CN115753625B - 区域作物的产量估测方法、装置、电子设备及存储介质 - Google Patents
区域作物的产量估测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115753625B CN115753625B CN202211364828.6A CN202211364828A CN115753625B CN 115753625 B CN115753625 B CN 115753625B CN 202211364828 A CN202211364828 A CN 202211364828A CN 115753625 B CN115753625 B CN 115753625B
- Authority
- CN
- China
- Prior art keywords
- model
- remote sensing
- lai
- yield
- sensing observation
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000004088 simulation Methods 0.000 claims abstract description 44
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 39
- 238000009826 distribution Methods 0.000 claims description 26
- 239000011521 glass Substances 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 17
- 241000209140 Triticum Species 0.000 claims description 10
- 235000021307 Triticum Nutrition 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 235000007164 Oryza sativa Nutrition 0.000 claims description 4
- 240000008042 Zea mays Species 0.000 claims description 4
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 claims description 4
- 235000002017 Zea mays subsp mays Nutrition 0.000 claims description 4
- 235000005822 corn Nutrition 0.000 claims description 4
- 235000009566 rice Nutrition 0.000 claims description 4
- 240000007594 Oryza sativa Species 0.000 claims 1
- 239000010410 layer Substances 0.000 description 21
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 239000002356 single layer Substances 0.000 description 5
- 241000209094 Oryza Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013277 forecasting method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000029553 photosynthesis Effects 0.000 description 2
- 238000010672 photosynthesis Methods 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 230000005068 transpiration Effects 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供区域作物的产量估测方法、装置、电子设备及存储介质，包括：确定WOFOST模型的模型模拟误差Q；基于内外嵌套数据同化模型获得优化遥感观测误差R；其中，内外嵌套数据同化模型的内层采用集合卡尔曼滤波算法，外层采用最大似然函数形式的代价函数；利用遥感观测误差R得到LAI遥感观测集合，并将优化后的遥感观测误差R和模型模拟误差Q代入集合卡尔曼滤波同化算法，实现时间序列LAI的轨迹的优化，并采用优化的LAI驱动WOFOST模型进行作物产量估测。本发明基于内外嵌套数据同化模型，克服了遥感与作物模型数据同化系统中遥感观测误差和模型模拟误差难以定量化的瓶颈问题，提高了区域作物的产量估测精度。
Description
技术领域
