CN116070742A - 用于预测作物产量的方法、装置、存储介质及处理器 - Google Patents

用于预测作物产量的方法、装置、存储介质及处理器 Download PDF

Info

Publication number
CN116070742A
CN116070742A CN202211708054.4A CN202211708054A CN116070742A CN 116070742 A CN116070742 A CN 116070742A CN 202211708054 A CN202211708054 A CN 202211708054A CN 116070742 A CN116070742 A CN 116070742A
Authority
CN
China
Prior art keywords
temperature
historical
predicted
crop
harvest
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
Application number
CN202211708054.4A
Other languages
English (en)
Inventor
符天玉
籍延宝
谢倩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zoomlion Smart Agriculture Co ltd
Original Assignee
Zoomlion Smart Agriculture Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zoomlion Smart Agriculture Co ltd filed Critical Zoomlion Smart Agriculture Co ltd
Priority to CN202211708054.4A priority Critical patent/CN116070742A/zh
Publication of CN116070742A publication Critical patent/CN116070742A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation

Landscapes

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

Abstract

本申请实施例提供一种用于预测作物产量的方法、装置、存储介质及处理器。方法包括：获取待预测作物在第一生育期时的遥感图像、在第一生育期内每一天的第一温度，以及在第二生育期内每一天的第二温度；根据遥感图像确定待预测作物在收获期时地上部的预测生物量；根据第一温度和第二温度确定待预测作物的收获指数校正值；根据在收获期时地上部的预测生物量和收获指数校正值确定待预测作物的产量预测值。通过上述技术方案，将预测生物量作为作物产量预测的媒介，大幅度提高作物产量的预测精度，减少产量不稳定带来的预测误差，量化温度对预测作物的收获指数的影响，并进一步对收获指数进行校正，使得作物产量的预测更加精准。

