CN116432859A - 一种作物产量统计数据降尺度方法 - Google Patents
一种作物产量统计数据降尺度方法 Download PDFInfo
- Publication number
- CN116432859A CN116432859A CN202310508663.3A CN202310508663A CN116432859A CN 116432859 A CN116432859 A CN 116432859A CN 202310508663 A CN202310508663 A CN 202310508663A CN 116432859 A CN116432859 A CN 116432859A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- yield
- variable
- crop
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000012549 training Methods 0.000 claims abstract description 91
- 238000009826 distribution Methods 0.000 claims abstract description 37
- 238000011160 research Methods 0.000 claims abstract description 33
- 230000001419 dependent effect Effects 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000012795 verification Methods 0.000 claims description 41
- 239000002689 soil Substances 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 16
- 238000004519 manufacturing process Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000012952 Resampling Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 230000007613 environmental effect Effects 0.000 description 12
- 235000010469 Glycine max Nutrition 0.000 description 10
- 244000068988 Glycine max Species 0.000 description 10
- 230000000007 visual effect Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000009467 reduction Effects 0.000 description 7
- 230000012010 growth Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 5
- 238000000746 purification Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000003698 anagen phase Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 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
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marine Sciences & Fisheries (AREA)
- Evolutionary Computation (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
Abstract
本申请涉及一种作物产量统计数据降尺度方法，其包括在研究时间范围内获取遥感变量影像数据；使用农作物空间分布数据对所述遥感变量影像数据进行掩膜处理，提取待估产区域；求取所述待估产区域的像元在县级尺度行政单元中的平均值，并获取待估产区域内各县各年的作物单产统计数据，得到模型训练自变量和模型训练因变量；构建Cubist模型；将所述模型训练因变量和所述模型训练自变量输入所述Cubist模型进行训练，输出达到预设精度的Cubist模型，作为产量预估模型；采用所述产量预估模型反演研究区域内像素尺度的农作物产量，获取更高分辨率的作物产量网格数据集。本申请具有提高产量预估模型预测精度的技术效果。
Description
技术领域
本申请涉及农作物生产技术领域，尤其是涉及一种作物产量统计数据降尺度方法。
背景技术
粮食生产是自然再生产和经济再生产相互交织的生产过程，此过程存在着巨大的不确定性，导致粮食产业成为风险最高的产业之一。已有的作物产量数据多为各区域的统计文本数据，难以对区域内空间差异进行描述，严重影响粮食产量信息的提取与分析。对粮食产量统计数据进行降尺度(Downscaling)，可以更好地评估区域间粮食产量差异、供应能力与需求，有助于避免粮食短缺和价格波动。
目前，基于统计数据的降尺度方法被普遍应用到空间人口密度反演、社会经济指数空间化以及气候因子降尺度等方面，但针对作物产量方面，由于农作物生长时间周期长，并且其产量存在巨大的不确定性，使得基于作物产量的统计数据降尺度方法的实现存在有难度大、实现周期长、相关研究数量少的问题。
再者，现有的作物产量降尺度研究中，常用单一的植被指数如归一化差异植被指数(NDVI)、增强型植被指数(EVI)等对产量构建简单的线性模型，从而实现降尺度。这些模型的局限性在于只考虑了植被自身的参数，由此构建的估产模型过度简单化，导致模型的预测精度较低。
发明内容
为了提高预测精度，本申请提供了一种作物产量统计数据降尺度方法。
第一方面，本申请提供一种作物产量统计数据降尺度方法。
本申请是通过以下技术方案得以实现的：
一种作物产量统计数据降尺度方法，包括以下步骤，
