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请实施例提供一种农作物估产方法,所述方法包括:
基于预设数量的样方框对应的农作物实测产量和参考因子,获取产量估算回归模型;
其中,所述参考因子包括地形因子、气象因子、作物植被指数因子以及土壤属性因子中的任意一种或多种,所述产量估算回归模型表征所述农作物实测产量与所述参考因子之间的估算关系;
基于待预估区域中各个像元所对应的参考因子和所述产量估算回归模型,获取所述待预估区域中各个像元所对应的预估产量。
第二方面,本申请实施例提供一种农作物估产装置,所述装置包括:
处理单元,用于基于预设数量的样方框对应的农作物实测产量和参考因子,获取产量估算回归模型;
其中,所述参考因子包括地形因子、气象因子、作物植被指数因子以及土壤属性因子中的任意一种或多种,所述产量估算回归模型表征所述农作物实测产量与所述参考因子之间的估算关系;
估算单元,用于基于待预估区域中各个像元所对应的参考因子和所述产量估算回归模型,获取所述待预估区域中各个像元所对应的预估产量。
第三方面,本申请实施例提供一种存储介质,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上述的方法。
第四方面,本申请实施例提供一种电子设备,所述电子设备包括:处理器和存储器,所述存储器用于存储一个或多个程序;当所述一个或多个程序被所述处理器执行时,实现上述的方法。
相对于现有技术,本申请实施例所提供的一种农作物估产方法、装置、存储介质及电子设备,包括:基于预设数量的样方框对应的农作物实测产量和参考因子,获取产量估算回归模型;其中,参考因子包括地形因子、气象因子、作物植被指数因子以及土壤属性因子中的任意一种或多种,产量估算回归模型表征农作物实测产量与参考因子之间的估算关系;基于待预估区域中各个像元所对应的参考因子和产量估算回归模型,获取待预估区域中各个像元所对应的预估产量。通过引入参考因子(地形因子、气象因子、作物植被指数因子以及土壤属性因子),结合作物实地产量实地调查数据,通过引入地理加权回归模型考虑作物产量分布的空间异质性,建立不同区域作物产量与参考因子的回归模型,进而估算作物产量,得到高精度作物产量的空间分布。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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它相关的附图。
图1为本申请实施例提供的电子设备的结构示意图;
图2为本申请实施例提供的农作物估产方法的流程示意图;
图3为本申请实施例提供的农作物估产方法的流程示意图之一;
图4为本申请实施例提供的S101的子步骤示意图之一;
图5为本申请实施例提供的S101的子步骤示意图之二;
图6为本申请实施例提供的S101的子步骤示意图之三;
图7为本申请实施例提供的S101的子步骤示意图之四;
图8为本申请实施例提供的农作物估产装置的单元示意图。
图中:10-处理器;11-存储器;12-总线;13-通信接口;201-处理单元;202-估算单元。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本申请的描述中,需要说明的是,术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该申请产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
在本申请的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
环境因子对作物的产量具有显著的影响,由于参考因子的差异,导致作物产量空间分布具有明显的差异。在作物产量估算时,若对参考因子考虑的因子少,且不考虑作物产量分布的空间异质性,将会导致作物的产量估算不准确。通过引入参考因子(地形因子、气象因子、作物植被指数因子以及土壤属性因子),结合作物实地产量实地调查数据,通过引入地理加权回归模型考虑作物产量分布的空间异质性,建立不同区域作物产量与参考因子的回归模型,进而估算作物产量,得到高精度作物产量的空间分布。
具体地,本申请实施例提供了一种电子设备,可以是电脑、手机以及服务器等具备计算处理能力的终端设备。请参照图1,电子设备的结构示意图。电子设备包括处理器10、存储器11、总线12。处理器10、存储器11通过总线12连接,处理器10用于执行存储器11中存储的可执行模块,例如计算机程序。
处理器10可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,农作物估产方法的各步骤可以通过处理器10中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器10可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processor,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
存储器11可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
