CN117454074A - 作物面积的估算方法及其装置 - Google Patents

作物面积的估算方法及其装置 Download PDF

Info

Publication number
CN117454074A
CN117454074A CN202311502615.XA CN202311502615A CN117454074A CN 117454074 A CN117454074 A CN 117454074A CN 202311502615 A CN202311502615 A CN 202311502615A CN 117454074 A CN117454074 A CN 117454074A
Authority
CN
China
Prior art keywords
area
crop
data
land
data set
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311502615.XA
Other languages
English (en)
Inventor
高煜堃
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.)
Suzhou Vocational University
Original Assignee
Suzhou Vocational University
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 Suzhou Vocational University filed Critical Suzhou Vocational University
Priority to CN202311502615.XA priority Critical patent/CN117454074A/zh
Publication of CN117454074A publication Critical patent/CN117454074A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Optimization (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Animal Husbandry (AREA)
  • Biophysics (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Computational Linguistics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mining & Mineral Resources (AREA)
  • Agronomy & Crop Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)

Abstract

本发明公开了一种作物面积的估算方法及其装置，该估算方法包括以下步骤：获取目标区域在预设历史时期中的作物收获面积分布图、自然环境地理信息数据集、社会经济发展数据集和作物管理数据集；得到IGBP系统下的未来土地需求量，预测预设年份的土地利用变化；提取新增耕地像元，基于历史作物面积数据，利用地统计学插值计算新增耕地作物参考面积；构建模型并训练得到预设年份的新增耕地作物收获面积；通过若干地区统计年鉴和历史作物面积数据集，并对结果进行精度评价；用新增耕地作物收获面积对预设年份的收获面积进行递归模拟，得到目标区域在预设年份的作物收获面积时空格局。该估算方法能够准确估算新增耕地上的作物收获面积。