在研究时间范围内获取各期的气象数据、植被指数数据和土壤数据，以及一期高程数据，作为遥感变量影像数据；
使用农作物空间分布数据对所述遥感变量影像数据进行掩膜处理，提取待估产区域；
求取所述待估产区域的像元在县级尺度行政单元中的平均值，得到与每个县区、每一年相对应的多元变量的统计数据，作为模型训练自变量，以及，将各县区待预测年份的前若干年产量数据作为模型训练自变量，并获取待估产区域内各县各年的作物单产统计数据，作为模型训练因变量；
基于M5模型树的拓展算法，预设模型树组的数量参数和最近邻样本的数量参数，构建Cubist模型；
将所述模型训练因变量和所述模型训练自变量输入所述Cubist模型进行训练，并进行精度验证，直至验证结果满足预设条件，输出达到预设精度的Cubist模型，作为产量预估模型；
采用所述产量预估模型反演研究区域内像素尺度的农作物产量，获取作物产量网格数据集。
本申请在一较佳示例中可以进一步配置为：所述将所述模型训练因变量和所述模型训练自变量输入所述Cubist模型进行训练，并进行精度验证，直至验证结果满足预设条件，输出达到预设精度的Cubist模型，作为产量预估模型的步骤包括，
基于所述模型训练因变量和所述模型训练自变量，筛选当前年份的数据作为验证集，筛选其它年份的数据作为训练集；
将所述训练集输入所述Cubist模型进行训练；
采用所述验证集对训练的Cubist模型的输出结果进行精度验证，其中，精度验证的指标包括决定系数、均方根误差和平均绝对误差；
当所述决定系数、所述均方根误差和所述平均绝对误差满足预设条件时，输出达到预设精度的Cubist模型，作为产量预估模型。
本申请在一较佳示例中可以进一步配置为：所述决定系数的计算公式包括，
式中，R2表示决定系数，
表示第i个样本的预测值，yi表示第i个样本的实际值，/>
表示样本实际值的平均值，n为样本总数。
本申请在一较佳示例中可以进一步配置为：所述均方根误差的计算公式包括，
式中，RMSE表示均方根误差，
表示第i个样本的预测值，yi表示第i个样本的实际值，n为样本总数。
本申请在一较佳示例中可以进一步配置为：所述平均绝对误差的计算公式包括，
式中，MAE表示平均绝对误差，
表示第i个样本的预测值，yi表示第i个样本的实际值，n为样本总数。
本申请在一较佳示例中可以进一步配置为：还包括以下步骤，
基于所述产量预估模型生产空间分布图，包括，
采用最邻近的重采样方法，统一所述待估产区域各变量影像的分辨率；
将相同分辨率的各变量影像的数据组成影像集合，逐像元提取所述影像集合中各像元的值，作为第一反演自变量；
将各县待预测年份之前两年的产量数据制成分辨率相同的栅格影像数据加入所述影像集合，作为第二反演自变量；
将所述第一反演自变量和所述第二反演自变量输入所述产量预估模型中，反演各变量影像的像素的产量值，生成研究区域内像素尺度的产量空间分布图。
本申请在一较佳示例中可以进一步配置为：还包括以下步骤，
若在像元取值过程中提取到影像背景或异常值的空值区域，则将反演结果对应位置的像元标记为空值。
第二方面，本申请提供一种作物产量统计数据降尺度装置。
本申请是通过以下技术方案得以实现的：
一种作物产量统计数据降尺度装置，包括，
影像数据模块，用于在研究时间范围内获取各期的气象数据、植被指数数据和土壤数据，以及一期高程数据，作为遥感变量影像数据；
待估产区域提取模块，用于使用农作物空间分布数据对所述遥感变量影像数据进行掩膜处理，提取待估产区域；
模型参数模块，用于求取所述待估产区域的像元在县级尺度行政单元中的平均值，得到与每个县区、每一年相对应的多元变量数据，作为模型训练自变量，以及，将各县区待预测年份之前若干年的产量数据作为模型训练自变量，并获取待估产区域内各县各年的作物单产统计数据，作为模型训练因变量；
模型构建模块，用于基于M5模型树的拓展算法，预设模型树组的数量参数和最近邻样本的数量参数，构建Cubist模型；
模型训练模块，用于将所述模型训练因变量和所述模型训练自变量输入所述Cubist模型进行训练，并进行精度验证，直至验证结果满足预设条件，输出达到预设精度的Cubist模型，作为产量预估模型；
反演模块，用于采用所述产量预估模型反演研究区域内像素尺度的农作物产量，获取作物产量网格数据集。
第三方面，本申请提供一种计算机设备。
本申请是通过以下技术方案得以实现的：
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一种作物产量统计数据降尺度方法的步骤。
第四方面，本申请提供一种计算机可读存储介质。
本申请是通过以下技术方案得以实现的：
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一种作物产量统计数据降尺度方法的步骤。
综上所述，与现有技术相比，本申请提供的技术方案带来的有益效果至少包括：
在研究时间范围内获取各期的气象数据、植被指数数据和土壤数据，以及一期高程数据，作为遥感变量影像数据，并使用农作物空间分布数据对获取的遥感变量影像数据进行掩膜处理，提取待估产区域，以综合考虑作物产量受到各类环境因素变化所带来的不同程度影响，结合地理位置、土壤、水文、气候等对作物生长的复杂过程进行深入分析，有利于后续数据的精准预测；求取待估产区域的像元在县级尺度行政单元中的平均值，得到与每个县区、每一年相对应的多元变量数据，作为模型训练自变量，以及，将各县区待预测年份之前若干年的产量数据作为模型训练自变量，并获取待估产区域内各县各年的作物单产统计数据，作为模型训练因变量，基于M5模型树的拓展算法，预设模型树组的数量参数和最近邻样本的数量参数，构建Cubist模型，再将模型训练因变量和模型训练自变量输入Cubist模型进行训练，并进行精度验证，直至验证结果满足预设条件，输出达到预设精度的Cubist模型，作为产量预估模型；采用产量预估模型反演研究区域内像素尺度的农作物产量，获取作物产量网格数据集具有更高分辨率，实现将数据反演到具有较高分辨率的空间网格的目的，使得获取的高分辨率网格数据采集的空间信息更加精细，且能够更好地反映事物在空间上的细微变化，相较于传统文本统计数据方法，本申请具有更高的信息丰富度和更准确的分析性能,极大提高了产量预估模型的预测精度，也聚焦了环境因素对降尺度效果提高方面的影响。
附图说明
图1为本申请一个示例性实施例提供的一种作物产量统计数据降尺度方法的主要流程示意图。
