CN116542403B - 作物产量预测方法、装置、电子设备及可读存储介质 - Google Patents
作物产量预测方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN116542403B CN116542403B CN202310821489.8A CN202310821489A CN116542403B CN 116542403 B CN116542403 B CN 116542403B CN 202310821489 A CN202310821489 A CN 202310821489A CN 116542403 B CN116542403 B CN 116542403B
- Authority
- CN
- China
- Prior art keywords
- target
- ndvi
- peak
- crop
- sum
- 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 65
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000012272 crop production Methods 0.000 claims abstract description 24
- 230000015654 memory Effects 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 24
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000004519 manufacturing process Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 239000010410 layer Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 239000004973 liquid crystal related substance Substances 0.000 description 8
- 210000004027 cell Anatomy 0.000 description 7
- 241000209094 Oryza Species 0.000 description 6
- 235000007164 Oryza sativa Nutrition 0.000 description 6
- 235000009566 rice Nutrition 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 235000013339 cereals Nutrition 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000003306 harvesting Methods 0.000 description 3
- 230000035800 maturation Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 235000011837 pasties Nutrition 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种作物产量预测方法、装置、电子设备及可读存储介质,包括:获取作物产区的已有遥感数据;其中,作物产区种植有目标作物;通过预先训练的目标NDVI预测模型,基于已有遥感数据预测目标作物的生长周期NDVI均值曲线数据;根据生长周期NDVI均值曲线数据确定目标作物的物候变量;通过预先构建的目标作物估产模型,基于物候变量确定目标作物的第一产量预测值。本发明可以适用于多种不同作物的产量预测,具有较高的普适性,而且能够实现作物生长周期内任何时点的作物产量预测。
Description
技术领域
本发明涉及农业遥感技术领域,尤其是涉及一种作物产量预测方法、装置、电子设备及可读存储介质。
背景技术
准确预测作物产量将有助于农业管理部门和决策者提前制定收获、储存规划,并为粮食进出口做好准备,以防出现短缺或过剩,可见作物产量估算对粮食安全具有重要意义。
目前,现有产量预测技术通常需要基于不同农作物的特点构建相应的预测模型,并通过该预测模型针对特定农作物进行估产,不仅普适性较差,而且没有提供在作物生长周期不同时点的产量预测功能。
发明内容
有鉴于此,本发明的目的在于提供一种作物产量预测方法、装置、电子设备及可读存储介质,可以适用于多种不同作物的产量预测,具有较高的普适性,而且能够实现作物生长周期内任何时点的作物产量预测。
第一方面,本发明实施例提供了一种作物产量预测方法,包括:
获取作物产区的已有遥感数据;其中,所述作物产区种植有目标作物;
通过预先训练的目标NDVI预测模型,基于所述已有遥感数据预测所述目标作物的生长周期NDVI均值曲线数据;
根据所述生长周期NDVI均值曲线数据确定所述目标作物的物候变量;
通过预先构建的目标作物估产模型,基于所述物候变量确定所述目标作物的第一产量预测值。
在一种实施方式中,通过预先训练的目标NDVI预测模型,基于所述已有遥感数据预测所述目标作物的生长周期NDVI均值曲线数据,包括:
将所述作物产区的产区边界与所述已有遥感数据叠加,以将所述作物产区内种植所述目标作物之外的区域的已有遥感数据剔除,得到所述目标作物的已有遥感数据;
对所述目标作物的已有遥感数据中的异常值进行修正,并对修正后的已有遥感数据进行平滑处理,得到平滑时间序列曲线数据;
根据所述平滑时间序列曲线数据确定所述目标作物的NDVI均值,以得到所述目标作物的已有NDVI均值曲线数据;
通过预先训练的目标NDVI预测模型,基于所述已有NDVI均值曲线数据预测所述目标作物的生长周期NDVI均值曲线数据。
在一种实施方式中,目标NDVI预测模型的训练步骤,包括:
获取历史遥感数据,并基于所述历史遥感数据确定历史NDVI均值曲线数据;
针对所述历史NDVI均值曲线数据设置滑动窗口,将位于滑动窗口之中的所述历史NDVI均值曲线数据作为输入数据,将位于所述滑动窗口之后的所述历史NDVI均值曲线数据作为真值,并按照预设步长移动所述滑动窗口,直至满足预设停止条件,以得到多组所述输入数据和所述真值;