总线12可以是ISA(Industry Standard Architecture)总线、PCI(PeripheralComponent Interconnect)总线或EISA(Extended Industry Standard Architecture)总线等。图1中仅用一个双向箭头表示,但并不表示仅有一根总线12或一种类型的总线12。
存储器11用于存储程序,例如农作物估产装置对应的程序。农作物估产装置包括至少一个可以软件或固件(firmware)的形式存储于存储器11中或固化在电子设备的操作系统(operating system,OS)中的软件功能模块。处理器10在接收到执行指令后,执行所述程序以实现农作物估产方法。
可能地,本申请实施例提供的电子设备还包括通信接口13。通信接口13通过总线与处理器10连接。电子设备可以通过通信接口13获取其他终端传输的数据,例如气象观测站的数据、土壤监测点的数据、卫星遥感数据以及相控阵监测数据等等。
应当理解的是,图1所示的结构仅为电子设备的部分的结构示意图,电子设备还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
本申请实施例提供的一种农作物估产方法,可以但不限于应用于图1所示的电子设备,具体的流程,请参考图2,农作物估产方法包括:S104和S105,具体阐述如下。
S104,基于预设数量的样方框对应的农作物实测产量和参考因子,获取产量估算回归模型。
其中,参考因子包括地形因子、气象因子、作物植被指数因子以及土壤属性因子中的任意一种或多种,产量估算回归模型表征农作物实测产量与参考因子之间的估算关系。
可选地,预设数量的样方框可以均匀分布在待预估区域中,以使样方框的测量结果相对于待预估区域的参考性更高。
可选地,上述的参考因子为环境影响因子,基于参考因子和实地调查的样方框对应的农作物实测产量,综合考虑作物产量分布的空间异质性,通过地理加权回归技术建立不同区域参考因子与作物产量的回归模型。
可选地,产量估算回归模型的表达式为:
式中,Cy(i)为第i个像元的作物预估产量;ai0为预设的第一截距;δik为参考因子的回归系数;Eik为第i个像元的第k个参考因子;n为参考因子的个数;εi为预设的第一残差值。
可选地,综合实地调查的作物产量与参考因子E(地形因子(T)、气象因子(M)、作物植被指数因子(V)、土壤属性因子(S)),通过地理加权回归技术建立不同区域作物产量与参考因子的回归模型,进而估算作物产量,得到高精度作物产量的空间分布。参考因子E即为参考因子。
S105,基于待预估区域中各个像元所对应的参考因子和产量估算回归模型,获取待预估区域中各个像元所对应的预估产量。
应理解,在获得产量估算回归模型之后,结合待预估区域中各个像元所对应的参考因子,可以准确获取待预估区域中各个像元所对应的预估产量。具体地,通过引入参考因子(地形因子、气象因子、作物植被指数因子以及土壤属性因子),结合作物实地产量实地调查数据,通过引入地理加权回归模型考虑作物产量分布的空间异质性,建立不同区域作物产量与参考因子的回归模型,进而估算作物产量,得到高精度作物产量的空间分布。
综上所述,本申请实施例提供的农作物估产方法,包括:基于预设数量的样方框对应的农作物实测产量和参考因子,获取产量估算回归模型;其中,参考因子包括地形因子、气象因子、作物植被指数因子以及土壤属性因子中的任意一种或多种,产量估算回归模型表征农作物实测产量与参考因子之间的估算关系;基于待预估区域中各个像元所对应的参考因子和产量估算回归模型,获取待预估区域中各个像元所对应的预估产量。通过引入参考因子(地形因子、气象因子、作物植被指数因子以及土壤属性因子),结合作物实地产量实地调查数据,通过引入地理加权回归模型考虑作物产量分布的空间异质性,建立不同区域作物产量与参考因子的回归模型,进而估算作物产量,得到高精度作物产量的空间分布。
可选地,在作物成熟期,开展作物产量的实地调查。在作物种植区,根据作物的长势,综合环境因子,布设野外调查点。在每个调查点以样方框为单元,例如小麦可以设计1m×1m的样方框,调查每个样方框内作物的实际产量。通过差分GPS,获取每个调查样方框的精确位置信息,与本申请中的像元建立对应关系。
在一种可能的实现方式中,样方框的大小设计为1m×1m,本申请方案中的空间分辨率为8m,样方框小于采样的像元,样方框可以分布在某一个像元内。
可选地,样方框属于目标像元,样方框参考因子为目标像元的参考因子。在此基础上,关于如何获取样方框的参考因子,本申请实施例还提供了一种可能的实现方式,请参考图3,在S104之前农作物估产方法还包括:S101、S102以及S103,具体阐述如下。
S101,获取目标像元所对应的参考因子。
S102,基于样方框对应的农作物实测产量,获取参考因子的共线性和显著性。
其中,共线性表示任意两个参考因子的变化程度对农作物实测产量的影响的一致性程度,显著性表征参考因子的变化程度对农作物实测产量的影响程度。
可选地,参考因子的种类和数量较多,如果直接基于全部的参考因子去构建回归模型,其复杂程度更高,甚至会因为显著性过低的因子带来估算误差,所以需要执行S102,进而完成参考因子的精简。