图2为本申请又一个示例性实施例提供的一种作物产量统计数据降尺度方法的整体流程图。
图3为本申请另一个示例性实施例提供的一种作物产量统计数据降尺度方法的模型逐年精度验证结果图。
图4为本申请一个示例性实施例提供的一种作物产量统计数据降尺度方法。
图5为本申请一个示例性实施例提供的一种作物产量统计数据降尺度装置的结构框图。
具体实施方式
本具体实施例仅仅是对本申请的解释，其并不是对本申请的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本申请的权利要求范围内都受到专利法的保护。
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。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。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
粮食生产是自然再生产和经济再生产相互交织的生产过程，此过程存在着巨大的不确定性，并且作物的产量受到各类环境因素变化所带来的不同程度影响。对粮食产量统计数据进行降尺度(Downscaling)，把大尺度、低分辨率的全球气候模式输出的信息转化为小尺度、高分辨率的区域地面气候变化信息，可以更好地评估区域间粮食产量差异、供应能力与需求，有助于避免粮食短缺和价格波动。
基于统计数据的降尺度方法目前被普遍应用到空间人口密度反演、社会经济指数空间化以及气候因子降尺度等方面。但针对作物产量方面，由于农作物生长时间周期长，并且其产量极易受到气候特征、地理位置、土壤温湿度等自然因素的影响，导致针对作物产量的统计数据降尺度的工作实现难度大、实现周期长、相关的研究数量少。
而已有的作物产量降尺度研究中，常用单一的植被指数如归一化差异植被指数(NDVI)、增强型植被指数(EVI)等对产量构建简单的线性模型实现降尺度，这些模型的局限性在于只考虑了植被自身的参数，而没有考虑到其它环境变量，如地理位置、土壤水文、气候等，也没有对作物生长这一复杂过程进行深入分析，由此构建的估产模型过度简单化，在环境因素对降尺度效果的提高方面缺乏探索。
因此，本申请提出了一种作物产量统计数据降尺度方法，为作物产量统计数据的降尺度反演提供一种多元环境因子与Cubist模型相结合，生产公里级作物产量网格数据的方法，通过获取多元作物产量影响因子的遥感影像，将此类数据在县级尺度的统计值和作物产量统计数据作为自变量与因变量，构建Cubist产量预估模型；再将统一到公里尺度下的各因子影像输入模型，从而实现作物产量统计数据的降尺度，获取高分辨率的作物产量网格数据集。
下面结合说明书附图对本申请实施例作进一步详细描述。
参照图1，本申请实施例提供一种作物产量统计数据降尺度方法，所述方法的主要步骤描述如下。
S1:在研究时间范围内获取各期的气象数据、植被指数数据和土壤数据，以及一期高程数据，作为遥感变量影像数据；
S2:使用农作物空间分布数据对所述遥感变量影像数据进行掩膜处理，提取待估产区域；
S3:求取所述待估产区域的像元在县级尺度行政单元中的平均值，得到与每个县区、每一年相对应的多元变量的统计数据，作为模型训练自变量，以及，将各县区待预测年份的前若干年产量数据作为模型训练自变量，并获取待估产区域内各县各年的作物单产统计数据，作为模型训练因变量；
S4:基于M5模型树的拓展算法，预设模型树组的数量参数和最近邻样本的数量参数，构建Cubist模型；
S5:将所述模型训练因变量和所述模型训练自变量输入所述Cubist模型进行训练，并进行精度验证，直至验证结果满足预设条件，输出达到预设精度的Cubist模型，作为产量预估模型；
S6:采用所述产量预估模型反演研究区域内像素尺度的农作物产量，获取作物产量网格数据集。
在一实施例中，S5:将所述模型训练因变量和所述模型训练自变量输入所述Cubist模型进行训练，并进行精度验证，直至验证结果满足预设条件，输出达到预设精度的Cubist模型，作为产量预估模型的步骤包括，
基于所述模型训练因变量和所述模型训练自变量，筛选当前年份的数据作为验证集，筛选其它年份的数据作为训练集；
将所述训练集输入所述Cubist模型进行训练；
采用所述验证集对训练的Cubist模型的输出结果进行精度验证，其中，精度验证的指标包括决定系数、均方根误差和平均绝对误差；
当所述决定系数、所述均方根误差和所述平均绝对误差满足预设条件时，输出达到预设精度的Cubist模型，作为产量预估模型。
在一实施例中，所述决定系数的计算公式包括，
式中，R2表示决定系数，
表示第i个样本的预测值，yi表示第i个样本的实际值，/>
表示样本实际值的平均值，n为样本总数。
在一实施例中，所述均方根误差的计算公式包括，
式中，RMSE表示均方根误差，
表示第i个样本的预测值，yi表示第i个样本的实际值，n为样本总数。
在一实施例中，所述平均绝对误差的计算公式包括，
式中，MAE表示平均绝对误差，
表示第i个样本的预测值，yi表示第i个样本的实际值，n为样本总数。
在一实施例中，一种作物产量统计数据降尺度方法还包括以下步骤，
基于所述产量预估模型生产空间分布图，包括，
采用最邻近的重采样方法，统一所述待估产区域各变量影像的分辨率；
将相同分辨率的各变量影像的数据组成影像集合，逐像元提取所述影像集合中各像元的值，作为第一反演自变量；
将各县待预测年份之前两年的产量数据制成分辨率相同的栅格影像数据加入所述影像集合，作为第二反演自变量；
将所述第一反演自变量和所述第二反演自变量输入所述产量预估模型中，反演各变量影像的像素的产量值，生成研究区域内像素尺度的产量空间分布图。
在一实施例中，还包括以下步骤，
若在像元取值过程中提取到影像背景或异常值的空值区域，则将反演结果对应位置的像元标记为空值。
上述各个实施例的具体描述步骤如下。
参照图2，首先，基于谷歌地球引擎平台(Google Earth Engine，GEE)获取在研究时间范围内获取各期的气象数据、植被指数数据和土壤数据，以及一期高程数据，作为遥感变量影像数据，以对多元变量数据进行批量下载，减少了数据来源不同的、多时相的、大范围的各环境因子的遥感影像数据下载时间，提高数据获取效率，节省人力成本。
同时，GEE为地理空间数据的下载、处理与分析提供了云平台，其公共数据集收集了近几十年来的海量多源遥感数据，并且仍在不断扩展和更新。
其中，获取研究区域内的遥感变量影像数据包括，