Description

作物面积的估算方法及其装置
技术领域
本发明涉及农业技术领域，尤其涉及作物面积的估算方法及其装置。
背景技术
作物收获面积估算是为了应对未来作物产量估算中缺乏相关重要数据而提出的一种重要的作物管理参数计算方法。由于种植地点的气候差异以及种植作物的品种差异，许多地区作物的会有轮作等管理措施，部分地区作物一年可以收获多次，因此作物的收获面积有别于作物面积。而作物的总产量主要通过农作物单位面积上单次收获的单产与作物收获面积的乘积计算得到。稳定而连续的作物收获区域和面积信息对于监测地表变化，以及制定影响农业生产、土地利用和可持续发展政策具有至关重要的作用。日益增多的农业和环境应用逐步依赖格网的农业生产数据。用来估算作物收获面积的常见方法包括使用参考数据和分类算法(如决策树、随机森林、支持向量机、神经网络等)，来建立卫星衍生特征(如光谱特征、植被指数、纹理特征、地形等)与作物类型之间的关系。此外，作物分布和面积数据还可以通过整合统计数据、土地覆盖数据、景观特征、气候、土壤状况等数据，经过全球空间生产分配模型的处理而生成。
然而，这些方法都依赖于遥感数据或历史行政统计数据，因此无法有效地预测未来作物的收获面积。虽然未来土地利用模拟可以模拟耕地分布，但目前尚无法准确估算新增耕地上的作物收获面积。
发明内容
有鉴于此，本发明的主要目的在于提供一种作物面积的估算方法及其装置。
为达到上述目的，本发明的技术方案是这样实现的：一种作物面积的估算方法，包括以下步骤：获取目标区域在预设历史时期中的信息，所述信息包括：作物收获面积分布图、自然环境地理信息数据集、社会经济发展数据集和作物管理数据集；其中，所述自然环境地理信息数据集至少包括：气候数据、土壤数据和地形数据；所述社会经济发展数据集至少包括：人口数据和GDP数据；所述作物管理数据集至少包括：灌溉数据、播种数据和收获数据；以所述作物收获面积分布图为基准，对所述自然环境地理信息数据集、社会经济发展数据集和作物管理数据集进行重采样处理，使得所述作物收获面积分布图、自然环境地理信息数据集、社会经济发展数据集和作物管理数据集的分辨率一致；基于LUH2系统得到IGBP系统下的未来土地需求量；基于所述未来土地需求量，预测预设年份的土地利用变化；基于所述土地利用变化，提取新增耕地像元，基于历史作物面积数据，利用地统计学插值计算新增耕地作物参考面积；基于所述作物参考面积与农业适宜性数据，构建模型并训练得到预设年份的新增耕地作物收获面积；通过若干地区统计年鉴和历史作物面积数据集，在像素尺度和区域尺度同时对所述新增耕地作物收获面积进行精度评价；用所述新增耕地作物收获面积对预设年份的收获面积进行递归模拟，得到目标区域在预设年份的作物收获面积时空格局。
作为本发明实施例的一种改进，所述“基于LUH2系统得到IGBP系统下的未来土地需求量”具体包括：基于MODIS土地利用数据和LUH2系统得到IGBP系统下的每个土地类型的比例。
作为本发明实施例的一种改进，所述“基于所述未来土地需求量，预测预设年份的土地利用变化”具体包括：将所述未来土地需求量输入土地利用模拟模型，基于相关自然要素与社会经济数据，计算每个像元中各类土地利用适宜性概率，然后，基于计算出的概率为每个像元分配最合适的土地利用类型，从而模拟未来耕地分布变化。
作为本发明实施例的一种改进，所述“基于历史作物面积数据，利用地统计学插值计算新增耕地作物参考面积”具体包括：基于历史作物面积数据，利用IDW算法计算新增耕地作物参考面积。
作为本发明实施例的一种改进，所述“基于所述作物参考面积与农业适宜性数据，构建模型并训练得到预设年份的新增耕地作物收获面积”具体包括：基于所述作物参考面积与农业适宜性数据，利用随机森林算法构建模型并训练得到预设年份的新增耕地作物收获面积。