本发明涉及农业遥感技术领域，尤其涉及区域作物的产量估测方法、装置、电子设备及存储介质。
背景技术
传统的农作物估产方法主要有统计调查方法、基于作物模型的预报方法以及农业气象预报方法等。这些方法由于其固有的局限性都难以实现区域作物产量高精度估测。而基于卫星遥感技术的估测方法，凭借空间上连续和时间上动态的特点，在区域作物的产量估测上具有得天独厚的优势。同时，将遥感技术与基于作物光合、呼吸、蒸腾、营养等机理过程的作物生长模型结合能够达到区域高精度估产的目的。数据同化方法能够结合作物生长模型在点上、遥感观测在面上的优势，成为近年来国内外农业定量遥感的研究的热点。
然而，现有的同化估产方法中，普遍依赖于单层数据处理模型，但是单层数据处理模型的估测精度有限，无法满足用户的高精度估测要求；并且，单层数据处理模型存在的模型误差无法进行定量化评估，模型误差也进一步导致了单层数据处理模型的估测精度降低。
发明内容
本发明提供区域作物的产量估测方法、装置、电子设备及存储介质，用以解决现有技术中单层数据处理模型估测精度低的缺陷。
本发明提供一种区域作物的产量估测方法，包括：基于站点实测LAI和产量数据，对WOFOST模型进行标定，获得WOFOST模型的预设参数的后验概率分布；基于后验概率分布采样得到WOFOST模型的模拟LAI集合以及WOFOST模型的模型模拟误差Q；基于内外嵌套数据同化模型获得优化后的遥感观测误差R；其中，内外嵌套数据同化模型的内层采用集合卡尔曼滤波算法，内外嵌套数据同化模型的外层采用最大似然代价函数；利用遥感观测误差R得到LAI遥感观测集合，并将遥感观测误差R和模型模拟误差Q代入集合卡尔曼滤波算法，实现LAI的优化，并基于优化的LAI驱动WOFOST模型进行作物产量估测。
根据本发明提供的一种区域作物的产量估测方法，基于内外嵌套数据同化模型获得优化后的遥感观测误差R之前，包括：获取研究区域的作物在生育期内的GLASS LAI产品，基于遥感观测误差初值R0扰动GLASS LAI产品生成初始遥感观测LAI集合；利用遥感观测误差R得到LAI遥感观测集合，包括：利用遥感观测误差R重新扰动GLASS LAI产品得到LAI遥感观测集合。
根据本发明提供的一种区域作物的产量估测方法，基于内外嵌套数据同化模型获得优化后的遥感观测误差R，包括：以站点实测LAI为状态变量，通过内外嵌套数据同化模型，优化GLASS LAI产品中遥感观测误差R。
根据本发明提供的一种区域作物的产量估测方法，通过内外嵌套数据同化模型，优化GLASS LAI产品中遥感观测误差R，包括：内外嵌套数据同化模型的外层采用最大似然函数形式的代价函数，将遥感观测误差R通过最小化代价函数实现模型参数的优化。
根据本发明提供的一种区域作物的产量估测方法，基于站点实测LAI和产量数据，对WOFOST模型进行标定，获得WOFOST模型的预设参数的后验概率分布，包括：以站点实测LAI和产量数据对应的不确定估计值为观测，采用马尔科夫链蒙特卡洛方法实现站点内WOFOST模型的预设参数的后验概率分布估计，获得预设参数的后验样本集合，生成LAI模型模拟集合。
根据本发明提供的一种区域作物的产量估测方法，作物为小麦、水稻、玉米中的一种。
本发明还提供一种区域作物的产量估测装置，包括：WOFOST模型模块，用于基于站点实测LAI和产量数据，对WOFOST模型进行标定，获得WOFOST模型的预设参数的后验概率分布；基于后验概率分布采样得到WOFOST模型的模拟LAI集合以及WOFOST模型的模型模拟误差Q；内外嵌套数据同化模型模块，用于基于内外嵌套数据同化模型获得优化后的遥感观测误差R；其中，内外嵌套数据同化模型的内层采用集合卡尔曼滤波算法，内外嵌套数据同化模型的外层采用最大似然代价函数；产量估测模块，用于利用遥感观测误差R得到LAI遥感观测集合，并将遥感观测误差R和模型模拟误差Q代入集合卡尔曼滤波算法，实现LAI的优化，并基于优化的LAI驱动WOFOST模型进行作物产量估测。
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，处理器执行程序时实现如上述任一种区域作物的产量估测方法。
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区域作物的产量估测方法。
本发明还提供一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现如上述任一种区域作物的产量估测方法。
本发明提供的区域作物的产量估测方法、装置、电子设备及存储介质，包括：确定WOFOST模型的模型模拟误差Q；基于内外嵌套数据同化模型获得优化遥感观测误差R；其中，内外嵌套数据同化模型的内层采用集合卡尔曼滤波算法，外层采用最大似然函数形式的代价函数；利用遥感观测误差R得到LAI遥感观测集合，并将优化后的遥感观测误差R和模型模拟误差Q代入集合卡尔曼滤波同化算法，实现时间序列LAI的轨迹的优化，并采用优化的LAI驱动WOFOST模型进行作物产量估测。通过上述方式，本发明基于内外嵌套数据同化模型，克服了遥感与作物模型数据同化系统中遥感观测误差和模型模拟误差难以定量化的瓶颈问题，提高了区域作物的产量估测精度。