(1)气象数据，包括由MODIS数据生产的总蒸散量ET、总潜在蒸散量PET、日间地表温度LST_Day、夜间地表温度LST_Night，由PRISM提供的日均温度T_mean、日总降水量PPT以及由加州大学默塞德分校提供的干旱指数PDSI；
(2)植被指数数据，包括由MODIS数据生产的归一化植被指数NDVI、增强型植被指数EVI；
其中，ρR、ρNIR、ρBlue分别对应MODIS遥感影像的第1、第2、第3波段反射率。
(3)土壤数据，包括由ECMWF提供的浅层土壤、深层土壤的水含量与温度；
(4)高程数据，由航天飞机雷达地形测绘任务SRTM提供，只有一期。
上述14种数据皆可通过GEE下载得到。下载时，可通过相应的质量控制文件去除影像中的含云像元，最终得到每种变量在研究时间范围内的各期影像。
通过GEE下载建模所需的环境因子，并进行数据批量去云等预处理操作，省时省力，解决了传统数据下载与处理过程中在面对长周期大范围的空间数据时工作量大、工作难度高的问题，有效减少了时间成本，为实现大范围下的产量数据降尺度提供了更为实用的数据处理方式。
接着，使用农作物空间分布数据对所述遥感变量影像数据进行掩膜处理，提取待估产区域。
具体地，本申请使用的农作物空间分布数据来自USDA NASS发布的农作物分布图(Cropland Data Layer，CDL)。该数据自2006年后每年发布一期，空间分辨率为30m。从CDL中可得到目标农作物的种植区域。本申请中以大豆为例，使用对应年份的大豆空间分布图可对上述遥感变量影像数据进行掩膜处理。
为减小混合像元的影响，提高估产精度，在掩膜时，本申请将大豆空间分布图划分为与变量影像分辨率相同的格网，计算每个格网中大豆像元所占的面积比例。
若大豆面积占比超过预设比例，则将该格网保留，本实施例中，预设比例可以为80％，具体选择公式如下，
其中，Areacrop和Areabackground分别代表一个格网中的目标农作物的像元总面积与背景像元总面积。
最终选择出的格网即为待估产区域。
本申请中，利用混合像元纯化的方法提取作物纯净像元。在对特定作物进行降尺度建模时，所使用的作物空间分布数据的分辨率(例如30m)通常高于多元环境因子的影像数据(例如1000m)。若通过传统方法使用作物分布数据对环境因子进行掩膜处理，则会保留大量同时包含目标作物与其它作物的混合像元。
故本申请在掩膜过程中对作物耕地像元是否纯净进行判断，当且仅当耕地像元在环境因子像元内面积占比超过80％时，该像元才被认作该作物的纯净像元。
本申请对像元的提纯去除了混合像元对模型精度的影响，提高了数据准确性。该处理方法更为贴合实际，从而可以生产更贴近真实情况的产量降尺度空间网格数据。
基于待估产区域，求取待估产区域的像元在县级尺度行政单元中的平均值，得到与每个县区、每一年相对应的多元变量的统计数据，作为模型训练自变量，以及，将各县区待预测年份的前若干年产量数据作为模型训练自变量，并从网络获取待估产区域内各县各年的作物单产统计数据，作为模型训练因变量。
具体地，求取各期影像数据的待估产区域像元在县级尺度行政单元中的平均值，得到与每个县区、每一年相对应的多元变量数据，作为模型输入的自变量。
从USDA NASS获取研究区域内各县各年的目标农作物单产统计数据，如大豆单产统计数据，作为模型输入的因变量。
为表现各地区产量随时间逐渐增高的趋势，将各县区待预测年份的前若干年产量数据同样作为自变量输入模型。其中，若干可以为一年、两年、三年或更多。本实施例中，将各县区待预测年份之前两年的产量数据作为模型训练自变量。
本申请以大豆为例，从USDA NASS获取研究区域内各县各年的大豆单产统计数据，作为模型输入的因变量。
接着，基于M5模型树的拓展算法，预设模型树组的数量参数和最近邻样本的数量参数，构建Cubist模型。
Cubist是一个基于M5模型树的模型,该模型在模型树的每个内部节点测试特定的自变量,与本申请中将多元变量共同反演的方式高度契合。Cubist模型不仅考虑了作物自身在生长季内植被指数的长周期变化，还关注了自然环境因素和区域作物历史产量数据对作物产量预估的影响，因此该模型能更好地与真实作物生长进程相契合，在用于降尺度处理时不仅能获取高精度高分辨率的作物产量网格数据，还能挖掘出各类因子对产量的影响关系，以及因子间的相互关系，更符合实际应用的需要。
Cubist是一种基于M5模型树的集成学习算法。模型树也是一种决策树，相比于传统的分类回归树，模型树在叶子节点上是一个线性回归模型，而非一个具体的值，这使得Cubist模型可以通过一系列组合起来的分段线性模型很好地解决非线性问题。
此外，由于本申请中的模型输入变量较多，很容易产生冗余属性，而Cubist模型可以在有大量属性冗余的情况下提取有效信息，这对本申请中模型精度的提高是十分有效的。
本申请借助R语言中的cubist包来实现该模型，其主要需要确定的参数包括模型树组的数量参数committees和调整模型时使用到的最近邻样本的数量neighbors。
根据该模型算法原理，树的个数即committees的值越大，估算结果及模型精度越稳定。
本申请中，committees为最大值100，并根据模型参数组合中RMSE最小值对应的模型为最优模型的原则，使用网格搜索法，将neighbors的值定为4。
其次，将模型训练因变量和模型训练自变量输入Cubist模型进行训练，并进行精度验证，直至验证结果满足预设条件，输出达到预设精度的Cubist模型，作为产量预估模型。
具体地，将上述自变量与因变量输入模型进行训练，并进行逐年精度验证(即将当前年份作为验证集，使用其它年份数据作为训练集，逐年建立模型并验证)。
决定系数(Coefficient of determination,R2)、均方根误差(Root mean squareerror,RMSE)和平均绝对误差(Mean absolute error,MAE)作为模型的精度指标，其中，当RMSE、MAE越小，R2越大时，模型拟合效果越好，精度越高。
精度指标计算公式如下：
其中，
表示第i个样本的预测值，yi表示第i个样本的实际值，/>
表示样本实际值的平均值，n代表样本总数。
本实施例中，当R2高于0.7，且RMSE和MAE均小于10时(本申请中以蒲式耳每英亩为产量单位)，即可认为模型达到较优精度，此时输出Cubist模型，作为产量预估模型。
参照图3，各年精度验证结果如图所示，可见各年精度验证结果均维持在较高水平，可以用于生产空间分布图。