Description

用于预测作物产量的方法、装置、存储介质及处理器
技术领域
本申请涉及农业生产领域，具体地涉及一种用于预测作物产量的方法、装置、存储介质及处理器。
背景技术
目前，在利用遥感技术对水稻产量进行预估时，常常建立产量数据与遥感数据之间的关系，以通过该关系估测作物的产量。但在作物的实际生长过程中，气温对作物的最终产量影响很大。例如，作物在籽粒灌浆期间的最适平均温度为21-26℃，超过适宜温度后的高温会使得灌浆过程受阻。若通过上述方案预估作物的产量，无法直接获取温度给作物生长带来的阻碍影响，从而会导致对作物产量的高估，作物产量的预测精准度不高。
发明内容
本申请实施例的目的是提供一种用于预测作物产量的方法、装置、存储介质及处理器。
为了实现上述目的，本申请第一方面提供一种用于预测作物产量的方法，包括：
获取待预测作物在第一生育期时的遥感图像、在第一生育期内每一天的第一温度，以及在第二生育期内每一天的第二温度；
根据遥感图像确定待预测作物在收获期时地上部的预测生物量；
根据第一温度和第二温度确定待预测作物的收获指数校正值；
根据在收获期时地上部的预测生物量和收获指数校正值确定待预测作物的产量预测值。
在本申请实施例中，根据第一温度和第二温度确定待预测作物的收获指数校正值包括：分别根据第一温度和第二温度确定待预测作物在第一生育期的第一高温累积温度和第一高温冲击强度，以及在第二生育期的第二高温累积温度和第二高温冲击强度，其中，高温累积温度是根据生育期内温度大于预设温度的高温日的温度与预设温度确定的，高温冲击强度是指生育期对应的高温累积温度与生育期内全部高温日的总天数之间的比值；将第一高温累积温度、第一高温冲击强度、第二高温累积温度以及第二高温冲击强度输入至收获指数模型，以确定待预测作物的收获指数预测值；根据收获指数预测值确定收获指数校正值。
在本申请实施例中，根据收获指数预测值确定收获指数校正值包括：在收获指数预测值小于或等于第一预设数值的情况下，确定收获指数校正值为零；在收获指数预测值大于第一预设数值，且小于第二预设数值的情况下，将收获指数预测值确定为收获指数校正值；在收获指数预测值大于或等于第二预设数值的情况下，确定收获指数校正值为第二预设数值。
在本申请实施例中，方法还包括：获取历史作物在任意两个历史收获年的历史产量值和在收获期时地上部的历史生物量；针对每个历史收获年，根据历史产量值和历史生物量确定历史作物在历史收获年的历史收获指数；确定历史作物在每个历史收获年的第一生育期内温度大于预设温度的第一历史高温日和第二生育期内温度大于预设温度的第二历史高温日；确定每个第一历史高温日的温度与预设温度之间的第一历史温度差值，以及每个第二历史高温日的温度与预设温度之间的第二历史温度差值；确定全部第一历史温度差值之和与第一历史高温日的总天数间的第一比值，以及全部第二历史温度差值之和与第二历史高温日的总天数间的第二比值；根据每个历史收获年对应的第一历史温度、第一比值、第二历史温度、第二比值以及历史收获指数构建收获指数模型。
在本申请实施例中，根据遥感图像确定待预测作物在收获期时地上部的预测生物量包括：对遥感图像进行预处理，以得到对应的遥感特征值；将遥感特征值输入至第一预测模型，以确定待预测作物在第一生育期时地上部的预测生物量，第一预测模型是根据历史作物在第一生育期时的历史遥感图像和地上部的历史生物量确定的；将第一生育期时地上部的预测生物量输入至第二预测模型，以确定待预测作物在收获期时地上部的预测生物量，第二预测模型是根据历史作物在第一生育期时地上部的历史生物量和在收获期时地上部的历史生物量确定的。
在本申请实施例中，遥感特征值包括植被指数，第一预测模型的表达式如公式(1)所示：
y＝-0.04NDVI2+26.4NDVI-98.2    (1)
其中，NDVI是指植被指数，y是指待预测作物在第一生育期时地上部的预测生物量。
在本申请实施例中，产量预测值通过公式(2)确定：
Yieldi＝BIOsh*HIi     (2)
其中，Yieldi是指待预测作物在第i年的产量预测值，BIOsh是指待预测作物在收获期时地上部的预测生物量，HIi是指待预测作物在第i年的收获指数校正值。
本申请第二方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得处理器被配置成执行上述的用于预测作物产量的方法。
本申请第三方面提供一种处理器，被配置成执行上述的用于预测作物产量的方法。
本申请第四方面提供一种用于预测作物产量的装置，包括上述的处理器。
通过上述技术方案，根据遥感图像确定待预测作物在收获期时地上部的预测生物量，将预测生物量作为作物产量预测的媒介，大幅度提高作物产量的预测精度，减少产量不稳定带来的预测误差，同时考虑到温度对作物产量的影响，量化温度对预测作物的收获指数的影响，并进一步对收获指数进行校正，使得作物产量的预测更加精准。
本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本申请实施例，但并不构成对本申请实施例的限制。在附图中：
图1示意性示出了根据本申请实施例的用于预测作物产量的方法的流程示意图；
图2示意性示出了根据本申请又一实施例的用于预测作物产量的方法的流程示意图；
图3示意性示出了根据本申请实施例的采用不同方法确定产量预测值的结果示例图；
图4示意性示出了根据本申请实施例的计算机设备的内部结构图。