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是本发明区域作物的产量估测方法一实施例的流程示意图；
图2是本发明区域作物的产量估测方法一实施例中冬小麦产量模拟结果示意图；
图3是本发明区域作物的产量估测装置一实施例的结构示意图；
图4是本发明电子设备一实施例的结构示意图。
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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种区域作物的产量估测方法，请参阅图1，图1是本发明区域作物的产量估测方法一实施例的流程示意图，在本实施例中，区域作物的产量估测方法可以包括步骤S110～S140，各步骤具体如下：
S110：基于站点实测LAI和产量数据，对WOFOST模型进行标定，获得WOFOST模型的预设参数的后验概率分布。
本发明中的估测作物可以为小麦、水稻、玉米中的一种。下面以冬小麦为例进行说明。
可选地，以站点实测LAI和产量数据对应的不确定估计值为观测，采用马尔科夫链蒙特卡洛方法实现站点内WOFOST模型的预设参数的后验概率分布估计，获得预设参数的后验样本集合。
基于站点实测LAI和产量数据，利用马尔科夫链蒙特卡洛方法对WOFOST模型进行标定。马尔科夫链蒙特卡洛方法(Markov Chain Monte Carlo)，简称MCMC，是在贝叶斯理论框架下，通过计算机进行模拟的蒙特卡洛方法(Monte Carlo)。
WOFOST将系统分析和模拟应用于农业生产，在WOFOST模型中，基于生态生理过程模拟作物生长，主要过程为物候发育、光吸收、CO2同化、蒸腾、呼吸作用、同化物分配到各器官，以及干物质的形成。以一天为时间步长，对潜在和限水条件下作物生长进行动态模拟。
基于内外嵌套数据同化模型获得优化后的遥感观测误差R之前，包括：
获取研究区域的作物在生育期内的GLASS LAI产品，基于遥感观测误差初值R0扰动GLASS LAI产品生成初始遥感观测LAI集合。
其中，GLASS LAI产品是指卫星遥感叶面积指数，GLASS LAI产品具有较高的可靠性。LAI是表征植被冠层结构和功能的关键参数，与植被的光合作用、蒸散以及能量平衡等过程密切相关，对研究地气系统的物质、能量和动量交换具有重要意义。GLASS叶面积指数产品(Leaf Area Index，简称LAI)基于人工神经网络方法训练出从预处理数据到LAI值的关系模型，用以生产全球陆表叶面积指数产品。
在本实施例中，可以获取冬小麦生育期内所有GLASS LAI数据；基于遥感观测误差初值R0扰动LAI生成遥感观测LAI集合。
S120：基于后验概率分布采样得到WOFOST模型的模拟LAI集合以及WOFOST模型的模型模拟误差Q。
获得WOFOST模型预设参数的后验概率分布，并评估WOFOST模型模拟LAI的不确定性，即模型模拟误差Q。
站点实测LAI与产量数据为实测的样本点数据，本实施例采用农气观测站数据。预设参数为WOFOST模型的关键参数，例如TSUM1(出苗到开花积温)、SPAN(35℃时叶片生命周期)、TDWI(初始总干重)等。
以站点单产、站点所测作物关键生育期叶面积指数(LAI)，以及二者对应的不确定估计值(经验值)为观测，采用MCMC实现站点内WOFOST作物生长模型参数的后验概率分布估计，获得关键参数后验样本集合，获得LAI模型模拟集合。
S130：基于内外嵌套数据同化模型获得优化后的遥感观测误差R。
在一些实施例中，基于内外嵌套数据同化模型获得优化后的遥感观测误差R，包括：
以站点实测LAI为状态变量，通过内外嵌套数据同化模型，优化GLASS LAI产品中遥感观测误差R。
进一步地，通过内外嵌套数据同化模型，优化GLASS LAI产品中遥感观测误差R，包括：
内外嵌套数据同化模型的外层采用最大似然函数形式的代价函数，将遥感观测误差R通过最小化代价函数实现模型参数的优化。
本实施例的内外嵌套数据同化模型的内层采用集合卡尔曼滤波算法，外层采用最大似然函数形式的代价函数。其中，最大似然函数形式的代价函数的方法通过逐个大田作物像元构建遥感观测和作物模型的代价函数，通过多次迭代，优化获得遥感观测误差R。集合卡尔曼滤波同化方法通过引入作物生育期的有效遥感观测数据，更新和优化状态变量。并且本实施例还可以定量化遥感观测和模型模拟的误差，从而实现状态变量的高精度模拟。
其中，代价函数的表达式为：
其中，
εk＝yk-H(xk)
式中，xk为状态变量；H(xk)为模型模拟状态变量；yk为遥感观测状态变量；为模型模拟误差协方差；R为遥感观测误差协方差。
可选地，以LAI为状态变量，通过内外嵌套数据同化模型，优化以下参数：遥感观测误差R。
其中，遥感观测误差R为GLASS LAI中的参数。
以LAI为状态变量，构建集合卡尔曼滤波和最大似然函数形式的代价函数内外嵌套数据同化模型，内层采用集合卡尔曼滤波，外层采用最大似然函数形式的代价函数，不断优化遥感观测误差R以最小化代价函数。