采用产量预估模型反演研究区域内像素尺度的农作物产量，获取高分辨率的作物产量网格数据集。
最后，基于产量预估模型生产空间分布图，包括，
采用最邻近的重采样方法，统一所述待估产区域各变量影像的分辨率；
将相同分辨率的各变量影像的数据组成影像集合，逐像元提取所述影像集合中各像元的值，作为第一反演自变量；
将各县待预测年份之前两年的产量数据制成分辨率相同的栅格影像数据加入所述影像集合，作为第二反演自变量；
将所述第一反演自变量和所述第二反演自变量输入所述产量预估模型中，反演各变量影像的像素的产量值，生成研究区域内像素尺度的产量空间分布图。
具体地，为生产产量空间分布图，需将各变量影像统一分辨率。本申请使用最邻近的重采样方法将得到的各变量待估产区域影像重采样至1km空间分辨率。
再将相同分辨率的各变量影像数据组成影像集合，逐像元提取影像集合中各像元的值，作为降尺度反演的自变量，输入构建好的Cubist模型中进行训练。
为表现产量随时间的变化趋势，将各县待预测年份之前两年的产量数据制成分辨率相同的栅格影像数据(一个县区内各个像元的值均相同，等于该县区待预测年份去年或前年的产量)，加入影像集合，同样作为自变量输入模型。
参照图4，通过模型反演各像素的产量值，生成研究区域内像素尺度的产量空间分布图，本实施例中以大豆为例。
进一步地，若在像元取值过程中取到曾为影像背景或异常值的空值区域，则直接将反演结果对应位置的像元也标记为空值，以提高反演效率。
进一步地，为了减少模型的输入数据量，在使用农作物空间分布数据对所述遥感变量影像数据进行掩膜处理前，先对每种变量的各期影像在目标作物生长季内做聚合处理。
根据美国农业部国家农业统计局(USDA National Agricultural StatisticsService)发布的农作物种植进度数据(Crop Progress Report)，不同农作物在生长季内可分为不同生长阶段。本申请中以大豆为例，可将其生长季(4～11月)，划分为种植-出芽期(4～6月)、开花-结果期(7～8月)、转黄-落叶-收割期(9～11月)三个生长阶段。生长阶段的划分是可以通过作物种植规律与经验确定的。
对于与温度、降水相关的数据如LST、ET等，在各生长阶段内求其累积值；对于植被指数NDVI、EVI和干旱指数PDSI，在各生长阶段内求其平均值。
由于高程数据SRTM不随时间变化，故此处对其不做处理。
最终得到其它13种变量的39期影像数据，从而提高计算效率与模型精度。
综上所述，本申请具有以下优势：
1、利用谷歌地球引擎平台下载和预处理多元变量数据，相比其传统的数据下载与预处理方法，本发明所使用的方法时间成本和实现难度低，能为短时间内实现大尺度区域的产量数据降尺度提供数据支撑；
2、采用混合像元纯化方法提取作物纯净像元，可以消除混合像元对模型精度的影响，突破了传统耕地尺度限制的降尺度局限，从而能更准确地获得各种尺度下作物产量网格数据；
3、采用决策树模型Cubist进行产量估算，相比传统线性模型，Cubist模型考虑了多元变量(如植被指数、环境因素、历史产量等)对产量估算的影响，所获取的降尺度产量网格结果更为精确；
4、针对作物产量统计数据进行降尺度获取高精度空间网格数据，解决了作物产量统计数据不直观的问题，通过更优秀的可视性能对作物产量的时空分布信息进行更好的提取。
本申请提出的一种作物产量统计数据降尺度方法，利用谷歌地球引擎平台下载和预处理多元变量数据并且采用混合像元纯化方法提取作物纯净像元，基于决策树模型Cubist进行产量估算，最终获得将高精度作物产量空间网格数据。该方法能快速的反演大范围区域内多种尺度的作物网格数据，并且在模型建立中考虑了多元变量对产量的影响，从而提高了降尺度结果精度，所获取降尺度数据消除了传统统计数据无法在空间中进行可视分析的缺陷。
本申请采用决策树模型Cubist进行产量估算，实现将数据反演到具有较高分辨率的空间网格的目的，使得获取的高分辨率网格数据采集的空间信息更加精细，且能够更好地反映事物在空间上的细微变化，相较于传统文本统计数据方法，本申请具有更高的信息丰富度和更准确的分析性能,极大提高了产量预估模型的预测精度，也聚焦了环境因素对降尺度效果提高方面的影响。
相比传统线性模型，Cubist模型考虑了多元变量，如植被指数、环境因素、历史产量等，对产量估算的影响，所获取的降尺度产量网格结果更为精确，最终获得将高精度作物产量空间网格数据。该方法能快速的反演大范围区域内多种尺度的作物网格数据，并且在模型建立中考虑了多元变量对产量的影响，从而提高了降尺度结果精度，所获取降尺度数据消除了传统统计数据无法在空间中进行可视分析的缺陷。
本申请基于作物产量的时空分布信息在传统产量统计数据中提取难度大，而产量空间网格数据能提供优秀的空间可视分析性能的发现，利用谷歌地球引擎平台下载和预处理多元变量数据，采用混合像元纯化方法提取作物纯净像元，并且结合多元变量构建决策树模型Cubist进行产量估算，最终获取降尺度后的作物产量空间网格数据，不仅提高了模型精度，同时还可以探究多元变量间的相互作用机理。
本申请突破了传统统计数据难以进行空间分析的限制，可以根据作物产量的时空分布的可视化结果与空间分析结果，更加清晰地了解地区间粮食供给与需求，进而采取科学的粮食作物的管理措施和分配手段。
本申请还解决了作物产量统计数据不直观的问题，通过加入环境因子提高了降尺度反演结果的精度，所生产的产品可用于对作物产量的时空分布变化进行可视性分析。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
参照图5，本申请实施例还提供一种作物产量统计数据降尺度装置，该一种作物产量统计数据降尺度装置与上述实施例中一种作物产量统计数据降尺度方法一一对应。该一种作物产量统计数据降尺度装置包括，
影像数据模块，用于在研究时间范围内获取各期的气象数据、植被指数数据和土壤数据，以及一期高程数据，作为遥感变量影像数据；
待估产区域提取模块，用于使用农作物空间分布数据对所述遥感变量影像数据进行掩膜处理，提取待估产区域；
模型参数模块，用于求取所述待估产区域的像元在县级尺度行政单元中的平均值，得到与每个县区、每一年相对应的多元变量的统计数据，作为模型训练自变量，以及，将各县区待预测年份的前若干年产量数据作为模型训练自变量，并获取待估产区域内各县各年的作物单产统计数据，作为模型训练因变量；