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，应当理解的是，此处所描述的具体实施方式仅用于说明和解释本申请实施例，并不用于限制本申请实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的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。
图1示意性示出了根据本申请实施例的用于预测作物产量的方法的流程示意图。如图1所示，在本申请一实施例中，提供了一种用于预测作物产量的方法，包括以下步骤：
步骤101，获取待预测作物在第一生育期时的遥感图像、在第一生育期内每一天的第一温度，以及在第二生育期内每一天的第二温度。
步骤102，根据遥感图像确定待预测作物在收获期时地上部的预测生物量。
步骤103，根据第一温度和第二温度确定待预测作物的收获指数校正值。
步骤104，根据在收获期时地上部的预测生物量和收获指数校正值确定待预测作物的产量预测值。
作物可以指的是农业上栽培的各种植物。例如，作物可以指的是水稻等大田作物。作物可以栽种在适宜其生长的种植区域，并可以从播种期中任选一天进行播种。作物包括多个生育期，例如可以包括播种-孕穗期、孕穗-抽穗期、抽穗-成熟期以及成熟-收获期。在预测作物产量时，首先，处理器可以获取待预测作物在第一生育期的遥感图像和在第一生育期内每一天的第一温度，以及在第二生育期内每一天的第二温度。其中，第一生育期是指孕穗-抽穗期。第二生育期是指抽穗-成熟期。第一温度可以是指待预测作物在第一生育期内每一天的日最高温度。第二温度可以是指待预测作物在第二生育期内每一天的日最高温度。
处理器可以根据遥感图像确定待预测作物在收获期时地上部的预测生物量。其中，地上部的预测生物量是指待预测作物针对地上部生物量的预测值。地上部生物量是指未分解的死亡动植物组织及其部分分解产物的量。处理器可以根据第一温度和第二温度确定待预测作物的收获指数校正值。其中，收获指数校正值是指校正之后的收获指数。收获指数是指作物收获时的经济产量与生物产量之间的比值。收获指数可以反映作物群体光合同化物转化为经济产品的能力，能够对作物品种产量水平和栽培成效进行评价。在确定待预测作物的收获指数校正值以及在收获期时地上部的预测生物量之后，处理器可以根据收获期时地上部的预测生物量和收获指数校正值确定待预测作物的产量预测值。
通过上述技术方案，根据遥感图像确定待预测作物在收获期时地上部的预测生物量，将预测生物量作为作物产量预测的媒介，大幅度提高作物产量的预测精度，减少产量不稳定带来的预测误差，同时考虑到温度对作物产量的影响，量化温度对预测作物的收获指数的影响，并进一步对收获指数进行校正，使得作物产量的预测更加精准。
在一个实施例中，根据第一温度和第二温度确定待预测作物的收获指数校正值包括：根据第一温度和第二温度分别确定待预测作物在第一生育期的第一高温累积温度和第一高温冲击强度，以及在第二生育期的第二高温累积温度和第二高温冲击强度，其中，高温累积温度是根据生育期内温度大于预设温度的高温日的温度与预设温度确定的，高温冲击强度是指生育期对应的高温累积温度与生育期内全部高温日的总天数之间的比值；将第一高温累积温度、第一高温冲击强度、第二高温累积温度以及第二高温冲击强度输入至收获指数模型，以确定待预测作物的收获指数预测值；根据收获指数预测值确定收获指数校正值。
温度会不同程度的影响作物的生长，从而会影响后续作物产量的预测。由此，在确定待预测作物的收获指数校正值时，处理器可以先根据第一温度确定待预测作物在第一生育期的第一高温累积温度和第一高温冲击强度。具体而言，在一个实施例中，处理器可以根据第一温度确定待预测作物在第一生育期内温度大于预设温度的多个第一高温日，并可以确定每个第一高温日的温度与预设温度之间的温度差值。处理器可以将全部的温度差值之和确定为待预测作物在第一生育期内的第一高温累积温度。之后，处理器可以将第一高温累积温度与第一高温日的天数之间的比值，并将该比值确定为待预测作物在第一生育期的第一高温冲击强度。其中，第一高温累积温度是根据第一生育期内温度大于预设温度的第一高温日的温度与预设温度确定的，第一高温冲击强度是指第一生育期对应的第一高温累积温度与第一生育期内全部第一高温日的总天数之间的比值。预设温度可以根据实际情况进行自定义。例如，预设温度可以为35℃。即，若某天的温度大于35℃，则可以将该天确定为高温日。
处理器可以根据第二温度确定待预测作物在第二生育期的第二高温累积温度和第二高温冲击强度。具体而言，在一个实施例中，处理器可以根据第二温度确定待预测作物在第二生育期内温度大于预设温度的多个第二高温日，并可以确定每个第二高温日的温度与预设温度之间的温度差值。处理器可以将全部的温度差值之和确定为待预测作物在第二生育期内的第二高温累积温度。之后，处理器可以将第二高温累积温度与第二高温日的天数之间的比值，并将该比值确定为待预测作物在第二生育期的第二高温冲击强度。其中，第二高温累积温度是根据第二生育期内温度大于预设温度的第二高温日的温度与预设温度确定的，第二高温冲击强度是指第二生育期对应的第二高温累积温度与第二生育期内全部第二高温日的总天数之间的比值。
处理器可以将第一高温累积温度、第一高温冲击强度、第二高温累积温度以及第二高温冲击强度输入至收获指数模型，以确定待预测作物的收获指数预测值。其中，收获指数模型为数学模型，其可以根据历史作物在第一生育期的历史温度和第二生育期的历史温度构建。在确定待预测作物的收获指数预测值的情况下，处理器可以根据收获指数预测值确定收获指数校正值。
