CN116629453A - 一种适用于作物全生育时期的遥感估产方法 - Google Patents
一种适用于作物全生育时期的遥感估产方法 Download PDFInfo
- Publication number
- CN116629453A CN116629453A CN202310876336.3A CN202310876336A CN116629453A CN 116629453 A CN116629453 A CN 116629453A CN 202310876336 A CN202310876336 A CN 202310876336A CN 116629453 A CN116629453 A CN 116629453A
- Authority
- CN
- China
- Prior art keywords
- yield
- model
- biomass
- crop
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000012010 growth Effects 0.000 title claims abstract description 24
- 239000002028 Biomass Substances 0.000 claims description 53
- 238000003306 harvesting Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000002068 genetic effect Effects 0.000 claims description 12
- 101001057166 Homo sapiens Protein EVI2A Proteins 0.000 claims description 10
- 102100027246 Protein EVI2A Human genes 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 6
- 230000035558 fertility Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims 1
- 230000034373 developmental growth involved in morphogenesis Effects 0.000 claims 1
- 238000003672 processing method Methods 0.000 abstract description 2
- 241000209094 Oryza Species 0.000 description 14
- 235000007164 Oryza sativa Nutrition 0.000 description 14
- 235000009566 rice Nutrition 0.000 description 14
- 241000209140 Triticum Species 0.000 description 4
- 235000021307 Triticum Nutrition 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 235000013339 cereals Nutrition 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012795 verification Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marine Sciences & Fisheries (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Educational Administration (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
Abstract
本发明公开一种适用于作物全生育时期的遥感估产方法,属于预测目的的数据处理方法和摄影测量学技术领域,用于对作物进行估产,本发明综合考虑作物产量农学知识,使用多源遥感数据,以全生育时期生物量估算模型、生物量贡献曲线、作物收获系数为基础,构建时空扩展性稳定的全生育时期作物估产模型,估产模型以相对积温和遥感植被指数作为变量输入,同时采用遗传算法,在样本点较少,无法直接通过数据拟合构建模型的情况下,对模型的参数进行优化,解决估产模型时空迁移性差的问题,实现在作物不同生育时期进行作物产量的准确估算。
Description
技术领域
本发明公开一种适用于作物全生育时期的遥感估产方法,属于预测目的的数据处理方法和摄影测量学技术领域。
背景技术
目前,作物产量遥感估算的方法主要分为三类:1.统计模型,这种模型可操作性强,应用简单,其中CN110414738A公开了一种农作物产量预测方法及系统,根据预测区域的差别选取最优的产量预测决策树模型,适用于大区域的农作物的产量预测,并提高了产量的预测精度。2.作物模型同化,根据作物生长发育物理机制构建,输入参数较多,其中CN08509836A 公开了双极化合成孔径雷达与作物模型数据同化的作物估产方法,充分融合SAR遥感数据和WOFOST模型的优势,提高作物模型产量模拟精度。3.半机理模型,相对机理模型结构有所简化,其中CN109919395A公开了一种基于短周期遥感区域数据的冬小麦产量估测方法,通过利用改进的CASA模型,估算以5天为间隔的高时空分辨率冬小麦NPP空间分布信息,结合NPP-产量转换模型,实现了冬小麦产量遥感估测。当前的作物估产模型在一种作物的具体生育时期内实现了较高估算精度,但是当应用于其它作物或在多个生育期使用时,通常存在时空迁移性差,难以落地应用的问题,无法对作物产量进行像元尺度的动态监测。