以LAI为状态变量，内外嵌套数据同化模型的内层采用集合卡尔曼滤波算法，通过预设参数后验概率分布随机采样模拟生成WOFOST模型模拟的LAI集合，通过遥感观测误差初始值R0高斯扰动GLASS LAI数据，模拟生成遥感观测的LAI集合。
内外嵌套数据同化模型的外层采用最大似然函数形式的代价函数，将遥感观测误差R作为待优化参数，通过最小化代价函数实现模型参数的优化。
S140：利用遥感观测误差R得到LAI遥感观测集合，并将遥感观测误差R和模型模拟误差Q代入集合卡尔曼滤波算法，实现LAI的优化，并基于优化的LAI驱动WOFOST模型进行作物产量估测。
可选地，遥感观测误差R和模型模拟误差Q，输入到同化框架内，代入集合卡尔曼滤波算法，实现LAI的优化，并驱动WOFOST模型实现产量模拟。
可选地，利用遥感观测误差R得到LAI遥感观测集合，包括：
利用遥感观测误差R重新扰动GLASS LAI产品得到LAI遥感观测集合。
综上，在研究区针对冬小麦区域，逐像元运行步骤S110～S140，实现区域尺度冬小麦产量高精度估测，冬小麦产量模拟结果如图2所示。
本发明提供的区域作物的产量估测方法,包括：获取研究区域的作物在生育期内的GLASS LAI产品，基于遥感观测误差初值R0扰动LAI生成遥感观测LAI集合；基于站点实测LAI和产量数据，利用马尔科夫链蒙特卡洛方法对WOFOST模型进行标定，获得WOFOST模型的预设参数的后验概率分布，并基于后验概率分布采样得到WOFOST模型模拟LAI集合，及WOFOST模型的模型模拟LAI误差Q；基于内外嵌套数据同化模型获得优化后的参数(遥感观测误差R)；其中，内外嵌套数据同化模型的内层采用集合卡尔曼滤波算法，外层采用最大似然函数形式的代价函数；利用优化后的遥感观测误差R重新扰动GLASS LAI得到LAI遥感观测集合，并将遥感观测误差R和模型模拟误差Q代入集合卡尔曼滤波算法，实现LAI的优化，并基于优化的LAI驱动WOFOST模型进行作物产量估测。通过上述方式，本发明基于内外嵌套数据同化模型，可以定量化评估遥感观测误差和模型模拟误差，优化LAI，实现区域作物产量高精度估测。
下面对本发明提供的区域作物的产量估测装置进行描述，下文描述的区域作物的产量估测装置与上文描述的区域作物的产量估测方法可相互对应参照。
本发明还提供一种区域作物的产量估测装置，请参阅图3，图3是本发明区域作物的产量估测装置一实施例的结构示意图，在本实施例中，区域作物的产量估测装置可以包括WOFOST模型模块310、内外嵌套数据同化模型模块320和产量估测模块330。
WOFOST模型模块310，用于基于站点实测LAI和产量数据，对WOFOST模型进行标定，获得WOFOST模型的预设参数的后验概率分布；基于后验概率分布采样得到WOFOST模型的模拟LAI集合以及WOFOST模型的模型模拟误差Q。
内外嵌套数据同化模型模块320，用于基于内外嵌套数据同化模型获得优化后的遥感观测误差R；其中，内外嵌套数据同化模型的内层采用集合卡尔曼滤波算法，内外嵌套数据同化模型的外层采用最大似然代价函数。
产量估测模块330，用于利用遥感观测误差R得到LAI遥感观测集合，并将遥感观测误差R和模型模拟误差Q代入集合卡尔曼滤波算法，实现LAI的优化，并基于优化的LAI驱动WOFOST模型进行作物产量估测。
在一些实施例中，区域作物的产量估测装置还包括初始遥感观测LAI集合模块，初始遥感观测LAI集合模块用于：
获取研究区域的作物在生育期内的GLASS LAI产品，基于遥感观测误差初值R0扰动GLASS LAI产品生成初始遥感观测LAI集合；
产量估测模块330用于：
利用遥感观测误差R重新扰动GLASS LAI产品得到LAI遥感观测集合。
在一些实施例中，内外嵌套数据同化模型320用于：
以站点实测LAI为状态变量，通过内外嵌套数据同化模型，优化GLASS LAI产品中遥感观测误差R。
在一些实施例中，内外嵌套数据同化模型320用于：
内外嵌套数据同化模型的外层采用最大似然函数形式的代价函数，将遥感观测误差R通过最小化代价函数实现模型参数的优化。
在一些实施例中，WOFOST模型模块310用于：
以站点实测LAI和产量数据对应的不确定估计值为观测，采用马尔科夫链蒙特卡洛方法实现站点内WOFOST模型的预设参数的后验概率分布估计，获得预设参数的后验样本集合。
在一些实施例中，作物为小麦、水稻、玉米中的一种。
本发明还提供一种电子设备，请参阅图4，图4是本发明电子设备一实施例的结构示意图。在本实施例中，电子设备400可以包括存储器(memory)420、处理器(processor)410及存储在存储器420上并可在处理器410上运行的计算机程序。处理器410执行程序时实现上述各方法所提供的区域作物的产量估测方法。
可选地，电子设备400还可以包括通信总线430和通信接口(CommunicationsInterface)340，其中，处理器410，通信接口440，存储器420通过通信总线430完成相互间的通信。处理器410可以调用存储器420中的逻辑指令，以执行区域作物的产量估测方法，该方法包括：