在一个实施例中，根据收获指数预测值确定收获指数校正值包括：在收获指数预测值小于或等于第一预设数值的情况下，确定收获指数校正值为零；在收获指数预测值大于第一预设数值，且小于第二预设数值的情况下，将收获指数预测值确定为收获指数校正值；在收获指数预测值大于或等于第二预设数值的情况下，确定收获指数校正值为第二预设数值。
处理器可以对收获指数预测值进一步修正，以得到待预测作物的收获指数校正值。具体地，处理器可以将收获指数预测值分别与第一预设数值和第二预设数值进行对比。其中，第一预设数值和第二预设数值可以分别根据实际情况进行自定义。例如，第一预设数值可以为0.1。第二预设数值可以为0.65。在收获指数预测值小于或等于第一预设数值的情况下，处理器可以确定收获指数校正值为零。即，在该情况下，待预测作物的产量可能出现绝产现象，即产量可能为零。在收获指数预测值大于第一预设数值，且小于第二预设值的情况下，处理器可以将收获指数预测值确定为收获指数校正值。即，此时，可以不对收获指数预测值进行校正。在收获指数预测值大于或等于第二预设数值的情况下，处理器可以确定收获指数校正值为第二预设数值。
具体地，在一个实施例中，可以通过下述公式对收获指数预测值进行校正：
Figure BDA0004024510230000081
其中，HI是指收获指数预测值，HIi是指收获指数校正值。
在一个实施例中，方法还包括：获取历史作物在任意两个历史收获年的历史产量值和在收获期时地上部的历史生物量；针对每个历史收获年，根据历史产量值和历史生物量确定历史作物在历史收获年的历史收获指数；确定历史作物在每个历史收获年的第一生育期内温度大于预设温度的第一历史高温日和第二生育期内温度大于预设温度的第二历史高温日；确定每个第一历史高温日的温度与预设温度之间的第一历史温度差值，以及每个第二历史高温日的温度与预设温度之间的第二历史温度差值；确定全部第一历史温度差值之和与第一历史高温日的总天数间的第一比值，以及全部第二历史温度差值之和与第二历史高温日的总天数间的第二比值；根据每个历史收获年对应的第一历史温度、第一比值、第二历史温度、第二比值以及历史收获指数构建收获指数模型。
在对产量预测之前，处理器可以先构建收获指数模型。具体而言，处理器可以先获取历史作物在任意两个历史收获年的历史产量值和在收获期的历史生物量。其中，历史作物可以是指已收割完毕的作物，作物可以是水稻等大田作物。针对每个历史收获年，处理器可以根据历史产量值和历史生物量确定历史作物在每个历史收获年的历史收获指数。历史作物可以是在历史播期内任意一个历史播种日进行播种，由此，若历史播种日不同，则其对应的收获日也可能不同，从而也会导致作物收获指数的不同。且，若历史作物虽然是在同一历史播种日进行播种，但历史作物可以栽种在不同的区域，其收获指数也会不同。由此，针对每个历史收获年，历史产量值可以有多个，对应的历史生物量也可以有多个，那么，确定的历史收获指数也可以是多个。
处理器可以确定每个历史收获年的第一生育期内温度大于预设温度的第一历史高温日和第二生育期内温度大于预设温度的第二历史高温日。然后，处理器可以进一步确定每个第一历史高温日的温度与预设温度之间的第一历史温度差值，以及每个第二历史高温日的温度与预设温度之间的第二历史温度差值。其中，预设温度可以根据实际情况进行自定义。例如，预设温度可以为35℃。处理器可以进一步地确定确定全部第一历史温度差值之和与第一历史高温日的总天数间的第一比值，以及全部第二历史温度差值之和与第二历史高温日的总天数间的第二比值。其中，全部第一历史温度差值之和即可以是指历史作物在第一生育期内的历史高温累积温度，第一比值即可以是指历史作物在第一生育期内的历史高温冲击强度。全部第二历史温度差值之和即可以是指历史作物在第二生育期内的历史高温累积温度，第二比值可以是指历史作物在第二生育期内的历史高温冲击强度。
处理器可以根据历史作物在每个历史收获年对应的第一历史温度、第一比值、第二历史温度、第二比值以及历史收获指数构建收获指数模型。其中，收获指数模型是指数学模型。进一步地，处理器还可以根据根据历史作物在每个收获年对应的第一历史温度、第一比值、第二历史温度以及第二比值确定历史作物的耐热权重值和高温冲击校准值，进而根据该耐热权重值和高温冲击校准值对作物的收获指数进行校正。
以历史作物为美香占2号为例，表1示出了美香占2号在2020年、2021年以及2022年的历史收获指数。表2示出了美香占2号在2020年、2021年以及2022年的高温日累积高温和高温冲击强度。其中，Tg1是指美香占2号在孕穗-抽穗期内日最高温度大于35℃的天数，Tg2是指美香占2号在抽穗-成熟期内日最高温度大于35℃的天数。HGDD1是指孕穗-抽穗期对应高温日累积高温，
Figure BDA0004024510230000101
HGDD2是指抽穗-成熟期对应高温日累积高温，
Figure BDA0004024510230000102
AHGDD1是指孕穗-抽穗期对应的高温冲击强度，
Figure BDA0004024510230000103
AHGDD2是指抽穗期-成熟期对应的高温冲击强度，
Figure BDA0004024510230000104
处理器可以根据其在2020年和2021年的孕穗-抽穗期高温日累积高温、高温冲击强度和收获指数，以及抽穗-成熟期对应的高温日累积高温、高温冲击强度以及收获指数构建收获指数模型。