可选地,基于最小二乘法,检验参考因子的共线性以及与作物产量的显著性水平,剔除具有共线性和不显著的环境因子。
S103,剔除其中满足共线性要求和显著性低于预设影响值的参考因子。
可选地,每一组满足共线性要求的因子对产量影响相同或接近,此时,可以保留每一组满足共线性要求的因子中的一个,其余的删除。
可选地,显著性低于预设影响值的因子为对产量没有影响的因子,将此类因子带入回归模型进行计算,不仅仅增加了计算的复杂程度,还可能带来与产量不相关的误差,所以需要将显著性低于预设影响值的参考因子删除。
应理解,在S104构建产量估算回归模型时,是基于S103筛选后的参考因子和农作物实测产量,综合考虑作物产量分布的空间异质性,通过地理加权回归技术建立不同区域参考因子与作物产量的回归模型。
可选地,目标像元的参考因子包括的地形因子,地形因子包括预设的高精度数字高程模型(Digital Elevation Model,DEM)(T1)、目标像元的坡度(T2)以及目标像元的坡向(T3)。在此基础上,关于S101中的内容,本申请实施例还提供了一种可能的实现方式,请参考图4,S101包括:S101-1和S101-2,具体阐述如下。
S101-1,获取目标像元的南北方向高程变化率和东西方向高程变化率。
可选地,DEM数据采用12.5m空间分辨率ALOS(Advanced Land ObservingSatellite)卫星的相控阵型L波段合成孔径雷达(PALSAR)传感器采集的数据。对DEM数据进行重采样成空间分辨率为8m,与高分植被指数空间分辨率一致。
DEM数据包括目标像元的南北方向高程变化率和东西方向高程变化率。
S101-2,基于目标像元的南北方向高程变化率和东西方向高程变化率确定目标像元的坡度和坡向。
利用DEM数据计算坡度和坡向因子,具体地算式为:
式中,T2为目标像元的坡度,T3为目标像元的坡向,hx为目标像元的南北方向高程变化率,hy为目标像元的东西方向高程变化率。
可选地,目标像元的参考因子还包括气象因子,气象因子包括年平均气温、作物生长季平均气温、≥0℃积温、≥10℃积温、年降水量、作物生长季降水量、年平均风速、作物生长季平均风速、年日照时数以及作物生长季日照时数中的任意一种或多种。在此基础上,关于S101中的内容,本申请实施例还提供了一种可能的实现方式,请参考图5,S101包括:S101-3和S101-4,具体阐述如下。
S101-3,基于气象观测点所采集的气象因子和对应的地形因子进行空间回归模拟,以得到气象因子回归模型。
其中,气象因子回归模型表征同一空间下气象因子与地形因子之间的估算关系。
可选地,气象因子主要基于地面气象站点观测的逐日气温、降水、风速、日照时数数据计算。计算的气象因子包括年平均气温(M1)、作物生长季平均气温(M2)、≥0℃积温(M3)、≥10℃积温(M4)、年降水量(M5)、作物生长季降水量(M6)、年平均风速(M7)、作物生长季平均风速(M8)、年日照时数(M9)、作物生长季日照时数(M10)。具体计算公式如下:
式中,p为一年的天数,取值为365/366天;p1为作物的返青期;p2为作物的枯黄期;ti为第i天的日平均气温(℃);p01为一年中任意连续5天日平均气温≥0℃的初始日期;p02为一年中任意连续5天日平均气温≥0℃的终止日期;p101为一年中任意连续5天日平均气温≥10℃的初始日期;p102为一年中任意连续5天日平均气温≥10℃的终止日期;pi为第i天的日降水量(mm);wi为第i天的日平均风速(m/s);si为第i天的日照时数(h)。
基于上述的算式,可以获取到气象观测点对应的气象因子,通过考虑地形因子,对气象因子进行空间回归模拟,获取空间分辨率为8m的气象因子空间分布数据。采用的方法为多元回归模拟的方法,首先通过气象站点的气象因子值与地形因子建立回归方程,进而利用该回归方程,结合地形因子的空间分布,模拟不同气象因子的空间分布。气象因子回归模型如下:
Mi=M0+a×T1+b×T2+c×T3+δ0
式中,Mi为回归模拟的每个气象因子的值;M0为第二截距;a、b和c为回归系数;T1为DEM数据;T2为坡度;T3为坡向;δ0为第二残差值。
S101-4,基于气象因子回归模型和目标像元的地形因子确定目标像元的气象因子。
可选地,在确定气象因子回归模型之后,将目标像元的地形因子带入上述的气象因子回归模型,可以得到目标像元所对应的Mi。
可选地,目标像元的参考因子包括作物植被指数因子,作物植被指数因子包括作物生长季最大植被指数、作物生长季累积植被指数以及作物最大生长季植被指数中的任意一种或多种。在此基础上,关于S101中的内容,本申请实施例还提供了一种可能的实现方式,请参考图6,S101包括:S101-5和S101-6,具体阐述如下。
S101-5,基于待预估区域的卫星遥感影像获取目标像元的植被指数。
可选地,卫星遥感影像可以是国产高分1号、高分1号BCD星和高分6号卫星所采集的数据。在作物生长季逐月进行卫星遥感影像采集。影像空间分辨率为多光谱8m(包括蓝、绿、红、近红外4个波段)。
对采集到的高分数据进行辐射定标、大气校正、正射校正、图像配准等预处理,将预处理后的卫星遥感影像的像元亮度值(DN值)转换为地表反射率,进而计算植被指数,对应的算式为:
式中,NDVIi为作物生长季第i月的植被指数,ρNIR为高分卫星的近红外波段的反射率值;ρR为高分卫星的红光波段的反射率值。