本发明实施例还提供了一种作物面积的估算装置，包括以下模块：数据获取模块，用于获取目标区域在预设历史时期中的信息，所述信息包括：作物收获面积分布图、自然环境地理信息数据集、社会经济发展数据集和作物管理数据集；其中，所述自然环境地理信息数据集至少包括：气候数据、土壤数据和地形数据；所述社会经济发展数据集至少包括：人口数据和GDP数据；所述作物管理数据集至少包括：灌溉数据、播种数据和收获数据；以所述作物收获面积分布图为基准，对所述自然环境地理信息数据集、社会经济发展数据集和作物管理数据集进行重采样处理，使得所述作物收获面积分布图、自然环境地理信息数据集、社会经济发展数据集和作物管理数据集的分辨率一致；数据预处理模块，用于基于LUH2系统得到IGBP系统下的未来土地需求量；基于所述未来土地需求量，预测预设年份的土地利用变化；基于所述土地利用变化，提取新增耕地像元，基于历史作物面积数据，利用地统计学插值计算新增耕地作物参考面积；基于所述作物参考面积与农业适宜性数据，构建模型并训练得到预设年份的新增耕地作物收获面积；通过若干地区统计年鉴和历史作物面积数据集，在像素尺度和区域尺度同时对所述新增耕地作物收获面积进行精度评价；估算模块，用于用所述新增耕地作物收获面积对预设年份的收获面积进行递归模拟，得到目标区域在预设年份的作物收获面积时空格局。
作为本发明实施例的一种改进，所述数据预处理模块还用于：基于MODIS土地利用数据和LUH2系统得到IGBP系统下的每个土地类型的比例。
作为本发明实施例的一种改进，所述数据预处理模块还用于：将所述未来土地需求量输入土地利用模拟模型，基于相关自然要素与社会经济数据，计算每个像元中各类土地利用适宜性概率，然后，基于计算出的概率为每个像元分配最合适的土地利用类型，从而模拟未来耕地分布变化。
作为本发明实施例的一种改进，所述数据预处理模块还用于：基于历史作物面积数据，利用IDW算法计算新增耕地作物参考面积。
作为本发明实施例的一种改进，所述数据预处理模块还用于：基于所述作物参考面积与农业适宜性数据，利用随机森林算法构建模型并训练得到预设年份的新增耕地作物收获面积。
本发明实施例所提供的作物面积的估算方法及其装置具有以下优点：本本发明实施例公开了一种作物面积的估算方法及其装置，该估算方法包括以下步骤：获取目标区域在预设历史时期中的作物收获面积分布图、自然环境地理信息数据集、社会经济发展数据集和作物管理数据集；得到IGBP系统下的未来土地需求量，预测预设年份的土地利用变化；提取新增耕地像元，基于历史作物面积数据，利用地统计学插值计算新增耕地作物参考面积；构建模型并训练得到预设年份的新增耕地作物收获面积；通过若干地区统计年鉴和历史作物面积数据集，并对结果进行精度评价；用新增耕地作物收获面积对预设年份的收获面积进行递归模拟，得到目标区域在预设年份的作物收获面积时空格局。该估算方法能够准确估算新增耕地上的作物收获面积。
附图说明
图1为本发明实施例提供的作物面积的估算方法的流程示意图；
图2为本发明实施例提供的作物面积的估算方法的实验结果图。
具体实施方式
以下将结合附图所示的实施方式对本发明进行详细描述。但该实施方式并不限制本发明，本领域的普通技术人员根据该实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
以下描述和附图充分地示出本文的具体实施方案，以使本领域的技术人员能够实践它们。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本文的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。本文中，术语“第一”、“第二”等仅被用来将一个元素与另一个元素区分开来，而不要求或者暗示这些元素之间存在任何实际的关系或者顺序。实际上第一元素也能够被称为第二元素，反之亦然。而且，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结构、装置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结构、装置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，并不排除在包括所述要素的结构、装置或者设备中还存在另外的相同要素。本文中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中的术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本文和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。在本文的描述中，除非另有规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