进一步地，可以采用构建的收获指数模型对美香占2号在2022年的收获指数进行预测。例如，表3示出了美香占2号在2022年的收获指数模拟值和收获指数真实值。处理器可以通过2020年、2021年以及2022年的数据确定出美香占2号这一水稻品种耐热性的权重值和高温相对水稻生长的冲击校准值，从而可以根据该权重值和冲击校正值对预测的收获指数进行调整。
表1美香占2号在2020/2021/2022年的历史收获指数
Figure BDA0004024510230000111
表2美香占2号在2020/2021/2022年的高温日累积值和高温冲击强度
Figure BDA0004024510230000112
表3美香占2号在2020/2021/2022年的收获指数模拟值
Figure BDA0004024510230000113
在一个实施例中，根据遥感图像确定待预测作物在收获期时地上部的预测生物量包括：对遥感图像进行预处理，以得到对应的遥感特征值；将遥感特征值输入至第一预测模型，以确定待预测作物在第一生育期时地上部的预测生物量，第一预测模型是根据历史作物在第一生育期的历史遥感图像和地上部的历史生物量确定的；将第一生育期时地上部的预测生物量输入至第二预测模型，以确定待预测作物在收获期时地上部的预测生物量，第二预测模型是根据历史作物在第一生育期时地上部的历史生物量和在收获期时地上部的历史生物量确定的。
处理器可以对遥感图像进行预处理，以得到对应的遥感特征值。其中，遥感特征值包括植被指数、纹理特征以及波段指数。处理器可以将遥感特征值输入至第一预测模型，以确定待预测作物在第一生育期时地上部的预测生物量。其中，第一预测模型是根据历史作物在第一生育期的历史遥感图像和历史生物量确定的。具体而言，对历史遥感图像进行处理可以得到历史遥感特征值。之后，可以利用传统回归方程对历史遥感特征值以及历史生物量进行分析，以构建第一预测模型。其中，传统回归方程包括线性方程、指数函数以及对数函数等。历史遥感特征值包括历史植被指数、历史纹理特征以及历史波段指数。例如，若对历史遥感图像进行处理之后得到历史植被指数，可以构建植被指数的地上部生物量反演模型，即第一预测模型。
具体地，在一个实施例中，遥感特征值包括植被指数，第一预测模型的表达式如公式(1)所示：
y＝-0.04NDVI2+26.4NDVI-98.2    (1)
其中，NDVI是指植被指数，y是指待预测作物在第一生育期时地上部的预测生物量。该第一预测模型为二次多项式的数学模型，通过该第一预测模型对生物量进行预测，相关性为0.92，其预测精度更高。
在确定待预测作物在第一生育期时地上部的预测生物量的情况下，处理器可以将第一生育期时地上部的预测生物量输入至第二预测模型，以确定待预测作物在收获期时地上部的预测生物量。其中，第二预测模型是根据历史作物在第一生育期时地上部的历史生物量和在收获期时地上部的历史生物量确定的。具体地，可以采用多元逐步回归、筛选敏感因子，将第一生育期时地上部的历史生物量和收获期时地上部的历史生物量构建多时相地上部生物量预测模型，即第二预测模型。
在一个实施例中，产量预测值通过公式(2)确定：
Yieldi＝BIOsh*HIi     (2)
其中，Yieldi是指待预测作物在第i年的产量预测值，BIOsh是指待预测作物在收获期时地上部的预测生物量，HIi是指待预测作物在第i年的收获指数校正值。
在一个实施例中，如图2所示，提供了另一种用于预测作物产量的方法的流程示意图。
在对作物产量进行预测时，首先，处理器可以获取抽穗期前(第一生育期)的遥感影像数据、孕穗期-抽穗期(第一生育期)的日最高温(第一温度)以及抽穗-成熟期(第二生育期)的日最高温(第二温度)。之后，处理器可以对遥感影像数据进行处理，以得到遥感特征数据。其中，遥感特征数据可以包括植被数据、纹理特征以及波段指数。处理器可以进一步地将遥感特征数据输入至反演模型(第一预测模型)，以得到当前生物量(第一生育期时地上部的预测生物量)。处理器可以将当前生物量输入至收获期生物量预测模型(第二预测模型)，以得到收获期时地上部的预测生物量。在确定孕穗期-抽穗期的日最高温以及抽穗-成熟期的日最高温之后，可以确定温度大于35℃的天数，并确定温度大于35℃的天数的累积高温HGDD(第一高温累积温度和第二高温累积温度)。之后，处理器可以确定高温冲击强度AHGDD(第一高温冲击强度和第二高温冲击强度)。具体地，处理器可以将孕穗期-抽穗期的累积高温与孕穗期-抽穗期内温度大于35℃的天数之间的比值确定为孕穗期-抽穗期的高温冲击强度(第一高温冲击强度)。处理器可以将抽穗-成熟期的累积高温与抽穗-成熟期内温度大于35℃的天数之间的比值确定为抽穗-成熟期的高温冲击强度(第二高温冲击强度)。接着，处理器可以将累积高温HGDD和高温冲击强度AHGDD输入至收获指数校正模型(收获指数模型)，以得到收获指数的预测值。之后，再进一步地对收获指数进行调整，从而得到收获指数的校正值。在确定收获期时地上部的预测生物量和收获指数的校正值之后，处理器可以将收获期时地上部的预测生物量与收获指数的校正值输入至产量预测模型(Yieldi＝BIOsh*HIi)，以得到作物的产量预测值。
如图3所示，提供了一种采用不同方法确定产量预测值的结果示例图。可见，通过地上部生物量构建的产量预测模型，对高温胁迫的反应更为灵敏，其产量的精准度也较高。