发明内容
本发明的目的在于提供一种适用于作物全生育时期的遥感估产方法,以解决现有技术中,作物估产模型时空迁移性差,难以落地应用的问题。
一种适用于作物全生育时期的遥感估产方法,包括:
S1.构建生物量遥感驱动模型;
S2.构建生物量贡献率曲线;
S3.进行作物产量预测;
S4.优化算法的参数优化。
S1中生物量遥感驱动模型为分层结构,第一层构建增强型植被指数EVI2与生物量AGB的关系模型,第二层以第一层的模型系数与生育期相对积温构建演化函数,其中第一层模型的斜率k与相对积温RGS为指数规律,截距b与RGS为线性规律,具体公式如下:
;
式中,为作物生物量,k和b为全生育时期生物量模型第一层回归方程的系数和截距,k和b在模型第二层中分别作为两个回归方程的因变量;EVI2为增强型植被指数,为第一层模型的因变量,由遥感影像的红波段和近红外波段计算得到;NIR和R分别为遥感影像的近红外和红波段;k1、b1、k2、b2分别为第二层两个回归方程的系数。
S2中,生物量贡献率曲线为异速生长曲线,其横轴为相对积温值,纵轴为生物量贡献率,通过影像获取日期的生物量与生物量贡献率曲线对应到作物收获期生物量,即作物最大生物量AGBmax,生物量贡献率如下式:
;
式中,为生物量贡献率;b3、b4、b5为模型系数;AGBmax为作物最终生物量;AGB为作物某一生育时期的生物量。
S3中,作物产量为生长阶段中最后一天的生物量乘以收获系数,收获指数以一个县级行政区为单位,通过种子管理部门或者农业推广部门获得作物品种,基于不同品种的特性确定该地区的收获系数,产量预测的公式如下:
;
式中,Yield为作物产量;HI为作物对应的收获系数。
S4中,得到作物遥感估产模型的7个参数k1、b1、k2、b2、b3、b4、b5和2个自变量VI和RGS,VI为遥感植被指数,通过遗传优化算法对估产的模型的七个参数进行优化。
S4包括:
S4.1.进行参数初始化并确定参数优化范围,根据使用地面数据建立的CBA模型的参数作为估产模型参数的初始值,CBA模型为全生育时期生物量估算模型;
S4.2.适应度计算,使用遗传算法对作物估产模型参数进行优化时,选择实测产量与预测产量的均方根误差RMSE作为适应度函数,在模型参数优化过程中,将训练数据使用估产模型进行产量估算后RMSE最小作为优化目标:
计算个体适应度如下:
;
式中,J为个体适应度,n为训练样本个数,为样本点产量估算值,Y为样本点产量实测值;
S4.3.迭代计算,使用适应度函数对个体进行适应度评价,遗传算法按与个体适应度成正比的概率来决定当前群体中各个个体遗传到下一代群体中机会的多少,并根据个体适应度的大小进行复制、交叉和遗传操作;
对模型参数进行重复迭代运算,当相邻代<0.01或达到预先设定500次迭代次数后,结束迭代计算,对优化个体进行解码,得到优化后的模型参数值;
S4.4.作物产量估算,利用得到的优化后参数值带入估产模型,结合任一生育时期作物的相对积温和遥感植被指数EVI2作为输入,在不同时间通过估产模型得到估产结果。
相对比现有技术,本发明具有以下有益效果:全生育时期遥感估产模型为半机理模型,具有一定的机理性,能够在作物生长的任一阶段准确进行作物估产,同时可以通过多个生育时期的多次估产结果进行平均计算,进一步提高估产精度;估产模型的输入变量使用的遥感植被指数为EVI2,可以有效克服植被高覆盖度时的饱和现象并减小土壤背景的影响;本发明可适用于小麦、水稻等多种作物,通过在作物不同生育阶段反演得到的作物最终产量信息,可以及时地指导调优栽培,确保粮食增产稳产,对进出口决策科学制定、粮食市场价格及贸易、农业保险评估应用、智慧农业应用等具有重要意义。
附图说明
图1是本发明的CBA模型的流程图;
图2是两个区域的水稻产量专题图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,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,都属于本发明保护的范围。
一种适用于作物全生育时期的遥感估产方法,包括:
S1.构建生物量遥感驱动模型;
S2.构建生物量贡献率曲线;
S3.进行作物产量预测;
S4.优化算法的参数优化。
S1中生物量遥感驱动模型为分层结构,第一层构建增强型植被指数EVI2与生物量AGB的关系模型,第二层以第一层的模型系数与生育期相对积温构建演化函数,其中第一层模型的斜率k与相对积温RGS为指数规律,截距b与RGS为线性规律,具体公式如下:
;
式中,为作物生物量,k和b为全生育时期生物量模型第一层回归方程的系数和截距,k和b在模型第二层中分别作为两个回归方程的因变量;EVI2为增强型植被指数,为第一层模型的因变量,由遥感影像的红波段和近红外波段计算得到;NIR和R分别为遥感影像的近红外和红波段;k1、b1、k2、b2分别为第二层两个回归方程的系数。
S2中,生物量贡献率曲线为异速生长曲线,其横轴为相对积温值,纵轴为生物量贡献率,通过影像获取日期的生物量与生物量贡献率曲线对应到作物收获期生物量,即作物最大生物量AGBmax,生物量贡献率如下式:
;
式中,为生物量贡献率;b3、b4、b5为模型系数;AGBmax为作物最终生物量;AGB为作物某一生育时期的生物量。
S3中,作物产量为生长阶段中最后一天的生物量乘以收获系数,收获指数以一个县级行政区为单位,通过种子管理部门或者农业推广部门获得作物品种,基于不同品种的特性确定该地区的收获系数,产量预测的公式如下:
;
式中,Yield为作物产量;HI为作物对应的收获系数。