模型构建模块，用于基于M5模型树的拓展算法，预设模型树组的数量参数和最近邻样本的数量参数，构建Cubist模型；
模型训练模块，用于将所述模型训练因变量和所述模型训练自变量输入所述Cubist模型进行训练，并进行精度验证，直至验证结果满足预设条件，输出达到预设精度的Cubist模型，作为产量预估模型；
反演模块，用于采用所述产量预估模型反演研究区域内像素尺度的农作物产量，获取作物产量网格数据集。
进一步地，模型训练模块包括，
数据集单元，用于基于所述模型训练因变量和所述模型训练自变量，筛选当前年份的数据作为验证集，筛选其它年份的数据作为训练集；
训练单元，用于将所述训练集输入所述Cubist模型进行训练；
验证单元，用于采用所述验证集对训练的Cubist模型的输出结果进行精度验证，其中，精度验证的指标包括决定系数、均方根误差和平均绝对误差；
产量预估模型单元，用于在所述决定系数、所述均方根误差和所述平均绝对误差满足预设条件时，输出达到预设精度的Cubist模型，作为产量预估模型。
进一步地，一种作物产量统计数据降尺度装置还包括，
可视化模块，用于基于所述产量预估模型生产空间分布图。
其中，可视化模块包括，
分辨率统一单元，用于采用最邻近的重采样方法，统一所述待估产区域各变量影像的分辨率；
第一反演自变量获取单元，用于将相同分辨率的各变量影像的数据组成影像集合，逐像元提取所述影像集合中各像元的值，作为第一反演自变量；
第二反演自变量获取单元，用于将各县待预测年份之前两年的产量数据制成分辨率相同的栅格影像数据加入所述影像集合，作为第二反演自变量；
空间分布图单元，用于将所述第一反演自变量和所述第二反演自变量输入所述产量预估模型中，反演各变量影像的像素的产量值，生成研究区域内像素尺度的产量空间分布图。
进一步地，一种作物产量统计数据降尺度装置还包括，
优化模块，用于在像元取值过程中提取到影像背景或异常值的空值区域时，将反演结果对应位置的像元标记为空值。
关于一种作物产量统计数据降尺度装置的具体限定可以参见上文中对于一种作物产量统计数据降尺度方法的限定，在此不再赘述。上述一种作物产量统计数据降尺度装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
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。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述任意一种作物产量统计数据降尺度方法。
在一个实施例中，提供了一种计算机可读存储介质，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，处理器执行计算机程序时实现以下步骤：
S1:在研究时间范围内获取各期的气象数据、植被指数数据和土壤数据，以及一期高程数据，作为遥感变量影像数据；
S2:使用农作物空间分布数据对所述遥感变量影像数据进行掩膜处理，提取待估产区域；
S3:求取所述待估产区域的像元在县级尺度行政单元中的平均值，得到与每个县区、每一年相对应的多元变量的统计数据，作为模型训练自变量，以及，将各县区待预测年份的前若干年产量数据作为模型训练自变量，并获取待估产区域内各县各年的作物单产统计数据，作为模型训练因变量；
S4:基于M5模型树的拓展算法，预设模型树组的数量参数和最近邻样本的数量参数，构建Cubist模型；
S5:将所述模型训练因变量和所述模型训练自变量输入所述Cubist模型进行训练，并进行精度验证，直至验证结果满足预设条件，输出达到预设精度的Cubist模型，作为产量预估模型；
S6:采用所述产量预估模型反演研究区域内像素尺度的农作物产量，获取作物产量网格数据集。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
Claims (10)
1.一种作物产量统计数据降尺度方法，其特征在于，包括以下步骤，
在研究时间范围内获取各期的气象数据、植被指数数据和土壤数据，以及一期高程数据，作为遥感变量影像数据；
使用农作物空间分布数据对所述遥感变量影像数据进行掩膜处理，提取待估产区域；
求取所述待估产区域的像元在县级尺度行政单元中的平均值，得到与每个县区、每一年相对应的多元变量的统计数据，作为模型训练自变量，以及，将各县区待预测年份的前若干年产量数据作为模型训练自变量，并获取待估产区域内各县各年的作物单产统计数据，作为模型训练因变量；
基于M5模型树的拓展算法，预设模型树组的数量参数和最近邻样本的数量参数，构建Cubist模型；
将所述模型训练因变量和所述模型训练自变量输入所述Cubist模型进行训练，并进行精度验证，直至验证结果满足预设条件，输出达到预设精度的Cubist模型，作为产量预估模型；
采用所述产量预估模型反演研究区域内像素尺度的农作物产量，获取作物产量网格数据集。
2.根据权利要求1所述的作物产量统计数据降尺度方法，其特征在于，所述将所述模型训练因变量和所述模型训练自变量输入所述Cubist模型进行训练，并进行精度验证，直至验证结果满足预设条件，输出达到预设精度的Cubist模型，作为产量预估模型的步骤包括，
基于所述模型训练因变量和所述模型训练自变量，筛选当前年份的数据作为验证集，筛选其它年份的数据作为训练集；
将所述训练集输入所述Cubist模型进行训练；
采用所述验证集对训练的Cubist模型的输出结果进行精度验证，其中，精度验证的指标包括决定系数、均方根误差和平均绝对误差；
当所述决定系数、所述均方根误差和所述平均绝对误差满足预设条件时，输出达到预设精度的Cubist模型，作为产量预估模型。
3.根据权利要求2所述的作物产量统计数据降尺度方法，其特征在于，所述决定系数的计算公式包括，
式中，R2表示决定系数，
表示第i个样本的预测值，yi表示第i个样本的实际值，/>
表示样本实际值的平均值，n为样本总数。
4.根据权利要求2所述的作物产量统计数据降尺度方法，其特征在于，所述均方根误差的计算公式包括，
式中，RMSE表示均方根误差，
表示第i个样本的预测值，yi表示第i个样本的实际值，n为样本总数。
5.根据权利要求2所述的作物产量统计数据降尺度方法，其特征在于，所述平均绝对误差的计算公式包括，
式中，MAE表示平均绝对误差，
表示第i个样本的预测值，yi表示第i个样本的实际值，n为样本总数。
6.根据权利要求1-5任意一项所述的作物产量统计数据降尺度方法，其特征在于，还包括以下步骤，
