CN116187525A - 结合气象的西北地区农作物产量遥感预测方法及装置 - Google Patents

结合气象的西北地区农作物产量遥感预测方法及装置 Download PDF

Info

Publication number
CN116187525A
CN116187525A CN202211648472.9A CN202211648472A CN116187525A CN 116187525 A CN116187525 A CN 116187525A CN 202211648472 A CN202211648472 A CN 202211648472A CN 116187525 A CN116187525 A CN 116187525A
Authority
CN
China
Prior art keywords
predicted
historical
yield
current
remote sensing
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
Application number
CN202211648472.9A
Other languages
English (en)
Other versions
CN116187525B (zh
Inventor
周会珍
陈晨
王联霞
于艳
翟静超
文强
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.)
Twenty First Century Aerospace Technology Co ltd
Original Assignee
Twenty First Century Aerospace Technology 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 Twenty First Century Aerospace Technology Co ltd filed Critical Twenty First Century Aerospace Technology Co ltd
Priority to CN202211648472.9A priority Critical patent/CN116187525B/zh
Publication of CN116187525A publication Critical patent/CN116187525A/zh
Application granted granted Critical
Publication of CN116187525B publication Critical patent/CN116187525B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开一种结合气象的西北地区农作物产量遥感预测方法及装置。本申请包括：确定待预测农作物对应的关键时相；获取每个采样地块对应的历史实测产量数据，根据关键时相确定待预测区域对应的历史遥感影像数据和当前遥感影像数据，根据关键时相确定待预测区域对应的历史气象数据和当前气象数据；根据每个采样地块对应的历史实测产量数据和待预测区域对应的历史遥感影像数据构建历史产量估算模型；根据待预测区域对应的历史气象数据和当前气象数据计算待预测区域对应的气象调节系数值；根据历史产量估算模型和气象调节系数构建产量预测模型，根据待预测区域对应的当前遥感影像数据、气象调节系数值和产量预测模型计算待预测区域对应的预测产量。