将每组所述输入数据和所述真值作为训练数据集,对初始NDVI预测模型进行训练得到目标NDVI预测模型。
在一种实施方式中,根据所述生长周期NDVI均值曲线数据确定所述目标作物的物候变量,包括;
根据所述生长周期NDVI均值曲线数据,分别确定目标NDVI最大值、目标NDVI峰前总和、目标NDVI峰后总和、目标NDVI生长总和;
将所述目标NDVI最大值、所述目标NDVI峰前总和、所述目标NDVI峰后总和、所述目标NDVI生长总和均作为所述目标作物的物候变量;
其中,所述目标NDVI最大值用于表征所述目标作物在抽穗期的物候变量,所述目标NDVI峰前总和用于表征所述目标作物在孕穗期至抽穗期的物候变量,所述目标NDVI峰后总和用于表征所述目标作物在抽穗期至成熟期的物候变量,所述目标NDVI生长总和用于表征所述目标作物在整个生长周期的物候变量。
在一种实施方式中,根据所述生长周期NDVI均值曲线数据,分别确定目标NDVI最大值、目标NDVI峰前总和、目标NDVI峰后总和、目标NDVI生长总和,包括:
所述生长周期NDVI均值曲线数据中峰点的值确定为目标NDVI最大值;
以及,从所述生长周期NDVI均值曲线数据中确定目标峰前点,并将所述目标峰前点和所述峰点之间的区域面积确定为目标NDVI峰前总和;
以及,从所述生长周期NDVI均值曲线数据中确定目标峰后点,并将所述目标峰后点和所述峰点之间的区域面积确定为目标NDVI峰后总和;
以及,将所述目标峰前点和所述目标峰后点之间的区域面积确定为目标NDVI生长总和。
在一种实施方式中,所述目标作物估产模型的训练步骤,包括:
获取所述目标作物的历史NDVI最大值、历史NDVI峰前总和、历史NDVI峰后总和、历史NDVI生长总和、历史产量实际值;
通过初始作物估产模型,基于所述历史NDVI最大值、所述历史NDVI峰前总和、所述历史NDVI峰后总和、所述历史NDVI生长总和,确定所述目标作物的第二产量预测值;
基于所述历史产量实际值和所述第二产量预测值,确定所述初始作物估产模型的多评价指标;
基于所述多评价指标对所述初始作物估产模型的参数值进行调整,以得到目标作物估产模型。
在一种实施方式中,所述多评价指标包括均方根误差、决定系数和平均绝对误差中的一种或多种。
第二方面,本发明实施例还提供一种作物产量预测装置,包括:
遥感数据获取模块,用于获取作物产区的已有遥感数据;其中,所述作物产区种植有目标作物;
NDVI数据预测模块,用于通过预先训练的目标NDVI预测模型,基于所述已有遥感数据预测所述目标作物的生长周期NDVI均值曲线数据;
物候变量确定模块,用于根据所述生长周期NDVI均值曲线数据确定所述目标作物的物候变量;
产量预测模块,用于通过预先构建的目标作物估产模型,基于所述物候变量确定所述目标作物的第一产量预测值。
第三方面,本发明实施例还提供一种电子设备,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现第一方面提供的任一项所述的方法。
第四方面,本发明实施例还提供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可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现第一方面提供的任一项所述的方法。
本发明实施例提供的一种作物产量预测方法、装置、电子设备及可读存储介质,首先获取种植有目标作物的作物产区的已有遥感数据,并通过预先训练的目标NDVI预测模型基于已有遥感数据预测目标作物的生长周期NDVI均值曲线数据,再根据生长周期NDVI均值曲线数据确定目标作物的物候变量,最后通过预先构建的目标作物估产模型基于物候变量确定目标作物的第一产量预测值。本发明实施例为不同作物产量估产提供通用可复制的基于遥感数据预测的作物产量持续估产方法,通过预先训练的目标NDVI预测模型根据作物产区的已有遥感数据,预测目标作物的生长周期NDVI均值曲线数据,进而通过预测的生长周期NDVI均值曲线数据预测目标作物的第一产量预测值,能够实现作物生长周期内任何时点作物产量预测,并随着生长季的延伸,第一产量预测值逐渐精确;另外,本发明实施例提供的作物产量预测方法可以适用于多种不同作物的产量预测,具有较高的普适性。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的一种作物产量预测方法的流程示意图;
图2为本发明实施例提供的一种已有遥感数据和平滑时间序列曲线数据对比示意图;
图3为本发明实施例提供的一种生长周期NDVI均值曲线数据示意图;
图4为本发明实施例提供的一种目标NDVI预测模型的结构示意图;
图5为本发明实施例提供的另一种生长周期NDVI均值曲线数据示意图;
图6为本发明实施例提供的一种作物产量预测装置的结构示意图;
图7为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合实施例对本发明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。
准确预测作物产量将有助于农业管理部门和决策者提前制定收获、储存规划,并为粮食进出口做好准备,以防出现短缺或过剩,可见作物产量估算对粮食安全具有重要意义。其中,在气候特征不确定的地区,于农作物收获前及时准确地估计作物产量至关重要。估算作物产量的传统方法有很多,大体上可分为两类:经验统计模型和作物生长模型:经验统计模型通常采用有效的环境因子如温度、太阳辐射和降水,通过经验方程与作物年度产量记录相关联估计各因子的系数,利用这些系数可以预测作物产量;作物生长模型通常基于作物与环境之间的生理过程,通过模拟作物的日常生长来估计生物量产量。作物产量传统方法基于地面或实验数据,针对不同作物需要进行重复性劳动,人力成本很高,而且非常耗时。
目前,基于Landsat图像的遥感已被广泛用于农业监测,遥感的应用能够帮助预测作物产量的空间和时间尺度问题。植被指数(VIs)与植被活力密切相关,已被广泛用于预测作物产量,尤其是归一化植被指数(NDVI,Normalized Difference Vegetation Index)。将光谱信息纳入产量预测的方法有很多,最常见的方法是利用回归模型建立植被指数测量变量与作物产量记录之间的直接经验关系。目前方法基本上是针对特定作物进行估产,且没有提供在作物生长周期不同时点统一的产量预测方法。