基于所述产量预估模型生产空间分布图，包括，
采用最邻近的重采样方法，统一所述待估产区域各变量影像的分辨率；
将相同分辨率的各变量影像的数据组成影像集合，逐像元提取所述影像集合中各像元的值，作为第一反演自变量；
将各县待预测年份之前两年的产量数据制成分辨率相同的栅格影像数据加入所述影像集合，作为第二反演自变量；
将所述第一反演自变量和所述第二反演自变量输入所述产量预估模型中，反演各变量影像的像素的产量值，生成研究区域内像素尺度的产量空间分布图。
7.根据权利要求6所述的作物产量统计数据降尺度方法，其特征在于，还包括以下步骤，
若在像元取值过程中提取到影像背景或异常值的空值区域，则将反演结果对应位置的像元标记为空值。
8.一种作物产量统计数据降尺度装置，其特征在于，包括，
影像数据模块，用于在研究时间范围内获取各期的气象数据、植被指数数据和土壤数据，以及一期高程数据，作为遥感变量影像数据；
待估产区域提取模块，用于使用农作物空间分布数据对所述遥感变量影像数据进行掩膜处理，提取待估产区域；
模型参数模块，用于求取所述待估产区域的像元在县级尺度行政单元中的平均值，得到与每个县区、每一年相对应的多元变量的统计数据，作为模型训练自变量，以及，将各县区待预测年份的前若干年产量数据作为模型训练自变量，并获取待估产区域内各县各年的作物单产统计数据，作为模型训练因变量；
模型构建模块，用于基于M5模型树的拓展算法，预设模型树组的数量参数和最近邻样本的数量参数，构建Cubist模型；
模型训练模块，用于将所述模型训练因变量和所述模型训练自变量输入所述Cubist模型进行训练，并进行精度验证，直至验证结果满足预设条件，输出达到预设精度的Cubist模型，作为产量预估模型；
反演模块，用于采用所述产量预估模型反演研究区域内像素尺度的农作物产量，获取作物产量网格数据集。
9.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现权利要求1至7任意一项所述方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至7任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310508663.3A CN116432859B (zh) | 2023-05-08 | 2023-05-08 | 一种作物产量统计数据降尺度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310508663.3A CN116432859B (zh) | 2023-05-08 | 2023-05-08 | 一种作物产量统计数据降尺度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116432859A true CN116432859A (zh) | 2023-07-14 |
| CN116432859B CN116432859B (zh) | 2023-10-27 |
Family
ID=87083356
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310508663.3A Active CN116432859B (zh) | 2023-05-08 | 2023-05-08 | 一种作物产量统计数据降尺度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116432859B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117496363A (zh) * | 2023-08-28 | 2024-02-02 | 广东省国土资源测绘院 | 融合主被动微波遥感的作物产量估算方法、系统及设备 |
| CN117852417A (zh) * | 2024-03-07 | 2024-04-09 | 环天智慧科技股份有限公司 | 一种基于降尺度的土壤墒情遥感计算方法 |
Citations (6)
| 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 |
| CN110751094A (zh) * | 2019-10-21 | 2020-02-04 | 北京师范大学 | 一种基于gee综合遥感影像和深度学习方法的作物估产技术 |
| CN111242022A (zh) * | 2020-01-10 | 2020-06-05 | 西安科技大学 | 基于低分辨率遥感产品降尺度的高分辨率fapar估算方法 |
| CN112819227A (zh) * | 2021-02-02 | 2021-05-18 | 农业农村部规划设计研究院 | 一种县级尺度冬小麦单产预测方法及系统 |
| CN113033262A (zh) * | 2019-12-25 | 2021-06-25 | 中移(成都)信息通信科技有限公司 | 模型训练方法和农作物产量预估方法 |
| CN115730523A (zh) * | 2022-11-28 | 2023-03-03 | 华中农业大学 | 一种基于深度学习的区域尺度作物产量近实时预测方法 |
-
2023
- 2023-05-08 CN CN202310508663.3A patent/CN116432859B/zh active Active
Patent Citations (6)
| 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 |
| CN110751094A (zh) * | 2019-10-21 | 2020-02-04 | 北京师范大学 | 一种基于gee综合遥感影像和深度学习方法的作物估产技术 |
| CN113033262A (zh) * | 2019-12-25 | 2021-06-25 | 中移(成都)信息通信科技有限公司 | 模型训练方法和农作物产量预估方法 |
| CN111242022A (zh) * | 2020-01-10 | 2020-06-05 | 西安科技大学 | 基于低分辨率遥感产品降尺度的高分辨率fapar估算方法 |