S101-6,基于目标像元的植被指数获取作物生长季最大植被指数、作物生长季累积植被指数以及作物最大生长季植被指数。
可选地,作物植被指数因子主要包括作物生长季最大植被指数(V1)、作物生长季累积植被指数(V2)和作物最大生长季植被指数(V3),对应的算式为:
V1=max(NDVIi);
V3=NDVIx;
式中,p1为作物的返青期;p2为作物的枯黄期;NDVIi为作物生长季第i月的植被指数;NDVIx为作物最大生长季第x月的NDVI值。
可选地,可以基于目标像元的植被指数变换曲线可以确定最大生长季,进而确定NDVIx。
可选地,目标像元的参考因子包括待预估区域的土壤属性因子,土壤属性因子包括土壤的砾石含量、砂粒、粉粒、粘粒、土壤质地类型、容重、土体厚度以及PH值中的任意一种或多种。在此基础上,关于S101中的内容,本申请实施例还提供了一种可能的实现方式,请参考图7,S101包括:S101-7和S101-8,具体阐述如下。
S101-7,向数据存储终端发送调用请求。
其中,调用请求包括待预估区域的标识。
S101-8,接收数据存储终端所反馈的待预估区域的土壤属性因子。
可选地,土壤属性因子主要包括土壤的砾石含量(>2mm)(S1)、砂粒(S2)、粉粒(S3)、粘粒(S4)、土壤质地类型(S5)、容重(S6)、土体厚度(S7)、PH值(S8)等。该数据来源于中国高分辨率国家土壤信息网格基本属性数据集(2010-2018)。对该数据进行重采样,获取空间分辨率为8m的土壤属性因子数据。
需要说明的是,本申请实施例中模拟空间分辨率需要保持一致,例如均为8m。
请参阅图8,图8为本申请实施例提供的一种农作物估产装置,可选的,该农作物估产装置被应用于上文所述的电子设备。
农作物估产装置包括:处理单元201和估算单元202。
处理单元201,用于基于预设数量的样方框对应的农作物实测产量和参考因子,获取产量估算回归模型;
其中,参考因子包括地形因子、气象因子、作物植被指数因子以及土壤属性因子中的任意一种或多种,产量估算回归模型表征农作物实测产量与参考因子之间的估算关系;
估算单元202,用于基于待预估区域中各个像元所对应的参考因子和产量估算回归模型,获取待预估区域中各个像元所对应的预估产量。
可选地,处理单元201可以执行上述的S101-S104,估算单元202可以执行上述的S105。
需要说明的是,本实施例所提供的农作物估产装置,其可以执行上述方法流程实施例所示的方法流程,以实现对应的技术效果。为简要描述,本实施例部分未提及之处,可参考上述的实施例中相应内容。
本申请实施例还提供了一种存储介质,该存储介质存储有计算机指令、程序,该计算机指令、程序在被读取并运行时执行上述实施例的农作物估产方法。该存储介质可以包括内存、闪存、寄存器或者其结合等。
下面提供一种电子设备,可以是电脑、手机以及服务器等具备计算处理能力的终端设备。该电子设备如图1所示,可以实现上述的农作物估产方法;具体的,该电子设备包括:处理器10,存储器11、总线12。处理器10可以是CPU。存储器11用于存储一个或多个程序,当一个或多个程序被处理器10执行时,执行上述实施例的农作物估产方法。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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,本申请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设备(可以是个人计算机,服务器,或者网络设备等)执行本申请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。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种农作物估产方法,其特征在于,所述方法包括:
基于预设数量的样方框对应的农作物实测产量和参考因子,获取产量估算回归模型;
其中,所述参考因子包括地形因子、气象因子、作物植被指数因子以及土壤属性因子中的任意一种或多种,所述产量估算回归模型表征所述农作物实测产量与所述参考因子之间的估算关系;
基于待预估区域中各个像元所对应的参考因子和所述产量估算回归模型,获取所述待预估区域中各个像元所对应的预估产量。
2.如权利要求1所述的农作物估产方法,其特征在于,所述样方框属于目标像元,所述样方框参考因子为所述目标像元的参考因子,在基于预设数量的样方框对应的农作物实测产量和参考因子,获取产量估算回归模型之前,所述方法还包括:
获取所述目标像元所对应的参考因子;
基于所述样方框对应的农作物实测产量,获取所述参考因子的共线性和显著性;
其中,所述共线性表示任意两个参考因子的变化程度对所述农作物实测产量的影响的一致性程度,所述显著性表征参考因子的变化程度对所述农作物实测产量的影响程度;
剔除其中满足共线性要求和显著性低于预设影响值的参考因子。
3.如权利要求2所述的农作物估产方法,其特征在于,所述目标像元的参考因子包括的地形因子,所述地形因子包括预设的高精度数字高程模型、所述目标像元的坡度以及所述目标像元的坡向,所述获取所述目标像元所对应的参考因子的步骤,包括:
获取所述目标像元的南北方向高程变化率和东西方向高程变化率;