本发明实施例一提供了一种作物面积的估算方法，如图1所示，包括以下步骤：
步骤101：获取目标区域在预设历史时期中的信息，所述信息包括：作物收获面积分布图、自然环境地理信息数据集、社会经济发展数据集和作物管理数据集；其中，所述自然环境地理信息数据集至少包括：气候数据、土壤数据和地形数据；所述社会经济发展数据集至少包括：人口数据和GDP数据；所述作物管理数据集至少包括：灌溉数据、播种数据和收获数据；以所述作物收获面积分布图为基准，对所述自然环境地理信息数据集、社会经济发展数据集和作物管理数据集进行重采样处理，使得所述作物收获面积分布图、自然环境地理信息数据集、社会经济发展数据集和作物管理数据集的分辨率一致；
这里，重采样是指根据一类象元的信息内插出另一类象元信息的过程，常用的重采样方法有最邻近内插法(Nearest Neighbor Interpolation)、双线性内插法(BilinearInterpolation)和三次卷积法内插(Cubic Convolution Interpolation)。
步骤102：基于LUH2系统得到IGBP系统下的未来土地需求量；
将LUH2(Land-Use Harmonization version-2，土地利用协调分类系统第二版本)系统下的土地利用归为6个大类，分别是耕地、林地、草地、城市、裸地和冰/水体。具体而言，将原始森林、潜在森林次生林和新增森林归类为林地；受管理的牧场归为草地；碳密度小于0.5kg/m2非原始/次生林归为裸地，碳密度大于0.5kg/m2非原始/次生林归为草地；C3和C4所有类型作物相加为耕地，其中，C3作物生长在温度较低环境，主要分布在温带和寒带；C4作物生长在温度较高地区，主要分布在热带、亚热带。C3作物有大豆、小麦和水稻等，C4作物有高梁、玉米、甘蔗等，这两种作物类型的生理生态过程及光合作用速率差异明显。然后将这6大类转换成IGBP(International Geosphere Biosphere Programme，国际地圈生物圈计划)系统的17类土地类型。其中，IGBP中的常绿针叶林，常绿阔叶林，落叶针叶林，落叶阔叶林，混交林，木本稀树草原归为林地；草原、封闭灌木地、开放灌木地、草地类型等归为草地；农田、农田/天然植被归为耕地；贫瘠或植被稀疏的土地归为裸地。根据二者对应关系，在一定社会经济区内部，每个地类的比例是一致的。计算将LUH2中子类型占总类型的比例p，通过这个比例p与LUH2的地类面积相乘，即得到IGBP系统下各个子类别的比例q。
基于所述未来土地需求量，预测预设年份的土地利用变化；
影响土地利用变化的因子很多，综合考虑气候、土壤、经济、人类、地形和距离等因子，利用人工神经网络(Artificial Neural Network，ANN)估算IGBP系统下土地类型的概率，同时采用自适应惯性机制的元胞自动机模型，来对未来包括耕地类型的各类土地利用分布进行模拟，其中，元胞自动机(Cellular Automaton)是一种时间、空间、状态都离散，空间相互作用和时间因果关系为局部的网格动力学模型，具有模拟复杂系统时空演化过程的能力。
第一步、计算每个像元种各类土地类型的土地适宜性概率，其中，土地适宜性分析是一种技术性分析，它是用来研究一定地区土地能否用于某些特定的用途的。该分析的目的是为了确保所分析的区域的土地可以安全、有效地用于规定的用途，同时也减少其他可能发生的环境污染或其他不利后果。这种分析可以帮助新或存在的建筑物或设施可以更加安全地实施，从而减少任何潜在的风险。土地适宜性分析也可以帮助决定哪些地区最适宜发展，这些地区可以是农村地区或城市地区，也可以是原始森林或湖泊地区等，这取决于分析的目的上地适宣性分析的过程通常是分析某一地区的地质地貌、水文地貌、气象地貌等几个方面的情况，也包括地表以及地下的条件，以便更清楚了解一定地区土地的情况，从而确定哪些用途最适合这个地区为了实施土地适宜性分析,需要对研究范围内的某种土地类型、气候、地形、地表和地下构成等进行详细考察，并根据研究结果进行适宜性分析。通过人工神经网络挖掘自然环境和社会经济等因素与土地利用变化的非线性关系，可以得到多图层的土地适宜性概率。第二步、利用自适应惯性和竞争机制的元胞自动机确定每个像元最可能的土地类型。将预设历史时期的土地利用、计算出的每个地类的适宜性概率和目标年每个地类的数量输入该模块，并设置每个类型互相转换的成本矩阵，模拟得到土地利用分布。