基于此,本发明实施提供了一种作物产量预测方法、装置、电子设备及可读存储介质,可以适用于多种不同作物的产量预测,具有较高的普适性,而且能够实现作物生长周期内任何时点的作物产量预测。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种作物产量预测方法进行详细介绍,参见图1所示的一种作物产量预测方法的流程示意图,该方法主要包括以下步骤S102至步骤S108:
步骤S102,获取作物产区的已有遥感数据。其中,作物产区种植有目标作物,已有遥感数据可以为目标作物生长过程中,从种植日期至当前日期内的遥感数据,此时目标作物尚未完全成熟,因此需要基于目标作物的已有遥感数据对其生长周期NDVI均值曲线数据进行预测。在一种实施方式中,可以按照预设周期采集目标作物在当前年份、作物产区内的遥感数据,诸如以天为单位采集遥感数据,并将采集的遥感数据作为已有遥感数据。
步骤S104,通过预先训练的目标NDVI预测模型,基于已有遥感数据预测目标作物的生长周期NDVI均值曲线数据。其中,目标NDVI预测模型的输入为已有NDVI均值曲线数据,输出为生长周期NDVI均值曲线数据,已有NDVI均值曲线数据是对已有遥感数据进行预处理得到的,预处理包括噪声去除操作、异常数据修正操作、平滑处理和均值计算处理。
可选的,目标NDVI预测模型可以采用基于LSTM(Long Short Term Memorynetworks,长短期记忆人工神经网络)的预测模型。
在一种实施方式中,可以对已有遥感数据进行预处理得到已有NDVI均值曲线数据,将已有NDVI均值曲线数据输入至目标NDVI预测模型,即可得到目标作物的生长周期NDVI均值曲线数据。
步骤S106,根据生长周期NDVI均值曲线数据确定目标作物的物候变量。其中,物候变量包括目标NDVI最大值、目标NDVI峰前总和、目标NDVI峰后总和、目标NDVI生长总和。在一种实施方式中,可以从生长周期NDVI均值曲线数据中确定峰值点,并将该峰值点的值确定为目标NDVI最大值,进一步基于该峰值点分别确定目标峰前点和目标峰后点,从而将生长周期NDVI均值曲线数据中目标峰前点至峰值点之间的区域面积作为目标NDVI峰前总和、目标峰值点至峰后点之间的区域面积作为目标NDVI峰后总和、目标峰前点至目标峰后点之间的区域面积作为目标NDVI生长总和。
步骤S108,通过预先构建的目标作物估产模型,基于物候变量确定目标作物的第一产量预测值。其中,目标作物估产模型可以采用回归模型,第一产量预测值也即在模型应用阶段下目标作物估产模型输出的产量预测值。在一种实施方式中,将物候变量代入至目标作物估产模型,即可得到目标作物的第一产量预测值。
本发明实施例提供的作物产量预测方法,为不同作物产量估产提供通用可复制的基于遥感数据预测的作物产量持续估产方法,通过预先训练的目标NDVI预测模型根据作物产区的已有遥感数据,预测目标作物的生长周期NDVI均值曲线数据,进而通过预测的生长周期NDVI均值曲线数据预测目标作物的第一产量预测值,能够实现作物生长周期内任何时点作物产量预测,并随着生长季的延伸,第一产量预测值逐渐精确;另外,本发明实施例提供的作物产量预测方法可以适用于多种不同作物的产量预测,具有较高的普适性。
为便于对前述实施例进行理解,本发明实施例提供了一种作物产量预测方法的具体实施方式:
对于前述步骤S102,可以按照预设周期采集目标作物在当前年份、作物产区内的遥感数据,诸如以天为单位采集遥感数据,并将采集的遥感数据作为已有遥感数据(也可称之为,当前年份产区已有NDVI遥感数据)。其中,已有遥感数据中的噪声主要来自云量、大气效应和积雪等因素。
对于前述步骤S104,本发明实施例提供了一种通过预先训练的目标NDVI预测模型,基于已有遥感数据预测目标作物的生长周期NDVI均值曲线数据的实施方式,参见如下步骤1至步骤4:
步骤1,将作物产区的产区边界与已有遥感数据叠加,以将作物产区内种植目标作物之外的区域的已有遥感数据剔除,得到目标作物的已有遥感数据。其中,作物产区内种植目标作物之外的区域也即非目标作物产区。在一种实施方式中,可以通过叠加产区边界,去除非目标作物产区NDVI遥感数据,即可得到目标作物的已有遥感数据。
可选的,为避免非目标作物对目标作物的已有遥感数据的影响,可以去除与产区边界重叠的像元。
步骤2,对目标作物的已有遥感数据中的异常值进行修正,并对修正后的已有遥感数据进行平滑处理,得到平滑时间序列曲线数据。在一种实施方式中,可以利用移动平均函数,用邻近数据点的平均值来替换不正确的数据点,以消除缺失数据或错误值(NDVI=0)。
为了进一步降低噪声,可以采用离散傅里叶变换(DFT,Discrete FourierTransform)对时序数据进行平滑处理,时序数据也即已有遥感数据,诸如图2所示的一种已有遥感数据(Raw data)和平滑时间序列曲线数据(Smoothed data)对比示意图。DFT将任何复杂波形分解为一系列不同频率的正弦信号。单个正弦信号及其频率可以组合成去除噪声的复杂波形,本发明实施例采用次谐波产生平滑时间序列曲线,DFT的计算公式如下:
;
其中是时间序列的第/>个值,/>是傅里叶分量的个数,/>是十进位数,/>是时间段覆盖的长度(十进位数),/>等于/>,/>表示产区像元数量。
步骤3,根据平滑时间序列曲线数据确定目标作物的NDVI均值,以得到目标作物的已有NDVI均值曲线数据。在一种实施方式中,可以根据平滑时间序列曲线数据计算作物产区NDVI均值,形成作物周期生长产区NDVI均值曲线数据(也即,已有NDVI均值曲线数据),区域时间序列/>计算公式如下:
;
其中,表示产区像元数量。
步骤4,通过预先训练的目标NDVI预测模型,基于已有NDVI均值曲线数据预测目标作物的生长周期NDVI均值曲线数据。在一种实施方式中,将已有NDVI均值曲线数据输入至目标NDVI预测模型,即可输出生长周期NDVI均值曲线数据,示例性的,参见图3所示的一种生长周期NDVI均值曲线数据示意图。
在一种实施方式中,目标NDVI预测模型可以采用基于LSTM的预测模型,参见图4所示的一种目标NDVI预测模型的结构示意图,目标NDVI预测模型包括两层LSTM层(64个神经元节点)和Dense层(1个节点)。具体的:
(1)LSTM层:设置 LSTM 层的层间 dropout 值为0. 5,循环dropout值为0. 2;设置模型最大迭代步数为10000;模型训练时的批处理大小为64。LSTM模型中LSTM层定义公式如下:
;