Description

结合气象的西北地区农作物产量遥感预测方法及装置
技术领域
本申请涉及农作物生产技术领域，尤其涉及一种结合气象的西北地区农作物产量遥感预测方法及装置。
背景技术
农作物生长状况的动态监测和产量预测，对于国家粮食政策的制定、农村经济的发展及对外粮食贸易都有重要意义。随着遥感技术的发展，高时间分辨率、高空间分辨率以及高波谱分辨率的遥感影像数据不断涌现，使得根据遥感影像数据估算农作物产量的精准度不断提高，从而使得利用遥感影像数据进行农作物产量的估算成为估产领域的趋势。
目前，在对某个区域内的某种农作物进行产量估算时，通常是在该区域内的该种农作物收获后，对采样地块进行实际测量，以获得采样地块中该种农作物的实测产量，再根据采样地块对应的遥感影像数据和采样地块中该种农作物的实测产量，对该区域内的该种农作物进行产量估算。然而，实测产量的获取往往具有较长的滞后性，这也使得遥感估产不能体现出及时性的优势。因此，不依赖实测数据的产量预测变得更为重要，而目前大多学者多以直接使用历史经验模型进行产量预测。由于气象因子在待预测农作物生长过程中的重要影响不可忽略，因此，不考虑气象因子对待预测农作物生长过程中的影响，直接对待预测区域内的待预测农作物进行产量预测的预测准确性较差。
发明内容
本申请实施例提供一种结合气象的西北地区农作物产量遥感预测方法及装置，主要目的在于提高对待预测区域内的待预测农作物进行产量预测的预测准确性。
为解决上述技术问题，本申请实施例提供如下技术方案：
第一方面，本申请提供了一种结合气象的西北地区农作物产量遥感预测方法，包括：
确定待预测农作物对应的关键时相，其中，待预测农作物为待预测区域内需要进行产量预测的农作物，所述待预测区域为西北地区内需要进行农作物产量预测的区域，所述待预测区域包含一个或多个采样地块；
获取每个所述采样地块对应的历史实测产量数据，并根据所述关键时相确定所述待预测区域对应的历史遥感影像数据和当前遥感影像数据，以及根据所述关键时相确定所述待预测区域对应的历史气象数据和当前气象数据；
根据每个所述采样地块对应的历史实测产量数据和所述待预测区域对应的历史遥感影像数据构建历史产量估算模型；
根据所述待预测区域对应的历史气象数据和当前气象数据计算所述待预测区域对应的气象调节系数值；
根据所述历史产量估算模型和气象调节系数构建产量预测模型，并根据所述待预测区域对应的当前遥感影像数据、气象调节系数值和所述产量预测模型计算所述待预测区域对应的预测产量。
可选的，所述根据每个所述采样地块对应的历史实测产量数据和所述待预测区域对应的历史遥感影像数据构建历史产量估算模型，包括：
根据所述待预测区域对应的历史遥感影像数据，计算每个所述采样地块对应的植被指数集合，其中，所述采样地块对应的植被指数集合包含每个植被指数对应的取值；
根据每个所述采样地块对应的历史实测产量数据和植被指数集合，构建每个所述植被指数对应的回归模型；
获取每个所述回归模型对应的拟合优度；
根据预置规则和每个所述回归模型对应的拟合优度在多个所述植被指数中选取多个目标植被指数；
根据多个所述目标植被指数构建估算模型，其中，所述估算模型包含多个目标系数；
根据每个所述采样地块对应的历史实测产量数据，计算每个所述目标系数的取值；
将每个所述目标系数的取值代入所述估算模型中，以获得所述历史产量估算模型。
可选的，所述历史气象数据包括历史平均温度值、历史总降水量值和历史总太阳辐射值，所述当前气象数据包括当前平均温度值、当前总降水量值和当前总太阳辐射值；所述根据所述待预测区域对应的历史气象数据和当前气象数据计算所述待预测区域对应的气象调节系数值，包括：
根据所述待预测农作物对应的种类、所述关键时相和预置数据表确定所述待预测农作物对应的平均温度参数权重系数、总降水量参数权重系数和总太阳辐射参数权重系数；
将所述平均温度参数权重系数、所述总降水量参数权重系数和所述总太阳辐射参数权重系数代入预设公式中，以获得气象调节系数值计算公式；
将所述待预测区域对应的历史平均温度值、历史总降水量值、历史总太阳辐射值、当前平均温度值、当前总降水量值和当前总太阳辐射值代入所述气象调节系数值计算公式中，以获得所述待预测区域对应的气象调节系数值。
可选的，所述方法还包括：
获取所述待预测区域对应的当前实测产量；
根据所述待预测区域对应的当前实测产量和预测产量，计算所述待预测区域对应的预测精度值。
可选的，所述获取每个所述采样地块对应的历史实测产量数据，并根据所述关键时相确定所述待预测区域对应的历史遥感影像数据和当前遥感影像数据，以及根据所述关键时相确定所述待预测区域对应的历史气象数据和当前气象数据，包括：
获取每个所述采样地块对应的历史实测产量数据和所述待预测区域对应的历史作物空间分布数据，并根据所述关键时相获取所述待预测区域对应的历史遥感影像数据和当前遥感影像数据，以及根据所述关键时相获取所述待预测区域对应的历史气象数据和当前气象数据；
分别对所述待预测区域对应的历史遥感影像数据和当前遥感影像数据进行第一预处理；
根据所述历史作物空间分布数据对每个所述采样地块对应的历史实测产量数据进行第二预处理；
分别对所述待预测区域对应的历史气象数据和当前气象数据进行第三预处理。
第二方面，本申请还提供一种结合气象的西北地区农作物产量遥感预测装置，包括：
第一确定单元，用于确定待预测农作物对应的关键时相，其中，待预测农作物为待预测区域内需要进行产量预测的农作物，所述待预测区域为西北地区内需要进行农作物产量预测的区域，所述待预测区域包含一个或多个采样地块；
第二确定单元，用于获取每个所述采样地块对应的历史实测产量数据，并根据所述关键时相确定所述待预测区域对应的历史遥感影像数据和当前遥感影像数据，以及根据所述关键时相确定所述待预测区域对应的历史气象数据和当前气象数据；
构建单元，用于根据每个所述采样地块对应的历史实测产量数据和所述待预测区域对应的历史遥感影像数据构建历史产量估算模型；
第一计算单元，用于根据所述待预测区域对应的历史气象数据和当前气象数据计算所述待预测区域对应的气象调节系数值；
第二计算单元，用于根据所述历史产量估算模型和气象调节系数构建产量预测模型，并根据所述待预测区域对应的当前遥感影像数据、气象调节系数值和所述产量预测模型计算所述待预测区域对应的预测产量。
可选的，所述构建单元，具体用于：根据所述待预测区域对应的历史遥感影像数据，计算每个所述采样地块对应的植被指数集合，其中，所述采样地块对应的植被指数集合包含每个植被指数对应的取值；根据每个所述采样地块对应的历史实测产量数据和植被指数集合，构建每个所述植被指数对应的回归模型；获取每个所述回归模型对应的拟合优度；根据预置规则和每个所述回归模型对应的拟合优度在多个所述植被指数中选取多个目标植被指数；根据多个所述目标植被指数构建估算模型，其中，所述估算模型包含多个目标系数；根据每个所述采样地块对应的历史实测产量数据，计算每个所述目标系数的取值；将每个所述目标系数的取值代入所述估算模型中，以获得所述历史产量估算模型。