基于所述目标像元的南北方向高程变化率和东西方向高程变化率确定所述目标像元的坡度和坡向。
4.如权利要求3所述的农作物估产方法,其特征在于,所述目标像元的参考因子还包括气象因子,所述气象因子包括年平均气温、作物生长季平均气温、≥0℃积温、≥10℃积温、年降水量、作物生长季降水量、年平均风速、作物生长季平均风速、年日照时数以及作物生长季日照时数中的任意一种或多种,所述获取所述目标像元所对应的参考因子的步骤,包括:
基于气象观测点所采集的气象因子和对应的地形因子进行空间回归模拟,以得到气象因子回归模型;
其中,所述气象因子回归模型表征同一空间下所述气象因子与所述地形因子之间的估算关系;
基于所述气象因子回归模型和所述目标像元的地形因子确定所述目标像元的气象因子。
5.如权利要求2所述的农作物估产方法,其特征在于,所述目标像元的参考因子包括作物植被指数因子,所述作物植被指数因子包括作物生长季最大植被指数、作物生长季累积植被指数以及作物最大生长季植被指数中的任意一种或多种,所述获取所述目标像元所对应的参考因子的步骤,包括:
基于所述待预估区域的卫星遥感影像获取所述目标像元的植被指数;
基于所述目标像元的植被指数获取作物生长季最大植被指数、作物生长季累积植被指数以及作物最大生长季植被指数。
6.如权利要求2所述的农作物估产方法,其特征在于,所述目标像元的参考因子包括所述待预估区域的土壤属性因子,所述土壤属性因子包括土壤的砾石含量、砂粒、粉粒、粘粒、土壤质地类型、容重、土体厚度以及PH值中的任意一种或多种,所述获取所述目标像元所对应的参考因子的步骤,包括:
向数据存储终端发送调用请求,其中,所述调用请求包括所述待预估区域的标识;
接收所述数据存储终端所反馈的所述待预估区域的土壤属性因子。
8.一种农作物估产装置,其特征在于,所述装置包括:
处理单元,用于基于预设数量的样方框对应的农作物实测产量和参考因子,获取产量估算回归模型;
其中,所述参考因子包括地形因子、气象因子、作物植被指数因子以及土壤属性因子中的任意一种或多种,所述产量估算回归模型表征所述农作物实测产量与所述参考因子之间的估算关系;
估算单元,用于基于待预估区域中各个像元所对应的参考因子和所述产量估算回归模型,获取所述待预估区域中各个像元所对应的预估产量。
9.一种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1-7中任一项所述的方法。
10.一种电子设备,其特征在于,包括:处理器和存储器,所述存储器用于存储一个或多个程序;当所述一个或多个程序被所述处理器执行时,实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211241158.9A CN115545311A (zh) | 2022-10-11 | 2022-10-11 | 一种农作物估产方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211241158.9A CN115545311A (zh) | 2022-10-11 | 2022-10-11 | 一种农作物估产方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115545311A true CN115545311A (zh) | 2022-12-30 |
Family
ID=84732736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211241158.9A Pending CN115545311A (zh) | 2022-10-11 | 2022-10-11 | 一种农作物估产方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115545311A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116046809A (zh) * | 2023-02-07 | 2023-05-02 | 中国科学院西北生态环境资源研究院 | 山地土壤水信息获取方法、装置、存储介质及电子设备 |
CN116485174A (zh) * | 2023-03-14 | 2023-07-25 | 中山大学 | 一种臭氧污染对作物减产风险评估方法和装置 |
CN116579521A (zh) * | 2023-05-12 | 2023-08-11 | 中山大学 | 产量预测时间窗口确定方法、装置、设备及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170080825A (ko) * | 2015-12-30 | 2017-07-11 | 농업회사법인 씨드림 주식회사 | 작물의 수확량 영향 요인 평가 방법 및 장치 |
WO2019025735A1 (fr) * | 2017-08-01 | 2019-02-07 | Vilmorin & Cie | Procede pour augmenter la productivite d'une parcelle agricole vis-a-vis d'une variete vegetale d'une espece donnee dispositifs pour la mise en oeuvre de ce procede |