通过上述技术方案，根据遥感图像确定待预测作物在收获期时地上部的预测生物量，将预测生物量作为作物产量预测的媒介，大幅度提高作物产量的预测精度，减少产量不稳定带来的预测误差，同时考虑到温度对作物产量的影响，量化温度对预测作物的收获指数的影响，并进一步对收获指数进行校正，使得作物产量的预测更加精准。
图1-2为一个实施例中用于预测作物产量的方法的流程示意图。应该理解的是，虽然图1-2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上述用于预测作物产量的方法。
在一个实施例中，提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述用于预测作物产量的方法。
在一个实施例中，提供了一种用于预测作物产量的装置，包括上述的处理器。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、存储器(图中未示出)和数据库(图中未示出)。其中，该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A04。该非易失性存储介质A04存储有操作系统B01、计算机程序B02和数据库(图中未示出)。该内存储器A03为非易失性存储介质A04中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的数据库用于存储产量预测值等数据。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序B02被处理器A01执行时以实现一种用于预测作物产量的方法。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本申请实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取待预测作物在第一生育期时的遥感图像、在第一生育期内每一天的第一温度，以及在第二生育期内每一天的第二温度；根据遥感图像确定待预测作物在收获期时地上部的预测生物量；根据第一温度和第二温度确定待预测作物的收获指数校正值；根据在收获期时地上部的预测生物量和收获指数校正值确定待预测作物的产量预测值。
在一个实施例中，根据第一温度和第二温度确定待预测作物的收获指数校正值包括：分别根据第一温度和第二温度确定待预测作物在第一生育期的第一高温累积温度和第一高温冲击强度，以及在第二生育期的第二高温累积温度和第二高温冲击强度，其中，高温累积温度是根据生育期内温度大于预设温度的高温日的温度与预设温度确定的，高温冲击强度是指生育期对应的高温累积温度与生育期内全部高温日的总天数之间的比值；将第一高温累积温度、第一高温冲击强度、第二高温累积温度以及第二高温冲击强度输入至收获指数模型，以确定待预测作物的收获指数预测值；根据收获指数预测值确定收获指数校正值。
在一个实施例中，根据收获指数预测值确定收获指数校正值包括：在收获指数预测值小于或等于第一预设数值的情况下，确定收获指数校正值为零；在收获指数预测值大于第一预设数值，且小于第二预设数值的情况下，将收获指数预测值确定为收获指数校正值；在收获指数预测值大于或等于第二预设数值的情况下，确定收获指数校正值为第二预设数值。
在一个实施例中，方法还包括：获取历史作物在任意两个历史收获年的历史产量值和在收获期时地上部的历史生物量；针对每个历史收获年，根据历史产量值和历史生物量确定历史作物在历史收获年的历史收获指数；确定历史作物在每个历史收获年的第一生育期内温度大于预设温度的第一历史高温日和第二生育期内温度大于预设温度的第二历史高温日；确定每个第一历史高温日的温度与预设温度之间的第一历史温度差值，以及每个第二历史高温日的温度与预设温度之间的第二历史温度差值；确定全部第一历史温度差值之和与第一历史高温日的总天数间的第一比值，以及全部第二历史温度差值之和与第二历史高温日的总天数间的第二比值；根据每个历史收获年对应的第一历史温度、第一比值、第二历史温度、第二比值以及历史收获指数构建收获指数模型。
在一个实施例中，根据遥感图像确定待预测作物在收获期时地上部的预测生物量包括：对遥感图像进行预处理，以得到对应的遥感特征值；将遥感特征值输入至第一预测模型，以确定待预测作物在第一生育期时地上部的预测生物量，第一预测模型是根据历史作物在第一生育期时的历史遥感图像和地上部的历史生物量确定的；将第一生育期时地上部的预测生物量输入至第二预测模型，以确定待预测作物在收获期时地上部的预测生物量，第二预测模型是根据历史作物在第一生育期时地上部的历史生物量和在收获期时地上部的历史生物量确定的。
在一个实施例中，遥感特征值包括植被指数，第一预测模型的表达式如公式(1)所示：
y＝-0.04NDVI2+26.4NDVI-98.2    (1)
其中，NDVI是指植被指数，y是指待预测作物在第一生育期时地上部的预测生物量。
在一个实施例中，产量预测值通过公式(2)确定：
Yieldi＝BIOsh*HIi     (2)
其中，Yieldi是指待预测作物在第i年的产量预测值，BIOsh是指待预测作物在收获期时地上部的预测生物量，HIi是指待预测作物在第i年的收获指数校正值。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有用于预测作物产量的方法步骤的程序。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。