可选的，所述历史气象数据包括历史平均温度值、历史总降水量值和历史总太阳辐射值，所述当前气象数据包括当前平均温度值、当前总降水量值和当前总太阳辐射值；所述第一计算单元，具体用于：根据所述待预测农作物对应的种类、所述关键时相和预置数据表确定所述待预测农作物对应的平均温度参数权重系数、总降水量参数权重系数和总太阳辐射参数权重系数；将所述平均温度参数权重系数、所述总降水量参数权重系数和所述总太阳辐射参数权重系数代入预设公式中，以获得气象调节系数值计算公式；将所述待预测区域对应的历史平均温度值、历史总降水量值、历史总太阳辐射值、当前平均温度值、当前总降水量值和当前总太阳辐射值代入所述气象调节系数值计算公式中，以获得所述待预测区域对应的气象调节系数值。
可选的，所述装置还包括：
获取单元，用于获取所述待预测区域对应的当前实测产量；
第三计算单元，用于根据所述待预测区域对应的当前实测产量和预测产量，计算所述待预测区域对应的预测精度值。
可选的，所述第二确定单元，具体用于：获取每个所述采样地块对应的历史实测产量数据和所述待预测区域对应的历史作物空间分布数据，并根据所述关键时相获取所述待预测区域对应的历史遥感影像数据和当前遥感影像数据，以及根据所述关键时相获取所述待预测区域对应的历史气象数据和当前气象数据；分别对所述待预测区域对应的历史遥感影像数据和当前遥感影像数据进行第一预处理；根据所述历史作物空间分布数据对每个所述采样地块对应的历史实测产量数据进行第二预处理；分别对所述待预测区域对应的历史气象数据和当前气象数据进行第三预处理。
第三方面，本申请的实施例提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行第一方面所述的结合气象的西北地区农作物产量遥感预测方法。
第四方面，本申请的实施例提供了一种结合气象的西北地区农作物产量遥感预测装置，所述装置包括存储介质；及一个或者多个处理器，所述存储介质与所述处理器耦合，所述处理器被配置为执行所述存储介质中存储的程序指令；所述程序指令运行时执行第一方面所述的结合气象的西北地区农作物产量遥感预测方法。
借由上述技术方案，本申请提供的技术方案至少具有下列优点：
本申请提供一种结合气象的西北地区农作物产量遥感预测方法及装置，本申请能够在农作物产量预测应用程序确定待预测农作物对应的关键时相后，由农作物产量预测应用程序先获取每个采样地块对应的历史实测产量数据，并根据关键时相确定待预测区域对应的历史遥感影像数据和当前遥感影像数据，以及根据关键时相确定待预测区域对应的历史气象数据和当前气象数据，再根据每个采样地块对应的历史实测产量数据和待预测区域对应的历史遥感影像数据构建历史产量估算模型，然后根据待预测区域对应的历史气象数据和当前气象数据计算待预测区域对应的气象调节系数值，最后根据历史产量估算模型和气象调节系数构建产量预测模型，并根据待预测区域对应的当前遥感影像数据、气象调节系数值和产量预测模型计算待预测区域对应的预测产量。由于，在本申请中，先根据待预测区域对应的历史气象数据和当前气象数据计算待预测区域对应的气象调节系数值，再基于待预测区域对应的当前遥感影像数据和气象调节系数值，计算今年每个像元内待预测农作物的预测产量，即考虑了气象因子对待预测农作物生长过程中的影响，因此，有效提高对待预测区域内的待预测农作物进行产量预测的预测准确性。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，相同或对应的标号表示相同或对应的部分，其中：
图1示出了本申请实施例提供的一种结合气象的西北地区农作物产量遥感预测方法流程图；
图2示出了本申请实施例提供的另一种结合气象的西北地区农作物产量遥感预测方法流程图；
图3示出了本申请实施例提供的一种结合气象的西北地区农作物产量遥感预测装置的组成框图；
图4示出了本申请实施例提供的另一种结合气象的西北地区农作物产量遥感预测装置的组成框图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施方式。虽然附图中显示了本申请的示例性实施方式，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
本申请实施例提供一种结合气象的西北地区农作物产量遥感预测方法，具体如图1所示，该方法包括：
101、确定待预测农作物对应的关键时相。
其中，待预测农作物为待预测区域内需要进行产量预测的农作物，待预测农作物对应的关键时相为对待预测农作物进行产量预测的最佳估产时相，待预测农作物可以但不限于为：玉米、小麦、水稻等等；待预测区域为西北地区内需要进行农作物产量预测的区域，待预测区域包含一个或多个采样地块。
需要进行说明的是，在本申请实施例中，各个步骤中的执行主体可以为运行在终端设备中的农作物产量预测应用程序，其中，终端设备可以但不限于为：计算机、智能手机、平板电脑等等。
在本申请实施例中，为了保证对待预测区域内的待预测农作物进行产量预测的精准度，农作物产量预测应用程序首先需要确定待预测农作物对应的关键时相。
具体的，在本步骤中，农作物产量预测应用程序可以根据待预测区域的区域概况和待预测农作物的物候期确定待预测农作物对应的关键时相，但不限于此。
102、获取每个采样地块对应的历史实测产量数据，并根据关键时相确定待预测区域对应的历史遥感影像数据和当前遥感影像数据，以及根据关键时相确定待预测区域对应的历史气象数据和当前气象数据。
其中，对于任意一个采样地块而言，该采样地块对应的历史实测产量数据为去年该采样地块内待预测农作物的实测产量，待预测区域对应的历史遥感影像数据为去年关键时相内待预测区域对应的遥感影像数据，待预测区域对应的当前遥感影像数据为今年关键时相内待预测区域对应的遥感影像数据，待预测区域对应的历史气象数据为去年关键时相内待预测区域对应的气象数据，待预测区域对应的当前气象数据为今年关键时相内待预测区域对应的气象数据。
在本申请实施例中，农作物产量预测应用程序在确定待预测农作物对应的关键时相后，便需要获取每个采样地块对应的历史实测产量数据，并根据关键时相确定待预测区域对应的历史遥感影像数据和当前遥感影像数据，以及根据关键时相确定待预测区域对应的历史气象数据和当前气象数据。
103、根据每个采样地块对应的历史实测产量数据和待预测区域对应的历史遥感影像数据构建历史产量估算模型。
在本申请实施例中，农作物产量预测应用程序在获取每个采样地块对应的历史实测产量数据，并根据关键时相确定待预测区域对应的历史遥感影像数据和当前遥感影像数据，以及根据关键时相确定待预测区域对应的历史气象数据和当前气象数据后，便需要根据每个采样地块对应的历史实测产量数据和待预测区域对应的历史遥感影像数据构建历史产量估算模型。
104、根据待预测区域对应的历史气象数据和当前气象数据计算待预测区域对应的气象调节系数值。
在本申请实施例中，为了提高对待预测区域内的待预测农作物进行产量预测的精准度，农作物产量预测应用程序在根据每个采样地块对应的历史实测产量数据和待预测区域对应的历史遥感影像数据构建历史产量估算模型后，需要根据待预测区域对应的历史气象数据和当前气象数据计算待预测区域对应的气象调节系数值。
105、根据历史产量估算模型和气象调节系数构建产量预测模型，并根据待预测区域对应的当前遥感影像数据、气象调节系数值和产量预测模型计算待预测区域对应的预测产量。