CN110309985A (zh) * | 2019-07-10 | 2019-10-08 | 北京师范大学 | 一种农作物产量预测方法及系统 |
CN113554232A (zh) * | 2021-07-26 | 2021-10-26 | 吉林大学 | 一种农作物产量预测方法及系统 |
-
2022
- 2022-10-11 CN CN202211241158.9A patent/CN115545311A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170080825A (ko) * | 2015-12-30 | 2017-07-11 | 농업회사법인 씨드림 주식회사 | 작물의 수확량 영향 요인 평가 방법 및 장치 |
WO2019025735A1 (fr) * | 2017-08-01 | 2019-02-07 | Vilmorin & Cie | Procede pour augmenter la productivite d'une parcelle agricole vis-a-vis d'une variete vegetale d'une espece donnee dispositifs pour la mise en oeuvre de ce procede |
CN110309985A (zh) * | 2019-07-10 | 2019-10-08 | 北京师范大学 | 一种农作物产量预测方法及系统 |
CN113554232A (zh) * | 2021-07-26 | 2021-10-26 | 吉林大学 | 一种农作物产量预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
王振成: "《森林景观格局与生态规划研究:以长白山地区白河林业局为例》", 重庆大学出版社, pages: 211 - 51 * |
石淑芬 等: "基于空间插值技术和辅助信息的吉林省玉米土地生产潜力研究", vol. 29, no. 05, pages 209 - 218 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116046809A (zh) * | 2023-02-07 | 2023-05-02 | 中国科学院西北生态环境资源研究院 | 山地土壤水信息获取方法、装置、存储介质及电子设备 |
CN116046809B (zh) * | 2023-02-07 | 2023-09-05 | 中国科学院西北生态环境资源研究院 | 山地土壤水信息获取方法、装置、存储介质及电子设备 |
CN116485174A (zh) * | 2023-03-14 | 2023-07-25 | 中山大学 | 一种臭氧污染对作物减产风险评估方法和装置 |
CN116485174B (zh) * | 2023-03-14 | 2023-09-19 | 中山大学 | 一种臭氧污染对作物减产风险评估方法和装置 |
CN116579521A (zh) * | 2023-05-12 | 2023-08-11 | 中山大学 | 产量预测时间窗口确定方法、装置、设备及可读存储介质 |
CN116579521B (zh) * | 2023-05-12 | 2024-01-19 | 中山大学 | 产量预测时间窗口确定方法、装置、设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Skakun et al. | Combined use of Landsat-8 and Sentinel-2A images for winter crop mapping and winter wheat yield assessment at regional scale | |
CN115545311A (zh) | 一种农作物估产方法、装置、存储介质及电子设备 | |
Dente et al. | Assimilation of leaf area index derived from ASAR and MERIS data into CERES-Wheat model to map wheat yield | |
Anderson et al. | Upscaling ground observations of vegetation water content, canopy height, and leaf area index during SMEX02 using aircraft and Landsat imagery | |
Sakamoto | Refined shape model fitting methods for detecting various types of phenological information on major US crops | |