基于站点实测LAI和产量数据，对WOFOST模型进行标定，获得WOFOST模型的预设参数的后验概率分布；基于后验概率分布采样得到WOFOST模型的模拟LAI集合以及WOFOST模型的模型模拟误差Q；基于内外嵌套数据同化模型获得优化后的遥感观测误差R；其中，内外嵌套数据同化模型的内层采用集合卡尔曼滤波算法，内外嵌套数据同化模型的外层采用最大似然代价函数；利用遥感观测误差R得到LAI遥感观测集合，并将遥感观测误差R和模型模拟误差Q代入集合卡尔曼滤波算法，实现LAI的优化，并基于优化的LAI驱动WOFOST模型进行作物产量估测。
此外，上述的存储器420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设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例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。
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方法提供的区域作物的产量估测方法，其步骤和原理在上述方法已详细介绍，在此不再赘述。
又一方面，本发明还提供一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，计算机程序被处理器执行时，计算机能够执行上述各方法所提供的区域作物的产量估测方法，其步骤和原理在上述方法已详细介绍，在此不再赘述。
以上所描述的装置实施例仅仅是示意性的，其中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)
1.一种区域作物的产量估测方法，其特征在于，包括：
基于站点实测LAI和产量数据，对WOFOST模型进行标定，获得所述WOFOST模型的预设参数的后验概率分布；
基于所述后验概率分布采样得到WOFOST模型的模拟LAI集合以及所述WOFOST模型的模型模拟误差Q；
基于内外嵌套数据同化模型获得优化后的遥感观测误差R；其中，所述内外嵌套数据同化模型的内层采用集合卡尔曼滤波算法，所述内外嵌套数据同化模型的外层采用最大似然代价函数；
利用所述遥感观测误差R得到LAI遥感观测集合，并将所述遥感观测误差R和所述模型模拟误差Q代入集合卡尔曼滤波算法，实现LAI的优化，并基于优化的LAI驱动所述WOFOST模型进行作物产量估测；
其中，代价函数的表达式为：
；
其中，
；
；
式中，为状态变量；/>为模型模拟状态变量；/>为遥感观测状态变量；/>为模型模拟误差协方差；R为遥感观测误差协方差。
2.根据权利要求1所述的区域作物的产量估测方法，其特征在于，所述基于内外嵌套数据同化模型获得优化后的遥感观测误差R之前，包括：
获取研究区域的作物在生育期内的GLASS LAI产品，基于遥感观测误差初值R0扰动GLASS LAI产品生成初始遥感观测LAI集合；
所述利用所述遥感观测误差R得到LAI遥感观测集合，包括：
利用所述遥感观测误差R重新扰动GLASS LAI产品得到LAI遥感观测集合。
3.根据权利要求2所述的区域作物的产量估测方法，其特征在于，所述基于内外嵌套数据同化模型获得优化后的遥感观测误差R，包括：
以所述站点实测LAI为状态变量，通过所述内外嵌套数据同化模型，优化所述GLASSLAI产品中遥感观测误差R。
4.根据权利要求3所述的区域作物的产量估测方法，其特征在于，所述通过所述内外嵌套数据同化模型，优化所述GLASS LAI产品中遥感观测误差R，包括：
所述内外嵌套数据同化模型的外层采用最大似然函数形式的代价函数，将遥感观测误差R通过最小化代价函数实现模型参数的优化。
5.根据权利要求1所述的区域作物的产量估测方法，其特征在于，所述基于站点实测LAI和产量数据，对WOFOST模型进行标定，获得所述WOFOST模型的预设参数的后验概率分布，包括：
以所述站点实测LAI和所述产量数据对应的不确定估计值为观测，采用马尔科夫链蒙特卡洛方法实现站点内所述WOFOST模型的预设参数的后验概率分布估计，获得所述预设参数的后验样本集合，生成LAI模型模拟集合。
6.根据权利要求1所述的区域作物的产量估测方法，其特征在于，所述作物为小麦、水稻和玉米中的一种。
7.一种区域作物的产量估测装置，其特征在于，包括：
WOFOST模型模块，用于基于站点实测LAI和产量数据，对WOFOST模型进行标定，获得所述WOFOST模型的预设参数的后验概率分布；基于所述后验概率分布采样得到WOFOST模型的模拟LAI集合以及所述WOFOST模型的模型模拟误差Q；
内外嵌套数据同化模型模块，用于基于内外嵌套数据同化模型获得优化后的遥感观测误差R；其中，所述内外嵌套数据同化模型的内层采用集合卡尔曼滤波算法，所述内外嵌套数据同化模型的外层采用最大似然代价函数；
产量估测模块，用于利用所述遥感观测误差R得到LAI遥感观测集合，并将所述遥感观测误差R和所述模型模拟误差Q代入集合卡尔曼滤波算法，实现LAI的优化，并基于优化的LAI驱动所述WOFOST模型进行作物产量估测；
其中，代价函数的表达式为：
；
其中，
；
；
式中，为状态变量；/>为模型模拟状态变量；/>为遥感观测状态变量；/>为模型模拟误差协方差；R为遥感观测误差。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述区域作物的产量估测方法。