在本申请实施例中，农作物产量预测应用程序在根据待预测区域对应的历史气象数据和当前气象数据计算待预测区域对应的气象调节系数值后，便可根据历史产量估算模型和气象调节系数构建产量预测模型，并根据待预测区域对应的当前遥感影像数据、气象调节系数值和产量预测模型，计算今年待预测区域对应的预测产量。
本申请实施例提供一种结合气象的西北地区农作物产量遥感预测方法，本申请实施例能够在农作物产量预测应用程序确定待预测农作物对应的关键时相后，由农作物产量预测应用程序先获取每个采样地块对应的历史实测产量数据，并根据关键时相确定待预测区域对应的历史遥感影像数据和当前遥感影像数据，以及根据关键时相确定待预测区域对应的历史气象数据和当前气象数据，再根据每个采样地块对应的历史实测产量数据和待预测区域对应的历史遥感影像数据构建历史产量估算模型，然后根据待预测区域对应的历史气象数据和当前气象数据计算待预测区域对应的气象调节系数值，最后根据历史产量估算模型和气象调节系数构建产量预测模型，并根据待预测区域对应的当前遥感影像数据、气象调节系数值和产量预测模型计算待预测区域对应的预测产量。由于，在本申请实施例中，先根据待预测区域对应的历史气象数据和当前气象数据计算待预测区域对应的气象调节系数值，再基于待预测区域对应的当前遥感影像数据和气象调节系数值，计算今年每个像元内待预测农作物的预测产量，即考虑了气象因子对待预测农作物生长过程中的影响，因此，有效提高对待预测区域内的待预测农作物进行产量预测的预测准确性。
以下为了更加详细地说明，本申请实施例提供了另一种结合气象的西北地区农作物产量遥感预测方法，具体如图2所示，该方法包括：
201、确定待预测农作物对应的关键时相。
其中，关于步骤201、确定待预测农作物对应的关键时相，可以参考图1对应部分的描述，本申请实施例此处将不再赘述。
202、获取每个采样地块对应的历史实测产量数据，并根据关键时相确定待预测区域对应的历史遥感影像数据和当前遥感影像数据，以及根据关键时相确定待预测区域对应的历史气象数据和当前气象数据。
在本申请实施例中，农作物产量预测应用程序在确定待预测农作物对应的关键时相后，便需要获取每个采样地块对应的历史实测产量数据，并根据关键时相确定待预测区域对应的历史遥感影像数据和当前遥感影像数据，以及根据关键时相确定待预测区域对应的历史气象数据和当前气象数据。
具体的，在本步骤中，农作物产量预测应用程序获取每个采样地块对应的历史实测产量数据，并根据关键时相确定待预测区域对应的历史遥感影像数据和当前遥感影像数据，以及根据关键时相确定待预测区域对应的历史气象数据和当前气象数据的具体过程为：
(1)获取每个采样地块对应的历史实测产量数据和待预测区域对应的历史作物空间分布数据，并根据关键时相获取待预测区域对应的历史遥感影像数据和当前遥感影像数据，以及根据关键时相获取待预测区域对应的历史气象数据和当前气象数据。
其中，待预测区域对应的历史作物空间分布数据用于表明去年待预测区域内各种农作物的分布情况。
(2)分别对待预测区域对应的历史遥感影像数据和当前遥感影像数据进行第一预处理，以获得待预测区域包含的每个像元对应的历史遥感影像数据和当前遥感影像数据。
其中，待预测区域包含多个像元，对于待预测区域包含任意一个像元而言，该像元对应的历史遥感影像数据为去年关键时相内该像元对应的遥感影像数据，该像元对应的当前遥感影像数据为今年关键时相内该像元对应的遥感影像数据；第一预处理具体包括：(1)重采样处理；(2)坐标系转换处理。
(3)根据历史作物空间分布数据对每个采样地块对应的历史实测产量数据进行第二预处理，以剔除不合理数据。
其中，第二预处理具体为筛选处理；
(4)分别对待预测区域对应的历史气象数据和当前气象数据进行第三预处理，以获得待预测区域包含的每个像元对应的历史气象数据和当前气象数据。
其中，对于待预测区域包含任意一个像元而言，该像元对应的历史气象数据为去年关键时相内该像元对应的气象数据，该像元对应的当前气象数据为今年关键时相内该像元对应的气象数据；第三预处理具体包括：(1)格式转换处理；(2)空间插值处理。
203、根据每个采样地块对应的历史实测产量数据和待预测区域对应的历史遥感影像数据构建历史产量估算模型。
在本申请实施例中，农作物产量预测应用程序在获取每个采样地块对应的历史实测产量数据，并根据关键时相确定待预测区域对应的历史遥感影像数据和当前遥感影像数据，以及根据关键时相确定待预测区域对应的历史气象数据和当前气象数据后，便需要根据每个采样地块对应的历史实测产量数据和待预测区域对应的历史遥感影像数据构建历史产量估算模型。
具体的，在本步骤中，农作物产量预测应用程序根据每个采样地块对应的历史实测产量数据和待预测区域对应的历史遥感影像数据构建历史产量估算模型的具体过程为：
(1)根据待预测区域对应的历史遥感影像数据，计算每个采样地块对应的植被指数集合。
其中，采样地块对应的植被指数集合包含每个植被指数对应的取值；其中，多个植被指数可以但不限于为：绿色归一化植被指数(GNDVI)、归一化植被指数(NDVI)、差值植被指数(DVI)、作物氮反应指数(NRI)、调整土壤亮度的植被指数(OSAVI)、植被衰减指数(PSRI)、比值植被指数(RVI)、土壤调整植被指数(SAVI)和结构加强色素植被指数(SIPI)。
(2)根据每个采样地块对应的历史实测产量数据和植被指数集合，构建每个植被指数对应的回归模型。
(3)获取每个回归模型对应的拟合优度。
(4)根据预置规则和每个回归模型对应的拟合优度在多个植被指数中选取多个目标植被指数。
其中，预置规则具体为：对多个回归模型对应的拟合优度按照从大到小顺序进行排序，将排序前三的回归模型对应的植被指数确定为目标植被指数。
(5)根据多个目标植被指数构建估算模型。
其中，估算模型包含多个目标系数；其中，估算模型具体如下：
Y估＝a+a1*X1+a2*X2+a3*X3
其中，X1、X2和X3为目标植被指数，a、a1、a2和a3为目标系数。
(5)根据每个采样地块对应的历史实测产量数据和待预测区域对应的历史遥感影像数据，计算每个目标系数的取值。
(6)将每个目标系数的取值代入估算模型中，以获得历史产量估算模型。
204、根据待预测区域对应的历史气象数据和当前气象数据计算待预测区域对应的气象调节系数值。
其中，历史气象数据包括历史平均温度值、历史总降水量值和历史总太阳辐射值，当前气象数据包括当前平均温度值、当前总降水量值和当前总太阳辐射值。
在本申请实施例中，为了提高对待预测区域内的待预测农作物进行产量预测的精准度，农作物产量预测应用程序在根据每个采样地块对应的历史实测产量数据和待预测区域对应的历史遥感影像数据构建历史产量估算模型后，需要根据待预测区域对应的历史气象数据和当前气象数据计算待预测区域对应的气象调节系数值。
具体的，在本步骤中，农作物产量预测应用程序根据待预测区域对应的历史气象数据和当前气象数据计算待预测区域对应的气象调节系数值的具体过程为：
(1)根据待预测农作物对应的种类、关键时相和预置数据表确定待预测农作物对应的平均温度参数权重系数、总降水量参数权重系数和总太阳辐射参数权重系数。
其中，预置数据表中记录有不同季节内秋种夏收类农作物对应的平均温度参数权重系数、总降水量参数权重系数和总太阳辐射参数权重系数和不同季节内春种秋收类农作物对应的平均温度参数权重系数、总降水量参数权重系数和总太阳辐射参数权重系数；其中，待预测农作物对应的平均温度参数权重系数、总降水量参数权重系数和总太阳辐射参数权重系数的和为1。