S4中,得到作物遥感估产模型的7个参数k1、b1、k2、b2、b3、b4、b5和2个自变量VI和RGS,VI为遥感植被指数,通过遗传优化算法对估产的模型的七个参数进行优化。
S4包括:
S4.1.进行参数初始化并确定参数优化范围,根据使用地面数据建立的CBA模型的参数作为估产模型参数的初始值,CBA模型为全生育时期生物量估算模型;
S4.2.适应度计算,使用遗传算法对作物估产模型参数进行优化时,选择实测产量与预测产量的均方根误差RMSE作为适应度函数,在模型参数优化过程中,将训练数据使用估产模型进行产量估算后RMSE最小作为优化目标:
计算个体适应度如下:
;
式中,J为个体适应度,n为训练样本个数,为样本点产量估算值,Y为样本点产量实测值;
S4.3.迭代计算,使用适应度函数对个体进行适应度评价,遗传算法按与个体适应度成正比的概率来决定当前群体中各个个体遗传到下一代群体中机会的多少,并根据个体适应度的大小进行复制、交叉和遗传操作;
对模型参数进行重复迭代运算,当相邻代<0.01或达到预先设定500次迭代次数后,结束迭代计算,对优化个体进行解码,得到优化后的模型参数值;
S4.4.作物产量估算,利用得到的优化后参数值带入估产模型,结合任一生育时期作物的相对积温和遥感植被指数EVI2作为输入,在不同时间通过估产模型得到估产结果。
本发明的CBA模型的流程图如图1所示,本发明构建的水稻产量预测模型具有较强的年际扩展性和空间普适性,能够实现水稻产量的准确预测。使用相对生育时期(RGS)作为水稻模型的输入参数,意味着只要进行局部校准,水稻模型就可以转移到其他地区和不同季节。本发明对第一试验区以及第二试验区的水稻产量数据进行分析。本发明构建了产量模型,实测值与预测值的均方根误差为33kg/亩,最终两个区域的水稻产量专题图如2所示。第一实验区域及第二实验区域产量通过用耕地非农田区域,统计结果,得出均值分别是在428kg/亩和490kg/亩左右(耕地区可能有其他作物,没有考虑具体的水稻分类),第二试验区水稻平均产量高于第一试验区。出现这种不同情况的原因可能是不同地区的温度变化不同而对水稻的生长产生了影响,从而导致水稻品质上有区别。本发明构建的模型建模和验证精度与现有模型反演精度相比具有显著优势,模型的年际和空间可扩展性得到了验证。模型输入数据相对简单,因此可以很方便地开发并生成这些数据的现场仪器。模型适用于水稻生长的多个时间点进行产量预测,可用于指导生产过程的各个管理环节及水稻产量预测。
以上实施例仅用于说明本发明的技术方案,而非对其限制,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换,而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (6)
1.一种适用于作物全生育时期的遥感估产方法,其特征在于,包括:
S1.构建生物量遥感驱动模型;
S2.构建生物量贡献率曲线;
S3.进行作物产量预测;
S4.优化算法的参数优化。
2.根据权利要求1所述的一种适用于作物全生育时期的遥感估产方法,其特征在于,S1中生物量遥感驱动模型为分层结构,第一层构建增强型植被指数EVI2与生物量AGB的关系模型,第二层以第一层的模型系数与生育期相对积温构建演化函数,其中第一层模型的斜率k与相对积温RGS为指数规律,截距b与RGS为线性规律,具体公式如下:
;
式中,为作物生物量,k和b为全生育时期生物量模型第一层回归方程的系数和截距,k和b在模型第二层中分别作为两个回归方程的因变量;EVI2为增强型植被指数,为第一层模型的因变量,由遥感影像的红波段和近红外波段计算得到;NIR和R分别为遥感影像的近红外和红波段;k1、b1、k2、b2分别为第二层两个回归方程的系数。
3.根据权利要求2所述的一种适用于作物全生育时期的遥感估产方法,其特征在于,S2中,生物量贡献率曲线为异速生长曲线,其横轴为相对积温值,纵轴为生物量贡献率,通过影像获取日期的生物量与生物量贡献率曲线对应到作物收获期生物量,即作物最大生物量AGBmax,生物量贡献率如下式:
;
式中,为生物量贡献率;b3、b4、b5为模型系数;AGBmax为作物最终生物量;AGB为作物某一生育时期的生物量。
4.根据权利要求3所述的一种适用于作物全生育时期的遥感估产方法,其特征在于,S3中,作物产量为生长阶段中最后一天的生物量乘以收获系数,收获指数以一个县级行政区为单位,通过种子管理部门或者农业推广部门获得作物品种,基于不同品种的特性确定该地区的收获系数,产量预测的公式如下:
;
式中,Yield为作物产量;HI为作物对应的收获系数。
5.根据权利要求4所述的一种适用于作物全生育时期的遥感估产方法,其特征在于,S4中,得到作物遥感估产模型的7个参数k1、b1、k2、b2、b3、b4、b5和2个自变量VI和RGS,VI为遥感植被指数,通过遗传优化算法对估产的模型的七个参数进行优化。
6.根据权利要求5所述的一种适用于作物全生育时期的遥感估产方法,其特征在于,S4包括:
S4.1.进行参数初始化并确定参数优化范围,根据使用地面数据建立的CBA模型的参数作为估产模型参数的初始值,CBA模型为全生育时期生物量估算模型;
S4.2.适应度计算,使用遗传算法对作物估产模型参数进行优化时,选择实测产量与预测产量的均方根误差RMSE作为适应度函数,在模型参数优化过程中,将训练数据使用估产模型进行产量估算后RMSE最小作为优化目标:
计算个体适应度如下:
;
式中,J为个体适应度,n为训练样本个数,为样本点产量估算值,Y为样本点产量实测值;
S4.3.迭代计算,使用适应度函数对个体进行适应度评价,遗传算法按与个体适应度成正比的概率来决定当前群体中各个个体遗传到下一代群体中机会的多少,并根据个体适应度的大小进行复制、交叉和遗传操作;
对模型参数进行重复迭代运算,当相邻代<0.01或达到预先设定500次迭代次数后,结束迭代计算,对优化个体进行解码,得到优化后的模型参数值;