基于所述土地利用变化，提取新增耕地像元，基于历史作物面积数据，利用地统计学插值计算新增耕地作物参考面积；
在发明人的长期工作中，发现仅依据自然环境和社会经济要素预测无法对作物的收获面积进行精确预测，根据“地理学第一定律”，两个物体在地理上越接近，其相似度越高。因此，本发明创新性的考虑了目标像元在预设历史时期份周围已知像元的值。将周围预设历史时期的收获面积通过IDW(Inverse Distance Weighted，反距离加权)方法，以与目标像元距离为权重，计算出参考面积，表达式如下：其中，wij表示权重，也就是待插值点的属性值Vi受到周围样本点属性值Vj的影响程度，它与待插值点到周围样本点距离呈反比。权重计算如下：/>其中，k为距离dij的幂，IDW方法主要依赖于反距离的幂值。k值越大，待插值点受到距离最近的样本点越大。将周围3×3窗口的样本点作为参考，如果3×3窗口周围不存在作物像元，可以适当增加窗口大小，但当9×9窗口内都不存在相关像元，则认为改耕地不种植相关作物，即为0。
IDW方法是一种常用而简便的空间插值方法，它以插值点与样本点间的距离为权重进行加权平均，离插值点越近的样本点赋予的权重越大。
基于所述作物参考面积与农业适宜性数据，构建模型并训练得到预设年份的新增耕地作物收获面积；
利用随机森林算法构建收获面积预测模型。随机在耕地范围内布设样本点，其中，70％用于训练，30％用于验证。基于2000年作物收获面积数据和2010年土地利用数据、气候、土壤、地形、管理、人口和参考面积等数据，通过随机森林算法模拟2010年的收获面积，并根据训练样本进行调参，使模型精度达到要求。
通过若干地区统计年鉴和历史作物面积数据集，在像素尺度和区域尺度同时对所述新增耕地作物收获面积进行精度评价；
利用2000年数据模拟2010年的作物产量，并利用2010年历史数据对新增耕地作物收获面积从像元尺度进行精度验证。同时，利用统计年鉴数据，在区域尺度进一步对结果进行可靠性检验。
步骤103：用所述新增耕地作物收获面积对预设年份的收获面积进行递归模拟，得到目标区域在预设年份的作物收获面积时空格局。
模型精度检验通过后，利用S5的方法进行逐像元进行收获面积估算。对于减少的耕地像元，则收获面积减少为0；而对于新增的耕地像元，则通过随机森林对像元内各个作物的收获面积进行空间模拟。下一步继续将模拟出的收获面积作为下一年的输入变量，递归上述流程，即可模拟未来目标年份作物的收获面积时空格局。
本实施例中，所述“基于LUH2系统得到IGBP系统下的未来土地需求量”具体包括：基于MODIS土地利用数据和LUH2系统得到IGBP系统下的每个土地类型的比例。这里，MODIS的多波段数据可以同时提供反映陆地表面状况、云边界、云特性、海洋水色、浮游植物、生物地理、化学、大气中水汽、气溶胶、地表温度、云顶温度、大气温度、臭氧和云顶高度等特征的信息。
本实施例中，所述“基于所述未来土地需求量，预测预设年份的土地利用变化”具体包括：
将所述未来土地需求量输入土地利用模拟模型，基于相关自然要素与社会经济数据，计算每个像元中各类土地利用适宜性概率，然后，基于计算出的概率为每个像元分配最合适的土地利用类型，从而模拟未来耕地分布变化。
本实施例中，所述“基于历史作物面积数据，利用地统计学插值计算新增耕地作物参考面积”具体包括：基于历史作物面积数据，利用IDW算法计算新增耕地作物参考面积。
本实施例中，所述“基于所述作物参考面积与农业适宜性数据，构建模型并训练得到预设年份的新增耕地作物收获面积”具体包括：基于所述作物参考面积与农业适宜性数据，利用随机森林算法构建模型并训练得到预设年份的新增耕地作物收获面积。
本实施例中，所述预设年份为下一年。