在本申请实施例中，首先，根据待预测农作物对应的种类确定待预测农作物是秋种夏收类农作物，还是春种秋收类农作物；然后，确定待预测农作物对应的关键时相所处的季节；最后，根据待预测农作物的种类(即秋种夏收类农作物或春种秋收类农作物)和待预测农作物对应的关键时相所处季节，在预置数据表中查找待预测农作物对应的平均温度参数权重系数、总降水量参数权重系数和总太阳辐射参数权重系数。
(2)将待预测农作物对应的平均温度参数权重系数、总降水量参数权重系数和总太阳辐射参数权重系数代入预设公式中，以获得气象调节系数值计算公式。
其中，预设公式具体如下：
Figure BDA0004010853260000131
其中，CMRI为气象调节系数值，tmp1为当前平均温度值，tmp2为历史平均温度值，tpre1为当前总降水量值，tpre2为历史总降水量值，sd1为当前总太阳辐射值，sd2为历史总太阳辐射值，a为平均温度参数权重系数，b为总降水量参数权重系数，c为总太阳辐射参数权重系数。
(3)将待预测区域对应的历史平均温度值、历史总降水量值、历史总太阳辐射值、当前平均温度值、当前总降水量值和当前总太阳辐射值代入气象调节系数值计算公式中，以获得待预测区域对应的气象调节系数值，即分别将待预测区域包含的每个像元对应的历史平均温度值、历史总降水量值、历史总太阳辐射值、当前平均温度值、当前总降水量值和当前总太阳辐射值代入气象调节系数值计算公式中，以获得每个像元对应的气象调节系数值。
205、根据历史产量估算模型和气象调节系数构建产量预测模型，并根据待预测区域对应的当前遥感影像数据、气象调节系数值和产量预测模型计算待预测区域对应的预测产量。
在本申请实施例中，农作物产量预测应用程序在根据待预测区域对应的历史气象数据和当前气象数据计算待预测区域对应的气象调节系数值后，便可根据历史产量估算模型和气象调节系数构建产量预测模型，并根据待预测区域对应的当前遥感影像数据、气象调节系数值和产量预测模型，计算今年待预测区域对应的预测产量。
其中，产量预测模型具体如下：
Y预＝历史产量估算模型*气象调节系数
具体的，在本步骤中，农作物产量预测应用程序根据待预测区域对应的当前遥感影像数据、气象调节系数值和产量预测模型计算待预测区域对应的预测产量的具体过程为：
对于待预测区域包含任意一个像元而言，首先，根据该像元对应的当前遥感影像数据计算每个目标植被指数的取值；其次，将每个目标植被指数的取值和该像元对应的气象调节系数值代入产量预测模型中，以获得该像元对应的预测产量。
206、计算待预测区域对应的预测精度值。
在本申请实施例中，在今年收获待预测区域内的待预测农作物后，农作物产量预测应用程序还可以验证计算获得的待预测区域对应的预测产量的精准度，其具体过程为：
(1)获取待预测区域对应的当前实测产量。
其中，待预测区域对应的当前实测产量为今年待预测区域内每个采样地块内待预测农作物的实测产量。
(2)根据待预测区域对应的当前实测产量和预测产量，计算待预测区域对应的预测精度值。
其中，待预测区域对应的预测产量具体为待预测区域内每个采样地块对应的预测产量。
其中，对于任意一个采样地块而言，先计算该采样地块对应的预测产量与当前实测产量的差值绝对值，以获得第一计算结果，再计算第一计算结果与该采样地块对应的当前实测产量的比值，以获得第二计算结果，再计算1与第二计算结果的差值，以获得第三计算结果，并将第三计算结果确定为该采样地块对应的预测精度值；在计算得到每个采样地块对应的预测精度值后，便可计算多个采样地块对应的预测精度值的平均值，以获得第四计算结果，并将第四计算结果确定为待预测区域对应的预测精度值。
进一步的，作为对上述图1及图2所示方法的实现，本申请另一实施例还提供了一种结合气象的西北地区农作物产量遥感预测装置。该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。该装置应用于提高对待预测区域内的待预测农作物进行产量预测的预测准确性，具体如图3所示，该装置包括：
第一确定单元31，用于确定待预测农作物对应的关键时相，其中，待预测农作物为待预测区域内需要进行产量预测的农作物，所述待预测区域为西北地区内需要进行农作物产量预测的区域，所述待预测区域包含一个或多个采样地块；
第二确定单元32，用于获取每个所述采样地块对应的历史实测产量数据，并根据所述关键时相确定所述待预测区域对应的历史遥感影像数据和当前遥感影像数据，以及根据所述关键时相确定所述待预测区域对应的历史气象数据和当前气象数据；
构建单元33，用于根据每个所述采样地块对应的历史实测产量数据和所述待预测区域对应的历史遥感影像数据构建历史产量估算模型；
第一计算单元34，用于根据所述待预测区域对应的历史气象数据和当前气象数据计算所述待预测区域对应的气象调节系数值；
第二计算单元35，用于根据所述历史产量估算模型和气象调节系数构建产量预测模型，并根据所述待预测区域对应的当前遥感影像数据、气象调节系数值和所述产量预测模型计算所述待预测区域对应的预测产量。
进一步的，如图4所示，构建单元33，具体用于：根据所述待预测区域对应的历史遥感影像数据，计算每个所述采样地块对应的植被指数集合，其中，所述采样地块对应的植被指数集合包含每个植被指数对应的取值；根据每个所述采样地块对应的历史实测产量数据和植被指数集合，构建每个所述植被指数对应的回归模型；获取每个所述回归模型对应的拟合优度；根据预置规则和每个所述回归模型对应的拟合优度在多个所述植被指数中选取多个目标植被指数；根据多个所述目标植被指数构建估算模型，其中，所述估算模型包含多个目标系数；根据每个所述采样地块对应的历史实测产量数据，计算每个所述目标系数的取值；将每个所述目标系数的取值代入所述估算模型中，以获得所述历史产量估算模型。
进一步的，如图4所示，所述历史气象数据包括历史平均温度值、历史总降水量值和历史总太阳辐射值，所述当前气象数据包括当前平均温度值、当前总降水量值和当前总太阳辐射值；第一计算单元34，具体用于：根据所述待预测农作物对应的种类、所述关键时相和预置数据表确定所述待预测农作物对应的平均温度参数权重系数、总降水量参数权重系数和总太阳辐射参数权重系数；将所述平均温度参数权重系数、所述总降水量参数权重系数和所述总太阳辐射参数权重系数代入预设公式中，以获得气象调节系数值计算公式；将所述待预测区域对应的历史平均温度值、历史总降水量值、历史总太阳辐射值、当前平均温度值、当前总降水量值和当前总太阳辐射值代入所述气象调节系数值计算公式中，以获得所述待预测区域对应的气象调节系数值。
进一步的，如图4所示，该装置还包括：
获取单元36，用于获取所述待预测区域对应的当前实测产量；
第三计算单元37，用于根据所述待预测区域对应的当前实测产量和预测产量，计算所述待预测区域对应的预测精度值。
进一步的，如图4所示，第二确定单元32，具体用于：获取每个所述采样地块对应的历史实测产量数据和所述待预测区域对应的历史作物空间分布数据，并根据所述关键时相获取所述待预测区域对应的历史遥感影像数据和当前遥感影像数据，以及根据所述关键时相获取所述待预测区域对应的历史气象数据和当前气象数据；分别对所述待预测区域对应的历史遥感影像数据和当前遥感影像数据进行第一预处理；根据所述历史作物空间分布数据对每个所述采样地块对应的历史实测产量数据进行第二预处理；分别对所述待预测区域对应的历史气象数据和当前气象数据进行第三预处理。