9.一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，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述区域作物的产量估测方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述区域作物的产量估测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211364828.6A CN115753625B (zh) | 2022-11-02 | 2022-11-02 | 区域作物的产量估测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211364828.6A CN115753625B (zh) | 2022-11-02 | 2022-11-02 | 区域作物的产量估测方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115753625A CN115753625A (zh) | 2023-03-07 |
| CN115753625B true CN115753625B (zh) | 2024-04-19 |
Family
ID=85355526
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211364828.6A Active CN115753625B (zh) | 2022-11-02 | 2022-11-02 | 区域作物的产量估测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115753625B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104134095A (zh) * | 2014-04-17 | 2014-11-05 | 中国农业大学 | 一种基于尺度转换和数据同化的农作物产量估测方法 |
| CN110633841A (zh) * | 2019-08-13 | 2019-12-31 | 中国农业大学 | 基于集合采样的省级范围地块尺度快速数据同化产量预测方法 |
| CN112052988A (zh) * | 2020-08-18 | 2020-12-08 | 中国农业大学 | 耦合多目标优化和集合同化的作物产量估测方法及应用 |
| CN112380497A (zh) * | 2020-10-29 | 2021-02-19 | 中国农业大学 | 用于区域玉米的秸秆系数估算方法及系统 |
| CN114692971A (zh) * | 2022-03-30 | 2022-07-01 | 中国农业大学 | 一种基于产量差的作物产量预测方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3897100A4 (en) * | 2018-12-19 | 2022-09-21 | The Board Of Trustees Of The University Of Illinois | CROP YIELD PREDICTION APPARATUS AND METHOD |
| US20220061236A1 (en) * | 2020-08-25 | 2022-03-03 | The Board Of Trustees Of The University Of Illinois | Accessing agriculture productivity and sustainability |
-
2022
- 2022-11-02 CN CN202211364828.6A patent/CN115753625B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104134095A (zh) * | 2014-04-17 | 2014-11-05 | 中国农业大学 | 一种基于尺度转换和数据同化的农作物产量估测方法 |
| CN110633841A (zh) * | 2019-08-13 | 2019-12-31 | 中国农业大学 | 基于集合采样的省级范围地块尺度快速数据同化产量预测方法 |
| CN112052988A (zh) * | 2020-08-18 | 2020-12-08 | 中国农业大学 | 耦合多目标优化和集合同化的作物产量估测方法及应用 |
| CN112380497A (zh) * | 2020-10-29 | 2021-02-19 | 中国农业大学 | 用于区域玉米的秸秆系数估算方法及系统 |