其中,为Input Gate,控制信息是否流入Memory cell中;/>为Forget Gate,控制上一时刻Memory cell中的信息是否积累到当前时刻Memory cell中;/>为Output Gate:控制当前时刻Memory cell中的信息是否流入当前隐藏状态中;/>为记忆单元(Cell),表示神经元状态的记忆,使得LSTM单元有保存、读取、重置和更新长距离历史信息的能力;/>分别代表其相应门限的递归连接权重, sigmoid和/>为两种激活函数。
(2)Dense层:Dense层为全连接层,具有1个节点,转换数学公式为:
;
其中,为Dense层输出结果,/>为偏置量,/>为权重,/>为上层神经元数量,可选的,本发明实施例中/>为LSTM2层神经元数量,即/>=64。
在前述实施例提供的目标NDVI预测模型的基础上,本发明实施例进一步提供了一种目标NDVI预测模型的训练方法,参见如下步骤a至步骤c:
步骤a,获取历史遥感数据,并基于历史遥感数据确定历史NDVI均值曲线数据。在一种实施方式中,可以按照前述步骤1至步骤3对历史遥感数据进行预处理,即可得到历史NDVI均值曲线数据,本发明实施例对此不在进行赘述。
步骤b,针对历史NDVI均值曲线数据设置滑动窗口,将位于滑动窗口之中的历史NDVI均值曲线数据作为输入数据,将位于滑动窗口之后的历史NDVI均值曲线数据作为真值,并按照预设步长移动滑动窗口,直至满足预设停止条件,以得到多组输入数据和真值。其中,预设停止条件可以包括滑动次数或滑动窗口移动至历史NDVI均值曲线数据的末位。在一种实施方式中,可以使用窗口平移法得到多组输入数据和真值,以构建训练数据集。示例性的,假设滑动窗口的尺寸为50,步长为1,首先将第一个窗口内的数据(也即[0,49]区间内的数据)作为输入数据,并将[50-99]区间内的数据作为真值;向后移动1步,将第二个窗口内的数据(也即[1,50]区间内的数据)作为输入数据,并将[51-100]区间内的数据作为真值,重复这一过程,直至滑动窗口移动至历史NDVI均值曲线数据的末位,考虑到最后几次移动得到输入数据无对应的真值,可以直接将无对应真值的输入数据剔除。
步骤c,将每组输入数据和真值作为训练数据集,对初始NDVI预测模型进行训练得到目标NDVI预测模型。
对于前述步骤S104,本发明实施例提供了一种根据生长周期NDVI均值曲线数据确定目标作物的物候变量的实施方式,可以参见如下步骤一至步骤二:
步骤一:根据生长周期NDVI均值曲线数据,分别确定目标NDVI最大值、目标NDVI峰前总和、目标NDVI峰后总和、目标NDVI生长总和。其中,目标NDVI最大值用于表征目标作物在抽穗期的物候变量,目标NDVI峰前总和用于表征目标作物在孕穗期至抽穗期的物候变量,目标NDVI峰后总和用于表征目标作物在抽穗期至成熟期的物候变量,目标NDVI生长总和用于表征目标作物在整个生长周期的物候变量。
已经研究证明,作物产量或产量与植被指数(VI)的变化高度相关,因为作物在每个生长阶段都受到各种条件的强烈影响。因此,作物物候变量可以用来估计作物产量。此外,作物物候在空间和时间上都有变化,因此仅用生长期内的固定日期来估计作物产量并不是最优的。
本发明实施例考虑了目标NDVI最大值()、目标NDVI峰前总和(/>)、目标NDVI峰后总和(/>)和目标NDVI生长总和(/>)4个物候变量与作物产量的相关性。其中,目标NDVI最大值与生长周期NDVI均值曲线数据中峰点的值(简称,峰值)相等;目标NDVI峰前总和的计算方法是将峰前四个点的值和峰值相加;目标NDVI峰后总和的计算方法是将峰后四个点的值和峰值相加;目标NDVI生长总和为峰前四个点、峰后四个点和峰值的和。
为便于理解,本发明实施例提供了一种确定目标NDVI最大值、目标NDVI峰前总和、目标NDVI峰后总和、目标NDVI生长总和的实施方式,具体的,参见如下(a)至(d):
(a)生长周期NDVI均值曲线数据中峰点的值确定为目标NDVI最大值。示例性的,参见图5所示的另一种生长周期NDVI均值曲线数据示意图,可直接将生长周期NDVI均值曲线数据中峰点的值确定为目标NDVI最大值。
(b)从生长周期NDVI均值曲线数据中确定目标峰前点,并将目标峰前点和峰点之间的区域面积确定为目标NDVI峰前总和。请继续参见图5,可以将峰点前的四个点作为目标峰前点,包括点Peak-1、点Peak-2、点Peak-3、点Peak-4,并将点Peak-4和峰点之间的区域面积确定为目标NDVI峰前总和/>。
在一种具体的实施方式中,可以按照如下公式确定目标NDVI峰前总和,其中index1为peak-4点数据索引,index2为峰值点数据索引:
。
(c)从生长周期NDVI均值曲线数据中确定目标峰后点,并将目标峰后点和峰点之间的区域面积确定为目标NDVI峰后总和。请继续参见图5,可以将峰点后的四个点作为目标峰后点,包括点Peak+1、点Peak+2、点Peak+3、点Peak+4,并将点Peak+4和峰点之间的区域面积确定为目标NDVI峰后总和/>。
在一种具体的实施方式中,可以按照如下公式确定目标NDVI峰后总和,其中index3为peak+4点数据索引:
。
(d)将目标峰前点和目标峰后点之间的区域面积确定为目标NDVI生长总和。在一种具体的实施方式中,可以按照如下公式确定目标NDVI生长总和:
。
步骤二:将目标NDVI最大值、目标NDVI峰前总和、目标NDVI峰后总和、目标NDVI生长总和均作为目标作物的物候变量。
以水稻为例,在本发明实施例选择峰点前后的第四个点。即抽穗期前后40天(育成期NDVI值最大)。在东北地区,水稻抽穗期前40天左右为孕穗期(这是水稻生长最快的时期,水稻在这一时期需要大量的营养物质,对水稻产量有很大的影响);抽穗期后40 天左右为籽粒灌浆成熟期,包括开花期、乳糜期和糊状期(成熟期/灌浆期)。因此,从孕穗期到抽穗期和从抽穗到成熟期这两个重要的生育期均以物候变量表示,以提高产量估算的准确性。
对于前述步骤S104,本发明实施例提供了一种通过预先构建的目标作物估产模型,基于物候变量确定目标作物的第一产量预测值的实施方式。在实际应用中,作物产量在每个生长阶段都受到各种条件的影响,如农业技术的发展、肥料的应用和管理的改进,其表现形式是植被指数值的变化。因此,由植被指数时间序列数据提取的物候变量与作物产量的线性关系可预期为:
;