本申请实施例提供一种结合气象的西北地区农作物产量遥感预测方法及装置，本申请实施例能够在农作物产量预测应用程序确定待预测农作物对应的关键时相后，由农作物产量预测应用程序先获取每个采样地块对应的历史实测产量数据，并根据关键时相确定待预测区域对应的历史遥感影像数据和当前遥感影像数据，以及根据关键时相确定待预测区域对应的历史气象数据和当前气象数据，再根据每个采样地块对应的历史实测产量数据和待预测区域对应的历史遥感影像数据构建历史产量估算模型，然后根据待预测区域对应的历史气象数据和当前气象数据计算待预测区域对应的气象调节系数值，最后根据历史产量估算模型和气象调节系数构建产量预测模型，并根据待预测区域对应的当前遥感影像数据、气象调节系数值和产量预测模型计算待预测区域对应的预测产量。由于，在本申请实施例中，先根据待预测区域对应的历史气象数据和当前气象数据计算待预测区域对应的气象调节系数值，再基于待预测区域对应的当前遥感影像数据和气象调节系数值，计算今年每个像元内待预测农作物的预测产量，即考虑了气象因子对待预测农作物生长过程中的影响，因此，有效提高对待预测区域内的待预测农作物进行产量预测的预测准确性。
本申请实施例提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述所述的结合气象的西北地区农作物产量遥感预测方法。
存储介质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)，存储器包括至少一个存储芯片。
本申请实施例还提供了一种结合气象的西北地区农作物产量遥感预测装置，所述装置包括存储介质；及一个或者多个处理器，所述存储介质与所述处理器耦合，所述处理器被配置为执行所述存储介质中存储的程序指令；所述程序指令运行时执行上述所述的结合气象的西北地区农作物产量遥感预测方法。
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：
确定待预测农作物对应的关键时相，其中，待预测农作物为待预测区域内需要进行产量预测的农作物，所述待预测区域为西北地区内需要进行农作物产量预测的区域，所述待预测区域包含一个或多个采样地块；
获取每个所述采样地块对应的历史实测产量数据，并根据所述关键时相确定所述待预测区域对应的历史遥感影像数据和当前遥感影像数据，以及根据所述关键时相确定所述待预测区域对应的历史气象数据和当前气象数据；
根据每个所述采样地块对应的历史实测产量数据和所述待预测区域对应的历史遥感影像数据构建历史产量估算模型；
根据所述待预测区域对应的历史气象数据和当前气象数据计算所述待预测区域对应的气象调节系数值；
根据所述历史产量估算模型和气象调节系数构建产量预测模型，并根据所述待预测区域对应的当前遥感影像数据、气象调节系数值和所述产量预测模型计算所述待预测区域对应的预测产量。
进一步的，所述根据每个所述采样地块对应的历史实测产量数据和所述待预测区域对应的历史遥感影像数据构建历史产量估算模型，包括：
根据所述待预测区域对应的历史遥感影像数据，计算每个所述采样地块对应的植被指数集合，其中，所述采样地块对应的植被指数集合包含每个植被指数对应的取值；
根据每个所述采样地块对应的历史实测产量数据和植被指数集合，构建每个所述植被指数对应的回归模型；
获取每个所述回归模型对应的拟合优度；
根据预置规则和每个所述回归模型对应的拟合优度在多个所述植被指数中选取多个目标植被指数；
根据多个所述目标植被指数构建估算模型，其中，所述估算模型包含多个目标系数；
根据每个所述采样地块对应的历史实测产量数据，计算每个所述目标系数的取值；
将每个所述目标系数的取值代入所述估算模型中，以获得所述历史产量估算模型。
进一步的，所述历史气象数据包括历史平均温度值、历史总降水量值和历史总太阳辐射值，所述当前气象数据包括当前平均温度值、当前总降水量值和当前总太阳辐射值；所述根据所述待预测区域对应的历史气象数据和当前气象数据计算所述待预测区域对应的气象调节系数值，包括：
根据所述待预测农作物对应的种类、所述关键时相和预置数据表确定所述待预测农作物对应的平均温度参数权重系数、总降水量参数权重系数和总太阳辐射参数权重系数；
将所述平均温度参数权重系数、所述总降水量参数权重系数和所述总太阳辐射参数权重系数代入预设公式中，以获得气象调节系数值计算公式；
将所述待预测区域对应的历史平均温度值、历史总降水量值、历史总太阳辐射值、当前平均温度值、当前总降水量值和当前总太阳辐射值代入所述气象调节系数值计算公式中，以获得所述待预测区域对应的气象调节系数值。
进一步的，所述方法还包括：
获取所述待预测区域对应的当前实测产量；
根据所述待预测区域对应的当前实测产量和预测产量，计算所述待预测区域对应的预测精度值。
进一步的，所述获取每个所述采样地块对应的历史实测产量数据，并根据所述关键时相确定所述待预测区域对应的历史遥感影像数据和当前遥感影像数据，以及根据所述关键时相确定所述待预测区域对应的历史气象数据和当前气象数据，包括：
获取每个所述采样地块对应的历史实测产量数据和所述待预测区域对应的历史作物空间分布数据，并根据所述关键时相获取所述待预测区域对应的历史遥感影像数据和当前遥感影像数据，以及根据所述关键时相获取所述待预测区域对应的历史气象数据和当前气象数据；
分别对所述待预测区域对应的历史遥感影像数据和当前遥感影像数据进行第一预处理；
根据所述历史作物空间分布数据对每个所述采样地块对应的历史实测产量数据进行第二预处理；
分别对所述待预测区域对应的历史气象数据和当前气象数据进行第三预处理。
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，适于执行初始化有如下方法步骤的程序代码：确定待预测农作物对应的关键时相，其中，待预测农作物为待预测区域内需要进行产量预测的农作物，所述待预测区域为西北地区内需要进行农作物产量预测的区域，所述待预测区域包含一个或多个采样地块；获取每个所述采样地块对应的历史实测产量数据，并根据所述关键时相确定所述待预测区域对应的历史遥感影像数据和当前遥感影像数据，以及根据所述关键时相确定所述待预测区域对应的历史气象数据和当前气象数据；根据每个所述采样地块对应的历史实测产量数据和所述待预测区域对应的历史遥感影像数据构建历史产量估算模型；根据所述待预测区域对应的历史气象数据和当前气象数据计算所述待预测区域对应的气象调节系数值；根据所述历史产量估算模型和气象调节系数构建产量预测模型，并根据所述待预测区域对应的当前遥感影像数据、气象调节系数值和所述产量预测模型计算所述待预测区域对应的预测产量。
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。
本领域技术人员应明白，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。
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)