Claims (10)

1.一种用于预测作物产量的方法，其特征在于，所述方法包括：
获取待预测作物在第一生育期时的遥感图像、在所述第一生育期内每一天的第一温度，以及在第二生育期内每一天的第二温度；
根据所述遥感图像确定所述待预测作物在收获期时地上部的预测生物量；
根据所述第一温度和所述第二温度确定所述待预测作物的收获指数校正值；
根据在收获期时地上部的预测生物量和所述收获指数校正值确定所述待预测作物的产量预测值。
2.根据权利要求1所述的用于预测作物产量的方法，其特征在于，所述根据所述第一温度和所述第二温度确定所述待预测作物的收获指数校正值包括：
分别根据所述第一温度和所述第二温度确定所述待预测作物在所述第一生育期的第一高温累积温度和第一高温冲击强度，以及在所述第二生育期的第二高温累积温度和第二高温冲击强度，其中，高温累积温度是根据生育期内温度大于预设温度的高温日的温度与所述预设温度确定的，高温冲击强度是指生育期对应的高温累积温度与生育期内全部高温日的总天数之间的比值；
将所述第一高温累积温度、所述第一高温冲击强度、所述第二高温累积温度以及所述第二高温冲击强度输入至收获指数模型，以确定所述待预测作物的收获指数预测值；
根据所述收获指数预测值确定所述收获指数校正值。
3.根据权利要求2所述的用于预测作物产量的方法，其特征在于，所述根据所述收获指数预测值确定所述收获指数校正值包括：
在所述收获指数预测值小于或等于第一预设数值的情况下，确定所述收获指数校正值为零；
在所述收获指数预测值大于所述第一预设数值，且小于第二预设数值的情况下，将所述收获指数预测值确定为所述收获指数校正值；
在所述收获指数预测值大于或等于所述第二预设数值的情况下，确定所述收获指数校正值为所述第二预设数值。
4.根据权利要求2所述的用于预测作物产量的方法，其特征在于，所述方法还包括：
获取历史作物在任意两个历史收获年的历史产量值和在收获期时地上部的历史生物量；
针对每个历史收获年，根据所述历史产量值和历史生物量确定所述历史作物在所述历史收获年的历史收获指数；
确定所述历史作物在每个历史收获年的第一生育期内温度大于预设温度的第一历史高温日和第二生育期内温度大于所述预设温度的第二历史高温日；
确定每个第一历史高温日的温度与所述预设温度之间的第一历史温度差值，以及每个第二历史高温日的温度与所述预设温度之间的第二历史温度差值；
确定全部第一历史温度差值之和与所述第一历史高温日的总天数间的第一比值，以及全部第二历史温度差值之和与所述第二历史高温日的总天数间的第二比值；
根据每个历史收获年对应的第一历史温度、第一比值、第二历史温度、第二比值以及所述历史收获指数构建收获指数模型。
5.根据权利要求1所述的用于预测作物产量的方法，其特征在于，所述根据所述遥感图像确定所述待预测作物在收获期时地上部的预测生物量包括：
对所述遥感图像进行预处理，以得到对应的遥感特征值；
将所述遥感特征值输入至第一预测模型，以确定所述待预测作物在所述第一生育期时地上部的预测生物量，所述第一预测模型是根据历史作物在第一生育期时的历史遥感图像和地上部的历史生物量确定的；
将所述第一生育期时地上部的预测生物量输入至第二预测模型，以确定所述待预测作物在所述收获期时地上部的预测生物量，所述第二预测模型是根据所述历史作物在所述第一生育期时地上部的的历史生物量和在收获期时地上部的历史生物量确定的。
6.根据权利要求5所述的用于预测作物产量的方法，其特征在于，所述遥感特征值包括植被指数，所述第一预测模型的表达式如公式(1)所示：
y＝-0.04NDVI2+26.4NDVI-98.2    (1)
其中，NDVI是指植被指数，y是指待预测作物在所述第一生育期时地上部的预测生物量。
7.根据权利要求1所述的用于预测作物产量的方法，其特征在于，所述产量预测值通过公式(2)确定：
Yieldi＝BIOsh*HIi    (2)
其中，Yieldi是指所述待预测作物在第i年的产量预测值，BIOsh是指所述待预测作物在收获期时地上部的预测生物量，HIi是指所述待预测作物在第i年的收获指数校正值。
8.一种机器可读存储介质，该机器可读存储介质上存储有指令，其特征在于，该指令在被处理器执行时使得所述处理器被配置成执行根据权利要求1至7中任一项所述的用于预测作物产量的方法。
9.一种处理器，其特征在于，被配置成执行根据权利要求1至7中任意一项所述的用于预测作物产量的方法。
10.一种的用于预测作物产量的装置，其特征在于，所述装置包括根据权利要求9所述的处理器。
CN202211708054.4A 2022-12-28 2022-12-28 用于预测作物产量的方法、装置、存储介质及处理器 Pending CN116070742A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211708054.4A CN116070742A (zh) 2022-12-28 2022-12-28 用于预测作物产量的方法、装置、存储介质及处理器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211708054.4A CN116070742A (zh) 2022-12-28 2022-12-28 用于预测作物产量的方法、装置、存储介质及处理器