S4.4.作物产量估算,利用得到的优化后参数值带入估产模型,结合任一生育时期作物的相对积温和遥感植被指数EVI2作为输入,在不同时间通过估产模型得到估产结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310876336.3A CN116629453B (zh) | 2023-07-18 | 2023-07-18 | 一种适用于作物全生育时期的遥感估产方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310876336.3A CN116629453B (zh) | 2023-07-18 | 2023-07-18 | 一种适用于作物全生育时期的遥感估产方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116629453A true CN116629453A (zh) | 2023-08-22 |
CN116629453B CN116629453B (zh) | 2023-10-24 |
Family
ID=87617327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310876336.3A Active CN116629453B (zh) | 2023-07-18 | 2023-07-18 | 一种适用于作物全生育时期的遥感估产方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116629453B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117423003A (zh) * | 2023-12-19 | 2024-01-19 | 山东科技大学 | 一种冬小麦越冬期苗情分级遥感监测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829234A (zh) * | 2019-01-30 | 2019-05-31 | 北京师范大学 | 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法 |
US20200141877A1 (en) * | 2018-11-06 | 2020-05-07 | Nanjing Agricultural University | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle |
CN111783538A (zh) * | 2020-05-29 | 2020-10-16 | 北京农业信息技术研究中心 | 小麦生物量的遥感估算方法、装置、电子设备及存储介质 |
CN111798028A (zh) * | 2020-05-28 | 2020-10-20 | 山东云彩信息科技有限公司 | 一种作物产量预测方法、装置、电子设备和存储介质 |
CN111898922A (zh) * | 2020-08-10 | 2020-11-06 | 深圳市大德众和科技有限公司 | 一种多尺度农作物产量评估方法及系统 |
CN113673490A (zh) * | 2021-10-21 | 2021-11-19 | 武汉大学 | 一种物候期自适应的作物生理参数遥感估测方法及系统 |
US20230024846A1 (en) * | 2021-07-26 | 2023-01-26 | Jilin University | Crop yield prediction method and system |
CN116070742A (zh) * | 2022-12-28 | 2023-05-05 | 中联智慧农业股份有限公司 | 用于预测作物产量的方法、装置、存储介质及处理器 |
-
2023
- 2023-07-18 CN CN202310876336.3A patent/CN116629453B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200141877A1 (en) * | 2018-11-06 | 2020-05-07 | Nanjing Agricultural University | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle |
CN109829234A (zh) * | 2019-01-30 | 2019-05-31 | 北京师范大学 | 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法 |
CN111798028A (zh) * | 2020-05-28 | 2020-10-20 | 山东云彩信息科技有限公司 | 一种作物产量预测方法、装置、电子设备和存储介质 |
CN111783538A (zh) * | 2020-05-29 | 2020-10-16 | 北京农业信息技术研究中心 | 小麦生物量的遥感估算方法、装置、电子设备及存储介质 |
CN111898922A (zh) * | 2020-08-10 | 2020-11-06 | 深圳市大德众和科技有限公司 | 一种多尺度农作物产量评估方法及系统 |
US20230024846A1 (en) * | 2021-07-26 | 2023-01-26 | Jilin University | Crop yield prediction method and system |