1.一种结合气象的西北地区农作物产量遥感预测方法，其特征在于，所述方法包括：
确定待预测农作物对应的关键时相，其中，待预测农作物为待预测区域内需要进行产量预测的农作物，所述待预测区域为西北地区内需要进行农作物产量预测的区域，所述待预测区域包含一个或多个采样地块；
获取每个所述采样地块对应的历史实测产量数据，并根据所述关键时相确定所述待预测区域对应的历史遥感影像数据和当前遥感影像数据，以及根据所述关键时相确定所述待预测区域对应的历史气象数据和当前气象数据；
根据每个所述采样地块对应的历史实测产量数据和所述待预测区域对应的历史遥感影像数据构建历史产量估算模型；
根据所述待预测区域对应的历史气象数据和当前气象数据计算所述待预测区域对应的气象调节系数值；
根据所述历史产量估算模型和气象调节系数构建产量预测模型，并根据所述待预测区域对应的当前遥感影像数据、气象调节系数值和所述产量预测模型计算所述待预测区域对应的预测产量。
2.根据权利要求1所述的方法，其特征在于，所述根据每个所述采样地块对应的历史实测产量数据和所述待预测区域对应的历史遥感影像数据构建历史产量估算模型，包括：
根据所述待预测区域对应的历史遥感影像数据，计算每个所述采样地块对应的植被指数集合，其中，所述采样地块对应的植被指数集合包含每个植被指数对应的取值；
根据每个所述采样地块对应的历史实测产量数据和植被指数集合，构建每个所述植被指数对应的回归模型；
获取每个所述回归模型对应的拟合优度；
根据预置规则和每个所述回归模型对应的拟合优度在多个所述植被指数中选取多个目标植被指数；
根据多个所述目标植被指数构建估算模型，其中，所述估算模型包含多个目标系数；
根据每个所述采样地块对应的历史实测产量数据，计算每个所述目标系数的取值；
将每个所述目标系数的取值代入所述估算模型中，以获得所述历史产量估算模型。
3.根据权利要求1所述的方法，其特征在于，所述历史气象数据包括历史平均温度值、历史总降水量值和历史总太阳辐射值，所述当前气象数据包括当前平均温度值、当前总降水量值和当前总太阳辐射值；所述根据所述待预测区域对应的历史气象数据和当前气象数据计算所述待预测区域对应的气象调节系数值，包括：
根据所述待预测农作物对应的种类、所述关键时相和预置数据表确定所述待预测农作物对应的平均温度参数权重系数、总降水量参数权重系数和总太阳辐射参数权重系数；
将所述平均温度参数权重系数、所述总降水量参数权重系数和所述总太阳辐射参数权重系数代入预设公式中，以获得气象调节系数值计算公式；
将所述待预测区域对应的历史平均温度值、历史总降水量值、历史总太阳辐射值、当前平均温度值、当前总降水量值和当前总太阳辐射值代入所述气象调节系数值计算公式中，以获得所述待预测区域对应的气象调节系数值。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述待预测区域对应的当前实测产量；
根据所述待预测区域对应的当前实测产量和预测产量，计算所述待预测区域对应的预测精度值。
5.根据权利要求1-4中任一项所述的方法，其特征在于，所述获取每个所述采样地块对应的历史实测产量数据，并根据所述关键时相确定所述待预测区域对应的历史遥感影像数据和当前遥感影像数据，以及根据所述关键时相确定所述待预测区域对应的历史气象数据和当前气象数据，包括：
获取每个所述采样地块对应的历史实测产量数据和所述待预测区域对应的历史作物空间分布数据，并根据所述关键时相获取所述待预测区域对应的历史遥感影像数据和当前遥感影像数据，以及根据所述关键时相获取所述待预测区域对应的历史气象数据和当前气象数据；
分别对所述待预测区域对应的历史遥感影像数据和当前遥感影像数据进行第一预处理；
根据所述历史作物空间分布数据对每个所述采样地块对应的历史实测产量数据进行第二预处理；
分别对所述待预测区域对应的历史气象数据和当前气象数据进行第三预处理。
6.一种结合气象的西北地区农作物产量遥感预测装置，其特征在于，所述装置包括：
第一确定单元，用于确定待预测农作物对应的关键时相，其中，待预测农作物为待预测区域内需要进行产量预测的农作物，所述待预测区域为西北地区内需要进行农作物产量预测的区域，所述待预测区域包含一个或多个采样地块；
第二确定单元，用于获取每个所述采样地块对应的历史实测产量数据，并根据所述关键时相确定所述待预测区域对应的历史遥感影像数据和当前遥感影像数据，以及根据所述关键时相确定所述待预测区域对应的历史气象数据和当前气象数据；
构建单元，用于根据每个所述采样地块对应的历史实测产量数据和所述待预测区域对应的历史遥感影像数据构建历史产量估算模型；
第一计算单元，用于根据所述待预测区域对应的历史气象数据和当前气象数据计算所述待预测区域对应的气象调节系数值；
第二计算单元，用于根据所述历史产量估算模型和气象调节系数构建产量预测模型，并根据所述待预测区域对应的当前遥感影像数据、气象调节系数值和所述产量预测模型计算所述待预测区域对应的预测产量。
7.根据权利要求6所述的装置，其特征在于，
所述构建单元，具体用于：根据所述待预测区域对应的历史遥感影像数据，计算每个所述采样地块对应的植被指数集合，其中，所述采样地块对应的植被指数集合包含每个植被指数对应的取值；根据每个所述采样地块对应的历史实测产量数据和植被指数集合，构建每个所述植被指数对应的回归模型；获取每个所述回归模型对应的拟合优度；根据预置规则和每个所述回归模型对应的拟合优度在多个所述植被指数中选取多个目标植被指数；根据多个所述目标植被指数构建估算模型，其中，所述估算模型包含多个目标系数；根据每个所述采样地块对应的历史实测产量数据，计算每个所述目标系数的取值；将每个所述目标系数的取值代入所述估算模型中，以获得所述历史产量估算模型。
8.根据权利要求6所述的装置，其特征在于，所述历史气象数据包括历史平均温度值、历史总降水量值和历史总太阳辐射值，所述当前气象数据包括当前平均温度值、当前总降水量值和当前总太阳辐射值；
所述第一计算单元，具体用于：根据所述待预测农作物对应的种类、所述关键时相和预置数据表确定所述待预测农作物对应的平均温度参数权重系数、总降水量参数权重系数和总太阳辐射参数权重系数；将所述平均温度参数权重系数、所述总降水量参数权重系数和所述总太阳辐射参数权重系数代入预设公式中，以获得气象调节系数值计算公式；将所述待预测区域对应的历史平均温度值、历史总降水量值、历史总太阳辐射值、当前平均温度值、当前总降水量值和当前总太阳辐射值代入所述气象调节系数值计算公式中，以获得所述待预测区域对应的气象调节系数值。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1-5中任一项所述的结合气象的西北地区农作物产量遥感预测方法。
10.一种结合气象的西北地区农作物产量遥感预测装置，其特征在于，所述装置包括存储介质；及一个或者多个处理器，所述存储介质与所述处理器耦合，所述处理器被配置为执行所述存储介质中存储的程序指令；所述程序指令运行时执行权利要求1-5中任一项所述的结合气象的西北地区农作物产量遥感预测方法。
CN202211648472.9A 2022-12-21 2022-12-21 结合气象的西北地区农作物产量遥感预测方法及装置 Active CN116187525B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211648472.9A CN116187525B (zh) 2022-12-21 2022-12-21 结合气象的西北地区农作物产量遥感预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211648472.9A CN116187525B (zh) 2022-12-21 2022-12-21 结合气象的西北地区农作物产量遥感预测方法及装置