在发明人的实验过程中，发明人选择了长三角地区27个地级市为案例，以2000年为预设历史时期份，模拟到2100年作物收获面积的时空变化。在案例中，为保持所有数据分辨率一致，设置栅格大小为10km格网。首先，搜集历史作物面积、气候、土壤、地形、人口、GDP、灌溉密度、播种和收获日期等数据，将其分辨率重采样。然后，通过LUH2数据计算IGBP分类系统下的土地需求量，并利用FLUS模型进行包括耕地的多类土地利用空间分布模拟，模拟2000-2100年的土地利用变化时空格局。
根据新增耕地作物收获面积，以2000年为基准，通过IDW方法计算出2010年新增耕地像元的参考收获面积。然后，基于参考面积和其他农业适宜性数据，利用随机森林方法对2010年新增耕地像元的收获面积进行估算，同时利用收集的2010年作物收获面积进行精度验证。下表给出了本发明方法实施例中，4种作物2010年新增耕地作物收获面积像元尺度的精度验证：
玉米 水稻 大豆 小麦
R2 0.86 0.93 0.94 0.90
RMSE(ha) 318 567 321 352
如图2所示，将2000-2010年耕地减少像元的作物面积归0，新增耕地的像元用构建的模型进行估算。将2010年模拟的结果作为2020年的输入变量，结合2020年其他相关数据进行2020年的收获面积模拟。并递归上述流程至2100年，得到2100年作物的收获面积的空间分布。
在当前保障粮食安全的背景下，本发明可以基于自然环境数据与社会经济数据，结合土地利用模拟模型和机器学习模型，完成作物收获面积变化模拟和预测。本发明可以很好的应用于土地利用变化对农作物影响的分析、农业可持续发展规划与粮食安全根基夯实措施研究。对于部分专业性较强的领域，本发明支持外部输入未来土地利用新增耕地作物收获面积用于探索作物收获面积变化发展，并具有较强的兼容性。本发明无论在像素尺度还是区域尺度，都具有较高的精度，可用于研究未来城市发展对作物面积的影响，也可以分析作物面积对气候变化的响应，对于有规划需求的决策者和从业者是一个有效的工具。
本发明实施例二提供了一种作物面积的估算装置，包括以下模块：
数据获取模块，用于获取目标区域在预设历史时期中的信息，所述信息包括：作物收获面积分布图、自然环境地理信息数据集、社会经济发展数据集和作物管理数据集；其中，所述自然环境地理信息数据集至少包括：气候数据、土壤数据和地形数据；所述社会经济发展数据集至少包括：人口数据和GDP数据；所述作物管理数据集至少包括：灌溉数据、播种数据和收获数据；以所述作物收获面积分布图为基准，对所述自然环境地理信息数据集、社会经济发展数据集和作物管理数据集进行重采样处理，使得所述作物收获面积分布图、自然环境地理信息数据集、社会经济发展数据集和作物管理数据集的分辨率一致；
数据预处理模块，用于基于LUH2系统得到IGBP系统下的未来土地需求量；基于所述未来土地需求量，预测预设年份的土地利用变化；基于所述土地利用变化，提取新增耕地像元；基于历史作物面积数据，利用地统计学插值计算新增耕地作物参考面积；基于所述作物参考面积与农业适宜性数据，构建模型并训练得到预设年份的新增耕地作物收获面积；通过若干地区统计年鉴和历史作物面积数据集，在像素尺度和区域尺度同时对所述新增耕地作物收获面积进行精度评价；
估算模块，用于用所述新增耕地作物收获面积对预设年份的收获面积进行递归模拟，得到目标区域在预设年份的作物收获面积时空格局。
本实施例中，所述数据预处理模块还用于：基于MODIS土地利用数据和LUH2系统得到IGBP系统下的每个土地类型的比例。
本实施例中，所述数据预处理模块还用于：将所述未来土地需求量输入土地利用模拟模型，基于相关自然要素与社会经济数据，计算每个像元中各类土地利用适宜性概率，然后，基于计算出的概率为每个像元分配最合适的土地利用类型，从而模拟未来耕地分布变化。
本实施例中，所述数据预处理模块还用于：基于历史作物面积数据，利用IDW算法计算新增耕地作物参考面积。
本实施例中，所述数据预处理模块还用于：基于所述作物参考面积与农业适宜性数据，利用随机森林算法构建模型并训练得到预设年份的新增耕地作物收获面积。
本实施例中，所述预设年份为下一年。
应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施方式中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。