式中为第一产量预测值,也可称之为估算产区单产,/>为历史年份不同物候变量,提取自平滑的时间序列数据,/>和/>为系数,该线性关系即为目标作物估产模型。本发明实施例选取目标NDVI最大值(/>)、目标NDVI峰前总和(/>)、目标NDVI峰后总和(/>)和目标NDVI生长总和(/>),与相应年份作物单产,建立不同物候变量与单产的目标作物估产模型。在一种实施方式中,通过将物候变量代入至目标作物估产模型,即可得到第一产量预测值/>。
考虑到建立的初始作物估产模型中的系数和/>为未知量,因此需要对初始作物估产模型中的系数/>和/>进行求解。本发明实施例使用间隔一年的方法评估所建立的初始作物估产模型的准确性,该初始作物估产模型对多年的数据进行迭代训练,用于预测闲置年份的单产和总产量。使用决定系数(R2 )、均方根误差(RMSE)、平均绝对误差(MAE)等多评价指标进行评估。最后,根据验证结果选出精度最高的作物估产模型,以此用作样本地区的目标作物估产模型。假设目标作物为水稻,则最终得到的为水稻产量估算模型。
本发明实施例提供了一种求解初始作物估产模型中的系数和/>,以得到目标作物估产模型的实施方式,参见如下S1至S4:
S1,获取目标作物的历史NDVI最大值、历史NDVI峰前总和、历史NDVI峰后总和、历史NDVI生长总和、历史产量实际值。在一种实施方式中,获取到目标作物的历史遥感数据之后,可以按照前述步骤1至步骤3对其进行预处理以得到历史NDVI均值曲线数据,并按照前述(a)至(d)基于历史NDVI均值曲线数据确定历史NDVI最大值、历史NDVI峰前总和、历史NDVI峰后总和、历史NDVI生长总和,本发明实施例对此不在进行赘述。另外,历史产量实际值可以由用户手动上传,或者从指定存储区域内读取。
S2,通过初始作物估产模型,基于历史NDVI最大值、历史NDVI峰前总和、历史NDVI峰后总和、历史NDVI生长总和,确定目标作物的第二产量预测值。在一种实施方式中,为系数和/>设置初始值,再将历史NDVI最大值、历史NDVI峰前总和、历史NDVI峰后总和、历史NDVI生长总和代入至初始作物估产模型,即可得到初始作物估产模型预测的第二产量预测值,其中,第二产量预测值也即模型迭代训练阶段下输出的产量预测值。
S3,基于历史产量实际值和第二产量预测值,确定初始作物估产模型的多评价指标。其中,多评价指标包括均方根误差、决定系数和平均绝对误差中的一种或多种。为便于理解,本发明实施例分别提供了均方根误差、决定系数和平均绝对误差的验证公式:
(A)均方根误差(RMSE):
;
其中n为实测数据样本数量,为预测单产(也即,第二产量预测值),/>为实际单产(也即,历史产量实际值)。
(B)决定系数(R2):
;
其中,SSR为回归平方和,SST为总平方和,为单产均值,/>为预测单产,/>为实际单产。
(C)平均绝对误差(MAE):
MAE;
其中,为预测单产,/>为实际单产。
S4,基于多评价指标对初始作物估产模型的参数值进行调整,以得到目标作物估产模型。
综上所述,本发明实施例为不同作物产量估产提供通用可复制的基于NDVI预测的作物产量持续估产方法。根据当前生长季作物已有NDVI监测值,通过训练基于 LSTM的人工智能模型,预测作物全声明周期NDVI曲线,进而通过预测的NDVI曲线预测产量,能够实现作物生长周期内任何时点作物产量预测,并随着生长季的延伸,产量预测值逐渐精确。利用历史数据,针对相同作物建立多个物候变量-作物产量线性回归模型,根据评估指标进行评估,选择最优的作为目标区域作物的物候变量和回归方程。
对于前述实施例提供的作物产量预测方法,本发明实施例提供了一种作物产量预测装置,参见图6所示的一种作物产量预测装置的结构示意图,该装置包括如下部分:
遥感数据获取模块602,用于获取作物产区的已有遥感数据;其中,作物产区种植有目标作物;
NDVI数据预测模块604,用于通过预先训练的目标NDVI预测模型,基于已有遥感数据预测目标作物的生长周期NDVI均值曲线数据;
物候变量确定模块606,用于根据生长周期NDVI均值曲线数据确定目标作物的物候变量;
产量预测模块608,用于通过预先构建的目标作物估产模型,基于物候变量确定目标作物的第一产量预测值。
本发明实施例提供的作物产量预测装置,为不同作物产量估产提供通用可复制的基于遥感数据预测的作物产量持续估产方法,通过预先训练的目标NDVI预测模型根据作物产区的已有遥感数据,预测目标作物的生长周期NDVI均值曲线数据,进而通过预测的生长周期NDVI均值曲线数据预测目标作物的第一产量预测值,能够实现作物生长周期内任何时点作物产量预测,并随着生长季的延伸,第一产量预测值逐渐精确;另外,本发明实施例提供的作物产量预测方法可以适用于多种不同作物的产量预测,具有较高的普适性。
在一种实施方式中,NDVI数据预测模块604还用于:
将作物产区的产区边界与已有遥感数据叠加,以将作物产区内种植目标作物之外的区域的已有遥感数据剔除,得到目标作物的已有遥感数据;
对目标作物的已有遥感数据中的异常值进行修正,并对修正后的已有遥感数据进行平滑处理,得到平滑时间序列曲线数据;
根据平滑时间序列曲线数据确定目标作物的NDVI均值,以得到目标作物的已有NDVI均值曲线数据;
通过预先训练的目标NDVI预测模型,基于已有NDVI均值曲线数据预测目标作物的生长周期NDVI均值曲线数据。
在一种实施方式中,还包括第一训练模块,用于:
获取历史遥感数据,并基于历史遥感数据确定历史NDVI均值曲线数据;
针对历史NDVI均值曲线数据设置滑动窗口,将位于滑动窗口之中的历史NDVI均值曲线数据作为输入数据,将位于滑动窗口之后的历史NDVI均值曲线数据作为真值,并按照预设步长移动滑动窗口,直至满足预设停止条件,以得到多组输入数据和真值;
将每组输入数据和真值作为训练数据集,对初始NDVI预测模型进行训练得到目标NDVI预测模型。
在一种实施方式中,物候变量确定模块606,还包括;
根据生长周期NDVI均值曲线数据,分别确定目标NDVI最大值、目标NDVI峰前总和、目标NDVI峰后总和、目标NDVI生长总和;
将目标NDVI最大值、目标NDVI峰前总和、目标NDVI峰后总和、目标NDVI生长总和均作为目标作物的物候变量;
其中,目标NDVI最大值用于表征目标作物在抽穗期的物候变量,目标NDVI峰前总和用于表征目标作物在孕穗期至抽穗期的物候变量,目标NDVI峰后总和用于表征目标作物在抽穗期至成熟期的物候变量,目标NDVI生长总和用于表征目标作物在整个生长周期的物候变量。
在一种实施方式中,物候变量确定模块606还用于:
生长周期NDVI均值曲线数据中峰点的值确定为目标NDVI最大值;