CN113673490A (zh) * | 2021-10-21 | 2021-11-19 | 武汉大学 | 一种物候期自适应的作物生理参数遥感估测方法及系统 |
CN116070742A (zh) * | 2022-12-28 | 2023-05-05 | 中联智慧农业股份有限公司 | 用于预测作物产量的方法、装置、存储介质及处理器 |
Non-Patent Citations (1)
Title |
---|
(P.M.德里森)P.M.DRIESSEN等: "《土地利用系统分析》", 中国农业科技出版社, pages: 45 - 47 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117423003A (zh) * | 2023-12-19 | 2024-01-19 | 山东科技大学 | 一种冬小麦越冬期苗情分级遥感监测方法 |
CN117423003B (zh) * | 2023-12-19 | 2024-03-19 | 山东科技大学 | 一种冬小麦越冬期苗情分级遥感监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116629453B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11275197B2 (en) | Forecasting national crop yield during the growing season | |
Matsumura et al. | Maize yield forecasting by linear regression and artificial neural networks in Jilin, China | |
Li et al. | Estimating genetic parameters of DSSAT-CERES model with the GLUE method for winter wheat (Triticum aestivum L.) production | |
CN109711102B (zh) | 一种作物灾害损失快速评估方法 | |
Wang et al. | Monitoring maize growth on the North China Plain using a hybrid genetic algorithm-based back-propagation neural network model | |
CA2981473C (en) | Forecasting national crop yield during the growing season | |
Dong et al. | Comparison and analysis of data assimilation algorithms for predicting the leaf area index of crop canopies | |
CN116629453B (zh) | 一种适用于作物全生育时期的遥感估产方法 | |
CN110579186B (zh) | 基于逆高斯过程反演叶面积指数的农作物长势监测方法 | |
Xie et al. | Assimilation of leaf area index and surface soil moisture with the CERES-wheat model for winter wheat yield estimation using a particle filter algorithm | |
CN111044516B (zh) | 一种水稻叶绿素含量遥感估测方法 | |
CN109800921A (zh) | 一种基于遥感物候同化和粒子群优化算法的区域冬小麦估产方法 | |
CN108537679B (zh) | 遥感与作物模型融合的区域尺度作物出苗日期估算方法 | |
CN116681169A (zh) | 极端气候对作物产量影响的评估方法 | |
Liu et al. | Winter wheat yield estimation based on assimilated Sentinel-2 images with the CERES-Wheat model | |
CN116485757A (zh) | 一种冬小麦全氮含量预测方法 | |
CN114357737B (zh) | 针对大尺度水文模型时变参数的代理优化率定方法 | |
CN117423003B (zh) | 一种冬小麦越冬期苗情分级遥感监测方法 | |
CN115860269A (zh) | 一种基于三重注意力机制的农作物产量预测方法 | |
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 | |
Aubakirova et al. | APPLICATION OF ARTIFICIAL NEURAL NETWORK FOR WHEAT YIELD FORECASTING. | |
Liu et al. | Influences of agricultural phenology dynamic on land surface biophysical process and climate feedback | |
CN116595333B (zh) | 土壤-气候智慧型的水稻目标产量与氮肥用量确定方法 | |
CN109472320B (zh) | 不确定条件下作物生育期模型品种参数自动校正方法 | |
CN111579565B (zh) | 农业干旱监测方法、系统及存储介质 |
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 |