Claims (10)

1.一种作物面积的估算方法，其特征在于，包括以下步骤：
获取目标区域在预设历史时期中的信息，所述信息包括：作物收获面积分布图、自然环境地理信息数据集、社会经济发展数据集和作物管理数据集；其中，所述自然环境地理信息数据集至少包括：气候数据、土壤数据和地形数据；所述社会经济发展数据集至少包括：人口数据和GDP数据；所述作物管理数据集至少包括：灌溉数据、播种数据和收获数据；以所述作物收获面积分布图为基准，对所述自然环境地理信息数据集、社会经济发展数据集和作物管理数据集进行重采样处理，使得所述作物收获面积分布图、自然环境地理信息数据集、社会经济发展数据集和作物管理数据集的分辨率一致；
基于LUH2系统得到IGBP系统下的未来土地需求量；基于所述未来土地需求量，预测预设年份的土地利用变化；基于所述土地利用变化，提取新增耕地像元，基于历史作物面积数据，利用地统计学插值计算新增耕地作物参考面积；基于所述作物参考面积与农业适宜性数据，构建模型并训练得到预设年份的新增耕地作物收获面积；通过若干地区统计年鉴和历史作物面积数据集，在像素尺度和区域尺度同时对所述新增耕地作物收获面积进行精度评价；
用所述新增耕地作物收获面积对预设年份的收获面积进行递归模拟，得到目标区域在预设年份的作物收获面积时空格局。
2.根据权利要求1所述的估算方法，其特征在于，所述“基于LUH2系统得到IGBP系统下的未来土地需求量”具体包括：基于MODIS土地利用数据和LUH2系统得到IGBP系统下的每个土地类型的比例。
3.根据权利要求1所述的估算方法，其特征在于，所述“基于所述未来土地需求量，预测预设年份的土地利用变化”具体包括：
将所述未来土地需求量输入土地利用模拟模型，基于相关自然要素与社会经济数据，计算每个像元中各类土地利用适宜性概率，然后，基于计算出的概率为每个像元分配最合适的土地利用类型，从而模拟未来耕地分布变化。
4.根据权利要求1所述的估算方法，其特征在于，所述“基于历史作物面积数据，利用地统计学插值计算新增耕地作物参考面积”具体包括：
基于历史作物面积数据，利用IDW算法计算新增耕地作物参考面积。
5.根据权利要求1所述的估算方法，其特征在于，所述“基于所述作物参考面积与农业适宜性数据，构建模型并训练得到预设年份的新增耕地作物收获面积”具体包括：
基于所述作物参考面积与农业适宜性数据，利用随机森林算法构建模型并训练得到预设年份的新增耕地作物收获面积。
6.一种作物面积的估算装置，其特征在于，包括以下模块：
数据获取模块，用于获取目标区域在预设历史时期中的信息，所述信息包括：作物收获面积分布图、自然环境地理信息数据集、社会经济发展数据集和作物管理数据集；其中，所述自然环境地理信息数据集至少包括：气候数据、土壤数据和地形数据；所述社会经济发展数据集至少包括：人口数据和GDP数据；所述作物管理数据集至少包括：灌溉数据、播种数据和收获数据；以所述作物收获面积分布图为基准，对所述自然环境地理信息数据集、社会经济发展数据集和作物管理数据集进行重采样处理，使得所述作物收获面积分布图、自然环境地理信息数据集、社会经济发展数据集和作物管理数据集的分辨率一致；
数据预处理模块，用于基于LUH2系统得到IGBP系统下的未来土地需求量；基于所述未来土地需求量，预测预设年份的土地利用变化；基于所述土地利用变化，提取新增耕地像元，基于历史作物面积数据，利用地统计学插值计算新增耕地作物参考面积；基于所述作物参考面积与农业适宜性数据，构建模型并训练得到预设年份的新增耕地作物收获面积；通过若干地区统计年鉴和历史作物面积数据集，在像素尺度和区域尺度同时对所述新增耕地作物收获面积进行精度评价；
估算模块，用于用所述新增耕地作物收获面积对预设年份的收获面积进行递归模拟，得到目标区域在预设年份的作物收获面积时空格局。
7.根据权利要求6所述的估算装置，其特征在于，所述数据预处理模块还用于：
基于MODIS土地利用数据和LUH2系统得到IGBP系统下的每个土地类型的比例。
8.根据权利要求6所述的估算装置，其特征在于，所述数据预处理模块还用于：
将所述未来土地需求量输入土地利用模拟模型，基于相关自然要素与社会经济数据，计算每个像元中各类土地利用适宜性概率，然后，基于计算出的概率为每个像元分配最合适的土地利用类型，从而模拟未来耕地分布变化。
9.根据权利要求6所述的估算装置，其特征在于，所述数据预处理模块还用于：
基于历史作物面积数据，利用IDW算法计算新增耕地作物参考面积。
10.根据权利要求6所述的估算装置，其特征在于，所述数据预处理模块还用于：
基于所述作物参考面积与农业适宜性数据，利用随机森林算法构建模型并训练得到预设年份的新增耕地作物收获面积。
CN202311502615.XA 2023-11-13 2023-11-13 作物面积的估算方法及其装置 Pending CN117454074A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311502615.XA CN117454074A (zh) 2023-11-13 2023-11-13 作物面积的估算方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311502615.XA CN117454074A (zh) 2023-11-13 2023-11-13 作物面积的估算方法及其装置