以及,从生长周期NDVI均值曲线数据中确定目标峰前点,并将目标峰前点和峰点之间的区域面积确定为目标NDVI峰前总和;
以及,从生长周期NDVI均值曲线数据中确定目标峰后点,并将目标峰后点和峰点之间的区域面积确定为目标NDVI峰后总和;
以及,将目标峰前点和目标峰后点之间的区域面积确定为目标NDVI生长总和。
在一种实施方式中,还包括第二训练模块,用于:
获取目标作物的历史NDVI最大值、历史NDVI峰前总和、历史NDVI峰后总和、历史NDVI生长总和、历史产量实际值;
通过初始作物估产模型,基于历史NDVI最大值、历史NDVI峰前总和、历史NDVI峰后总和、历史NDVI生长总和,确定目标作物的第二产量预测值;
基于历史产量实际值和第二产量预测值,确定初始作物估产模型的多评价指标;
基于多评价指标对初始作物估产模型的参数值进行调整,以得到目标作物估产模型。
在一种实施方式中,多评价指标包括均方根误差、决定系数和平均绝对误差中的一种或多种。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本发明实施例提供了一种电子设备,具体的,该电子设备包括处理器和存储装置;存储装置上存储有计算机程序,计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法 。
图7为本发明实施例提供的一种电子设备的结构示意图,该电子设备100包括:处理器70,存储器71,总线72和通信接口73,所述处理器70、通信接口73和存储器71通过总线72连接;处理器70用于执行存储器71中存储的可执行模块,例如计算机程序。
其中,存储器71可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatilememory),例如至少一个磁盘存储器。通过至少一个通信接口73(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线72可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器71用于存储程序,所述处理器70在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器70中,或者由处理器70实现。
处理器70可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器70中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器70可以是通用处理器,包括中央处理器(CentralProcessingUnit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器71,处理器70读取存储器71中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的可读存储介质的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见前述方法实施例,在此不再赘述。
所述功能如果以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所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,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:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (6)
1.一种作物产量预测方法,其特征在于,包括:
获取作物产区的已有遥感数据;其中,所述作物产区种植有目标作物,已有遥感数据为目标作物生长过程中,从种植日期至当前日期内的遥感数据,所述目标作物未完全成熟;
通过预先训练的目标NDVI预测模型,基于所述已有遥感数据预测所述目标作物的生长周期NDVI均值曲线数据;
根据所述生长周期NDVI均值曲线数据确定所述目标作物的物候变量;
通过预先构建的目标作物估产模型,基于所述物候变量确定所述目标作物的第一产量预测值,以实现作物生长周期内任何时点作物产量预测,并随着生长季的延伸,产量预测值逐渐精确;
通过预先训练的目标NDVI预测模型,基于所述已有遥感数据预测所述目标作物的生长周期NDVI均值曲线数据,包括:
将所述作物产区的产区边界与所述已有遥感数据叠加,以将所述作物产区内种植所述目标作物之外的区域的已有遥感数据剔除,得到所述目标作物的已有遥感数据;
对所述目标作物的已有遥感数据中的异常值进行修正,并对修正后的已有遥感数据进行平滑处理,得到平滑时间序列曲线数据;
根据所述平滑时间序列曲线数据确定所述目标作物的NDVI均值,以得到所述目标作物的已有NDVI均值曲线数据;
通过预先训练的目标NDVI预测模型,基于所述已有NDVI均值曲线数据预测所述目标作物的生长周期NDVI均值曲线数据;
目标NDVI预测模型的训练步骤,包括:
获取历史遥感数据,并基于所述历史遥感数据确定历史NDVI均值曲线数据;
针对所述历史NDVI均值曲线数据设置滑动窗口,将位于滑动窗口之中的所述历史NDVI均值曲线数据作为输入数据,将位于所述滑动窗口之后的所述历史NDVI均值曲线数据作为真值,并按照预设步长移动所述滑动窗口,直至满足预设停止条件,以得到多组所述输入数据和所述真值;
将每组所述输入数据和所述真值作为训练数据集,对初始NDVI预测模型进行训练得到目标NDVI预测模型;
根据所述生长周期NDVI均值曲线数据确定所述目标作物的物候变量,包括:
根据所述生长周期NDVI均值曲线数据,分别确定目标NDVI最大值、目标NDVI峰前总和、目标NDVI峰后总和、目标NDVI生长总和;
将所述目标NDVI最大值、所述目标NDVI峰前总和、所述目标NDVI峰后总和、所述目标NDVI生长总和均作为所述目标作物的物候变量;
其中,所述目标NDVI最大值用于表征所述目标作物在抽穗期的物候变量,所述目标NDVI峰前总和用于表征所述目标作物在孕穗期至抽穗期的物候变量,所述目标NDVI峰后总和用于表征所述目标作物在抽穗期至成熟期的物候变量,所述目标NDVI生长总和用于表征所述目标作物在整个生长周期的物候变量;
根据所述生长周期NDVI均值曲线数据,分别确定目标NDVI最大值、目标NDVI峰前总和、目标NDVI峰后总和、目标NDVI生长总和,包括:
所述生长周期NDVI均值曲线数据中峰点的值确定为目标NDVI最大值;将生长周期NDVI均值曲线数据中峰点的值确定为目标NDVI最大值;
以及,从所述生长周期NDVI均值曲线数据中确定目标峰前点,并将所述目标峰前点和所述峰点之间的区域面积确定为目标NDVI峰前总和;将峰点前的四个点作为目标峰前点,包括点Peak-1、点Peak-2、点Peak-3、点Peak-4,并按照如下公式确定目标NDVI峰前总和/>:
;其中,index1为peak-4点数据索引,index2为峰值点数据索引;
以及,从所述生长周期NDVI均值曲线数据中确定目标峰后点,并将所述目标峰后点和所述峰点之间的区域面积确定为目标NDVI峰后总和;将峰点后的四个点作为目标峰后点,包括点Peak+1、点Peak+2、点Peak+3、点Peak+4,并按照如下公式确定目标NDVI峰后总和/>:
;其中index3为peak+4点数据索引;
以及,将所述目标峰前点和所述目标峰后点之间的区域面积确定为目标NDVI生长总和;按照如下公式确定目标NDVI生长总和:
。
2.根据权利要求1所述的作物产量预测方法,其特征在于,所述目标作物估产模型的训练步骤,包括:
获取所述目标作物的历史NDVI最大值、历史NDVI峰前总和、历史NDVI峰后总和、历史NDVI生长总和、历史产量实际值;
通过初始作物估产模型,基于所述历史NDVI最大值、所述历史NDVI峰前总和、所述历史NDVI峰后总和、所述历史NDVI生长总和,确定所述目标作物的第二产量预测值;
基于所述历史产量实际值和所述第二产量预测值,确定所述初始作物估产模型的多评价指标;
基于所述多评价指标对所述初始作物估产模型的参数值进行调整,以得到目标作物估产模型。
3.根据权利要求2所述的作物产量预测方法,其特征在于,所述多评价指标包括均方根误差、决定系数和平均绝对误差中的一种或多种。
4.一种作物产量预测装置,其特征在于,包括:
遥感数据获取模块,用于获取作物产区的已有遥感数据;其中,所述作物产区种植有目标作物,已有遥感数据为目标作物生长过程中,从种植日期至当前日期内的遥感数据,所述目标作物未完全成熟;
NDVI数据预测模块,用于通过预先训练的目标NDVI预测模型,基于所述已有遥感数据预测所述目标作物的生长周期NDVI均值曲线数据;
物候变量确定模块,用于根据所述生长周期NDVI均值曲线数据确定所述目标作物的物候变量;
产量预测模块,用于通过预先构建的目标作物估产模型,基于所述物候变量确定所述目标作物的第一产量预测值,以实现作物生长周期内任何时点作物产量预测,并随着生长季的延伸,产量预测值逐渐精确;
NDVI数据预测模块还用于:
将所述作物产区的产区边界与所述已有遥感数据叠加,以将所述作物产区内种植所述目标作物之外的区域的已有遥感数据剔除,得到所述目标作物的已有遥感数据;
对所述目标作物的已有遥感数据中的异常值进行修正,并对修正后的已有遥感数据进行平滑处理,得到平滑时间序列曲线数据;
根据所述平滑时间序列曲线数据确定所述目标作物的NDVI均值,以得到所述目标作物的已有NDVI均值曲线数据;
通过预先训练的目标NDVI预测模型,基于所述已有NDVI均值曲线数据预测所述目标作物的生长周期NDVI均值曲线数据;
还包括第一训练模块,用于:
获取历史遥感数据,并基于所述历史遥感数据确定历史NDVI均值曲线数据;
针对所述历史NDVI均值曲线数据设置滑动窗口,将位于滑动窗口之中的所述历史NDVI均值曲线数据作为输入数据,将位于所述滑动窗口之后的所述历史NDVI均值曲线数据作为真值,并按照预设步长移动所述滑动窗口,直至满足预设停止条件,以得到多组所述输入数据和所述真值;
将每组所述输入数据和所述真值作为训练数据集,对初始NDVI预测模型进行训练得到目标NDVI预测模型;
物候变量确定模块还用于;
根据所述生长周期NDVI均值曲线数据,分别确定目标NDVI最大值、目标NDVI峰前总和、目标NDVI峰后总和、目标NDVI生长总和;
将所述目标NDVI最大值、所述目标NDVI峰前总和、所述目标NDVI峰后总和、所述目标NDVI生长总和均作为所述目标作物的物候变量;
其中,所述目标NDVI最大值用于表征所述目标作物在抽穗期的物候变量,所述目标NDVI峰前总和用于表征所述目标作物在孕穗期至抽穗期的物候变量,所述目标NDVI峰后总和用于表征所述目标作物在抽穗期至成熟期的物候变量,所述目标NDVI生长总和用于表征所述目标作物在整个生长周期的物候变量;
物候变量确定模块还用于;
所述生长周期NDVI均值曲线数据中峰点的值确定为目标NDVI最大值;将生长周期NDVI均值曲线数据中峰点的值确定为目标NDVI最大值;
以及,从所述生长周期NDVI均值曲线数据中确定目标峰前点,并将所述目标峰前点和所述峰点之间的区域面积确定为目标NDVI峰前总和;将峰点前的四个点作为目标峰前点,包括点Peak-1、点Peak-2、点Peak-3、点Peak-4,并按照如下公式确定目标NDVI峰前总和/>:
;其中,index1为peak-4点数据索引,index2为峰值点数据索引;
以及,从所述生长周期NDVI均值曲线数据中确定目标峰后点,并将所述目标峰后点和所述峰点之间的区域面积确定为目标NDVI峰后总和;将峰点后的四个点作为目标峰后点,包括点Peak+1、点Peak+2、点Peak+3、点Peak+4,并按照如下公式确定目标NDVI峰后总和/>:
;其中index3为peak+4点数据索引;
以及,将所述目标峰前点和所述目标峰后点之间的区域面积确定为目标NDVI生长总和;按照如下公式确定目标NDVI生长总和:
。
5.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至3任一项所述的方法。
6.一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可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现权利要求1至3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310821489.8A CN116542403B (zh) | 2023-07-06 | 2023-07-06 | 作物产量预测方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310821489.8A CN116542403B (zh) | 2023-07-06 | 2023-07-06 | 作物产量预测方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116542403A CN116542403A (zh) | 2023-08-04 |