Publications (2)

Publication Number Publication Date
CN116187525A true CN116187525A (zh) 2023-05-30
CN116187525B CN116187525B (zh) 2023-09-01

Family

ID=86441278

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211648472.9A Active CN116187525B (zh) 2022-12-21 2022-12-21 结合气象的西北地区农作物产量遥感预测方法及装置

Country Status (1)

Country Link
CN (1) CN116187525B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118246602A (zh) * 2024-04-10 2024-06-25 江西省农业科学院农业工程研究所 基于无人机图像的水稻产量预测方法和系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050234691A1 (en) * 2004-04-20 2005-10-20 Singh Ramesh P Crop yield prediction
CN108154267A (zh) * 2017-12-25 2018-06-12 深圳春沐源控股有限公司 一种施肥机的肥料参数调整方法及装置
US20190228477A1 (en) * 2018-01-22 2019-07-25 Weather Analytics Llc Method and System For Forecasting Crop Yield
CN111062526A (zh) * 2019-12-09 2020-04-24 北京师范大学 一种冬小麦单产预测方法及系统
US20200342226A1 (en) * 2019-04-23 2020-10-29 Farmers Edge Inc. Yield forecasting using crop specific features and growth stages
CN113255999A (zh) * 2021-05-25 2021-08-13 中国农业科学院农业信息研究所 基于多模型的农作物产量评估方法、装置、设备及介质
CN113378793A (zh) * 2021-07-09 2021-09-10 北京京东乾石科技有限公司 一种农作物产量预测方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050234691A1 (en) * 2004-04-20 2005-10-20 Singh Ramesh P Crop yield prediction
CN108154267A (zh) * 2017-12-25 2018-06-12 深圳春沐源控股有限公司 一种施肥机的肥料参数调整方法及装置
US20190228477A1 (en) * 2018-01-22 2019-07-25 Weather Analytics Llc Method and System For Forecasting Crop Yield
US20200342226A1 (en) * 2019-04-23 2020-10-29 Farmers Edge Inc. Yield forecasting using crop specific features and growth stages
CN111062526A (zh) * 2019-12-09 2020-04-24 北京师范大学 一种冬小麦单产预测方法及系统
CN113255999A (zh) * 2021-05-25 2021-08-13 中国农业科学院农业信息研究所 基于多模型的农作物产量评估方法、装置、设备及介质
CN113378793A (zh) * 2021-07-09 2021-09-10 北京京东乾石科技有限公司 一种农作物产量预测方法和装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118246602A (zh) * 2024-04-10 2024-06-25 江西省农业科学院农业工程研究所 基于无人机图像的水稻产量预测方法和系统

Also Published As

Publication number Publication date
CN116187525B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
Yue et al. A new accuracy evaluation method for water body extraction
CN111126662B (zh) 基于大数据的灌溉决策制定方法、装置、服务器和介质
CN113160183B (zh) 一种高光谱数据处理方法、设备及介质
CN116187525B (zh) 结合气象的西北地区农作物产量遥感预测方法及装置
CN113221464A (zh) 一种地面站点与遥感观测降水数据融合方法和装置
CN115344815B (zh) 考虑植被空间变化的天然径流变化归因分析方法和系统
Xue et al. Trajectory-based detection of urban expansion using Landsat time series
Tan et al. Estimation of leaf color variances of Cotinus coggygria based on geographic and environmental variables
CN116858785A (zh) 土壤镍浓度反演方法、装置、存储介质和计算机设备
CN117218552B (zh) 一种基于像元变化检测的估测算法优化方法及装置
Cheng et al. Quantifying corn LAI using machine learning and UAV multispectral imaging
CN113077384A (zh) 一种数据空间分辨率提高方法、装置、介质及终端设备
Li et al. Estimation of winter wheat LAI based on color indices and texture features of RGB images taken by UAV
Rao et al. Fast spatiotemporal data fusion: merging LISS III with AWiFS sensor data
CN109636018A (zh) 计算气温与气候因子遥相关关系的方法及装置
WO2023035066A1 (en) Soil property model using measurements of properties of nearby zones
CN112949182B (zh) 耦合地表土壤含水量的区域尺度最大气孔导度的计算方法
CN114579647A (zh) 一种面向多源异构湿地生态监测数据的融合模型
Chen et al. Trend forecast based approach for cropland change detection using Lansat-derived time-series metrics
JP5602283B1 (ja) 予測装置、予測方法及びコンピュータプログラム
CN117556956B (zh) 一种水稻单位面积产量估计方法及装置
Pi et al. Spatial enhanced spatiotemporal reflectance fusion model for heterogeneous regions with land cover change
CN118115883B (zh) 输电线路沿线农作物种植区识别方法、装置及设备
Solano-Correa et al. A land cover-driven approach for fitting satellite image time series in a change detection context
CN117540530B (zh) 一种基于高分辨率卫星影像的城市地表温度降尺度方法及装置

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhou Huizhen

Inventor after: Chen Chen

Inventor after: Wang Lianxia

Inventor after: Yu Yan

Inventor after: Zhai Jingchao

Inventor after: Wen Qiang

Inventor before: Zhou Huizhen

Inventor before: Chen Chen

Inventor before: Wang Lianxia

Inventor before: Yu Yan

Inventor before: Zhai Jingchao

Inventor before: Wen Qiang

GR01 Patent grant
GR01 Patent grant