Publications (1)

Publication Number Publication Date
CN117454074A true CN117454074A (zh) 2024-01-26

Family

ID=89588954

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311502615.XA Pending CN117454074A (zh) 2023-11-13 2023-11-13 作物面积的估算方法及其装置

Country Status (1)

Country Link
CN (1) CN117454074A (zh)

Similar Documents

Publication Publication Date Title
Leroux et al. Maize yield estimation in West Africa from crop process-induced combinations of multi-domain remote sensing indices
US11317562B2 (en) Generating a yield map for an agricultural field using classification and regression methods
Rounsevell et al. Modelling the spatial distribution of agricultural land use at the regional scale
US20170270446A1 (en) Agronomic systems, methods and apparatuses for determining yield limits
US20150370935A1 (en) Agronomic systems, methods and apparatuses
Waongo et al. A crop model and fuzzy rule based approach for optimizing maize planting dates in Burkina Faso, West Africa
Srivastava et al. Effect of sowing date distributions on simulation of maize yields at regional scale–A case study in Central Ghana, West Africa
AU2022410481A1 (en) Methods and systems for classifying and benchmarking irrigation performance
Wang et al. Increased uncertainty in simulated maize phenology with more frequent supra-optimal temperature under climate warming
Sultan et al. Estimating the potential economic value of seasonal forecasts in West Africa: A long-term ex-ante assessment in Senegal
CN111489092B (zh) 一种植物栽培种植环境适生区的评估方法及系统
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
Wang et al. Assessment of land suitability potentials for selecting winter wheat cultivation areas in Beijing, China, using RS and GIS
CN116227758B (zh) 基于遥感技术和深度学习的农产品成熟度预测方法及系统
Resop et al. Climate, water management, and land use: Estimating potential potato and corn production in the US northeastern seaboard region
CN109858180A (zh) 一种区域作物耗水空间格局优化设计方法
US20240341249A1 (en) Modeling of soil compaction and structural capacity for field trafficability by agricultural equipment from diagnosis and prediction of soil and weather conditions associated with user-provided feedback
Chang et al. A data-driven crop model for maize yield prediction
WO2023131949A1 (en) A versatile crop yield estimator
Paixao et al. Optimizing sugarcane planting windows using a crop simulation model at the state level
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
CA2761682C (en) Real-time process for targeting trait phenotyping of plant breeding experiments
Rouze et al. Evaluating unoccupied aerial systems (UAS) imagery as an alternative tool towards cotton-based management zones
Huber et al. Modeling days suitable for fieldwork using machine learning, process-based, and rule-based models
Sawasawa Crop yield estimation: Integrating RS, GIS, and management factors

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