| CN112819227A (zh) * | 2021-02-02 | 2021-05-18 | 农业农村部规划设计研究院 | 一种县级尺度冬小麦单产预测方法及系统 |
| CN115730523A (zh) * | 2022-11-28 | 2023-03-03 | 华中农业大学 | 一种基于深度学习的区域尺度作物产量近实时预测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117496363A (zh) * | 2023-08-28 | 2024-02-02 | 广东省国土资源测绘院 | 融合主被动微波遥感的作物产量估算方法、系统及设备 |
| CN117852417A (zh) * | 2024-03-07 | 2024-04-09 | 环天智慧科技股份有限公司 | 一种基于降尺度的土壤墒情遥感计算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116432859B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Goel et al. | Smart agriculture–Urgent need of the day in developing countries | |
| CN116432859B (zh) | 一种作物产量统计数据降尺度方法 | |
| EP3455742B1 (en) | Statistical blending of weather data sets | |
| Yang et al. | Post-processing in solar forecasting: Ten overarching thinking tools | |
| US10824861B2 (en) | System and method using image based machine learning process for earth observation and analysis | |
| Maeda et al. | Modelling agricultural expansion in Kenya’s Eastern Arc Mountains biodiversity hotspot | |
| CN112016052B (zh) | 基于多源数据的近地表日最高气温估算方法、系统及终端 | |
| CN109919515B (zh) | 生态环境质量评价方法及装置 | |
| CN116580318A (zh) | 作物覆盖区域的土壤养分反演方法、装置、设备及介质 | |
| CN114120101A (zh) | 一种土壤水分多尺度综合感知方法 | |
| Van den Berg et al. | Copula-based downscaling of spatial rainfall: a proof of concept | |
| CN115081307A (zh) | 一种基于神经网络的气象数值模式同化方法及装置 | |
| Li et al. | Cropland data fusion and correction using spatial analysis techniques and the Google Earth Engine | |
| CN113887841A (zh) | 一种区域沼泽湿地植被净初级生产力的预测方法 | |
| CN116579521B (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
| Jayagopal et al. | Weather-based maize yield forecast in Saudi Arabia using statistical analysis and machine learning | |
| Mansor et al. | Optimization of land use suitability for agriculture using integrated geospatial model and genetic algorithms | |
| Sitokonstantinou et al. | A sentinel based agriculture monitoring scheme for the control of the cap and food security | |
| Abujayyab et al. | Automated prediction system for vegetation cover based on modis-ndvi satellite data and neural networks | |
| CN115016036A (zh) | 一种农业气象监测方法、装置、设备及存储介质 | |
| Pathak et al. | Predicting Crop Yield with Machine Learning: An Extensive Analysis of Input Modalities and Models on a Field and Sub-Field Level | |
| CN113052433B (zh) | 基于关键时相和农田景观特征参量的作物单产估算方法 | |
| Mahmoudi et al. | Regionalization of rainfall intensity–duration–frequency (IDF) curves with L-moments method using neural gas networks | |
| Tatsumi et al. | Effect of uncertainty in temperature and precipitation inputs and spatial resolution on the crop model | |
| Du Plessis et al. | The applicability of the use of radar data to develop areal reduction factors in South Africa |
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 |