| CN114692971A (zh) * | 2022-03-30 | 2022-07-01 | 中国农业大学 | 一种基于产量差的作物产量预测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115753625A (zh) | 2023-03-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Assimilation of remote sensing into crop growth models: Current status and perspectives | |
| CN110909933B (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 | |
| Yang et al. | Winter wheat SPAD estimation from UAV hyperspectral data using cluster-regression methods | |
| Tian et al. | Improving performance of Agro-Ecological Zone (AEZ) modeling by cross-scale model coupling: An application to japonica rice production in Northeast China | |
| Sexton et al. | A theoretical and real world evaluation of two Bayesian techniques for the calibration of variety parameters in a sugarcane crop model | |
| CN106485002B (zh) | 在复杂地形气候区域估算甘蔗潜在产量的方法 | |
| WO2017170086A1 (ja) | 情報処理システム、情報処理装置、シミュレーション方法およびシミュレーションプログラムが記録された記録媒体 | |
| Xu et al. | Regional crop yield assessment by combination of a crop growth model and phenology information derived from MODIS | |
| CN108537679B (zh) | 遥感与作物模型融合的区域尺度作物出苗日期估算方法 | |
| CN115018105A (zh) | 一种冬小麦气象产量预测方法及系统 | |
| CN115600771A (zh) | 作物产量估测方法、装置、设备及存储介质 | |
| CN114662742A (zh) | 大田灌溉施肥制度动态决策方法及装置 | |
| CN111598243A (zh) | 一种基于sar和wfv数据的叶面积指数反演模型 | |
| CN115952421A (zh) | 耦合生态过程模型与机器学习算法的高精度时空模拟方法 | |
| CN116681169A (zh) | 极端气候对作物产量影响的评估方法 | |
| CN117575830B (zh) | 一种基于nki预测氮钾互作下小麦植株氮钾亏缺和产量状况的方法 | |
| Sultana et al. | The consequences of plant architecture and spatial distribution of light interception on cotton growth and yield. | |
| CN117520783A (zh) | 作物产量的预测方法 | |
| Li et al. | Predicting maize yield in Northeast China by a hybrid approach combining biophysical modelling and machine learning | |
| Yang et al. | Prediction of corn variety yield with attribute-missing data via graph neural network | |
| CN115753625B (zh) | 区域作物的产量估测方法、装置、电子设备及存储介质 | |
| Patel et al. | LSTM-RNN Combined Approach for Crop Yield Prediction On Climatic Constraints | |
| CN115496999A (zh) | 田间立地秸秆产量估计方法及装置 | |
| CN114692971A (zh) | 一种基于产量差的作物产量预测方法及装置 | |
| Li et al. | Crop model data assimilation with particle filter for yield prediction using leaf area index of different temporal scales |
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 |