Ballesteros et al. | Combined use of agro-climatic and very high-resolution remote sensing information for crop monitoring | |
dela Torre et al. | Remote sensing-based estimation of rice yields using various models: A critical review | |
CN108169161A (zh) | 一种基于改进型modis指数的玉米种植区域土壤湿度评估方法 | |
Xue et al. | Sharpening ECOSTRESS and VIIRS land surface temperature using harmonized Landsat-Sentinel surface reflectances | |
CN112836575B (zh) | 一种基于作物物候期的多时序影像水稻估产方法 | |
WO2018107245A1 (en) | Detection of environmental conditions | |
Bretreger et al. | Monitoring irrigation using landsat observations and climate data over regional scales in the Murray-Darling Basin | |
Shen et al. | Mapping corn and soybean phenometrics at field scales over the United States Corn Belt by fusing time series of Landsat 8 and Sentinel-2 data with VIIRS data | |
Nourani et al. | Hydrological model parameterization using NDVI values to account for the effects of land cover change on the rainfall–runoff response | |
Gebremedhin et al. | Deriving potential evapotranspiration from satellite-based reference evapotranspiration, Upper Tekeze Basin, Northern Ethiopia | |
Afrasiabian et al. | Effects of spatial, temporal, and spectral resolutions on the estimation of wheat and barley leaf area index using multi-and hyper-spectral data (case study: Karaj, Iran) | |
US20240087311A1 (en) | Remote soil and vegetation properties determination method and system | |
Reed et al. | Predicting winter wheat grain yield using fractional green canopy cover (FGCC) | |
Zhang et al. | Evaluating maize evapotranspiration using high-resolution UAV-based imagery and FAO-56 dual crop coefficient approach | |
Naqvi et al. | Remote estimation of wheat yield based on vegetation indices derived from time series data of Landsat 8 imagery. | |
CN112364691A (zh) | 一种烟草病虫害识别方法 | |
Wang et al. | Removing temperature drift and temporal variation in thermal infrared images of a UAV uncooled thermal infrared imager | |
CN115496999A (zh) | 田间立地秸秆产量估计方法及装置 | |
Ouaadi et al. | Are the C-band backscattering coefficient and interferometric coherence suitable substitutes of NDVI for the monitoring of the FAO-56 crop coefficient? | |
CN111751286B (zh) | 基于变化检测算法的土壤水分提取方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221230 |