Publications (1)

Publication Number Publication Date
CN116070742A true CN116070742A (zh) 2023-05-05

Family

ID=86179553

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211708054.4A Pending CN116070742A (zh) 2022-12-28 2022-12-28 用于预测作物产量的方法、装置、存储介质及处理器

Country Status (1)

Country Link
CN (1) CN116070742A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116629453A (zh) * 2023-07-18 2023-08-22 山东科技大学 一种适用于作物全生育时期的遥感估产方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116629453A (zh) * 2023-07-18 2023-08-22 山东科技大学 一种适用于作物全生育时期的遥感估产方法
CN116629453B (zh) * 2023-07-18 2023-10-24 山东科技大学 一种适用于作物全生育时期的遥感估产方法

Similar Documents

Publication Publication Date Title
EP3179319B1 (en) Method for irrigation planning and system for its implementation
CN108985588B (zh) 一种农作物单产遥感估算方法、装置与系统
CA3146167A1 (en) Crop yield forecasting models
CN109711102A (zh) 一种作物灾害损失快速评估方法
JP2019030253A (ja) 栽培支援装置、栽培支援方法、コンピュータプログラム及び記録媒体
CN115879653B (zh) 一种多因子农作物产量估算方法、设备及介质
CN112906298A (zh) 一种基于机器学习的蓝莓产量预测方法
CN115829162B (zh) 作物产量预测方法、装置、电子设备及介质
CN116070742A (zh) 用于预测作物产量的方法、装置、存储介质及处理器
Shahrin et al. Agricultural analysis and crop yield prediction of habiganj using multispectral bands of satellite imagery with machine learning
US20190012749A1 (en) Dynamic cost function calculation for agricultural users
CN114842338A (zh) 一种耦合遥感和气象数据的小麦条锈病预测方法及装置
JP7208503B2 (ja) 機械学習プログラム、機械学習方法および機械学習装置
CN117455066A (zh) 一种基于多策略优化随机森林的玉米种植精准配肥方法、电子设备及存储介质
JP2021157767A (ja) 作物状態推定プログラム、作物状態推定方法および作物状態推定装置
CN109657854B (zh) 一种作物需水量预测的方法、系统及设备
CN115486247B (zh) 用于确定肥料配比的方法、存储介质及处理器
CN114781767A (zh) 估算模型构建方法、估算方法、装置、计算机设备及介质
Zhang et al. Effects of direct heat stress on summer maize and risk assessment
Ahmed et al. Development of crop yield estimation model using soil and environmental parameters
US20160307135A1 (en) Scheduling Crop Transplantations
Deforce et al. Harnessing the power of transformers and data fusion in smart irrigation
JP2021174062A (ja) 機械学習プログラム、機械学習方法および機械学習装置
Islam et al. Bangladeshi Agricultural Product Forecasting Approach Using Permutation Driven Machine Learning Algorithm
CN117575836B (zh) 农作物生长适宜性评价方法、装置、电子设备和存储介质

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