CN116542403B true CN116542403B (zh) | 2023-10-20 |
Family
ID=87447499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310821489.8A Active CN116542403B (zh) | 2023-07-06 | 2023-07-06 | 作物产量预测方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116542403B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108984803A (zh) * | 2018-10-22 | 2018-12-11 | 北京师范大学 | 一种农作物产量空间化的方法及系统 |
CN109614891A (zh) * | 2018-11-27 | 2019-04-12 | 北京师范大学 | 基于物候学和遥感的农作物识别方法 |
CN113469145A (zh) * | 2021-09-01 | 2021-10-01 | 中国测绘科学研究院 | 一种基于高时空分辨率遥感数据的植被物候提取方法 |
CN114782837A (zh) * | 2022-06-17 | 2022-07-22 | 中化现代农业有限公司 | 种植物估产方法、装置、电子设备和存储介质 |
-
2023
- 2023-07-06 CN CN202310821489.8A patent/CN116542403B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108984803A (zh) * | 2018-10-22 | 2018-12-11 | 北京师范大学 | 一种农作物产量空间化的方法及系统 |
CN109614891A (zh) * | 2018-11-27 | 2019-04-12 | 北京师范大学 | 基于物候学和遥感的农作物识别方法 |
CN113469145A (zh) * | 2021-09-01 | 2021-10-01 | 中国测绘科学研究院 | 一种基于高时空分辨率遥感数据的植被物候提取方法 |
CN114782837A (zh) * | 2022-06-17 | 2022-07-22 | 中化现代农业有限公司 | 种植物估产方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116542403A (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084367B (zh) | 一种基于lstm深度学习模型的土壤墒情预测方法 | |
US9652840B1 (en) | System and method for remote nitrogen monitoring and prescription | |
CN112348812B (zh) | 林分年龄信息测量方法及装置 | |
CN107341577A (zh) | 一种农作物产量预测方法及系统 | |
CN111582554A (zh) | 一种农作物长势预测方法及系统 | |
CN114529097B (zh) | 多尺度农作物物候期遥感降维预测方法 | |
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 | |
CN113159439A (zh) | 一种作物产量的预测方法、系统、存储介质和电子设备 | |
CN115018105A (zh) | 一种冬小麦气象产量预测方法及系统 | |
CN115495991A (zh) | 一种基于时间卷积网络的降水区间预测方法 | |
Junior et al. | Assimilating leaf area index data into a sugarcane process-based crop model for improving yield estimation | |
CN115861831A (zh) | 基于作物物候知识的时间序列遥感数据农作物识别方法 | |
CN115600771A (zh) | 作物产量估测方法、装置、设备及存储介质 | |
CN114357737A (zh) | 针对大尺度水文模型时变参数的代理优化率定方法 | |
CN116757332B (zh) | 叶菜产量预测方法、装置、设备及介质 | |
CN117423003A (zh) | 一种冬小麦越冬期苗情分级遥感监测方法 | |
CN116542403B (zh) | 作物产量预测方法、装置、电子设备及可读存储介质 | |
Monteiro et al. | Potential use of data-driven models to estimate and predict soybean yields at national scale in Brazil | |
CN116863341A (zh) | 基于时间序列卫星遥感影像的作物分类和识别方法和系统 | |
CN114782837B (zh) | 种植物估产方法、装置、电子设备和存储介质 | |
CN116579521A (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
CN114611804A (zh) | 基于tso-grnn组合模型的玉米产量预测方法 | |
CN114692971A (zh) | 一种基于产量差的作物产量预测方法及装置 | |
CN115661674A (zh) | 一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法 | |
CN117236519B (zh) | 水肥调控方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |