CN117649599B - 基于改进光能利用效率模型的冬小麦产量大面积估算方法 - Google Patents
基于改进光能利用效率模型的冬小麦产量大面积估算方法 Download PDFInfo
- Publication number
- CN117649599B CN117649599B CN202311471345.0A CN202311471345A CN117649599B CN 117649599 B CN117649599 B CN 117649599B CN 202311471345 A CN202311471345 A CN 202311471345A CN 117649599 B CN117649599 B CN 117649599B
- Authority
- CN
- China
- Prior art keywords
- data
- yield
- winter wheat
- light energy
- utilization efficiency
- 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
- 241000209140 Triticum Species 0.000 title claims abstract description 45
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 33
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 51
- 230000000670 limiting effect Effects 0.000 claims abstract description 50
- 239000002689 soil Substances 0.000 claims abstract description 35
- 230000005855 radiation Effects 0.000 claims abstract description 29
- 238000012795 verification Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000011160 research Methods 0.000 claims abstract description 19
- 238000010521 absorption reaction Methods 0.000 claims abstract description 18
- 239000002352 surface water Substances 0.000 claims abstract description 16
- 230000000243 photosynthetic effect Effects 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 27
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 claims description 26
- 235000013339 cereals Nutrition 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012950 reanalysis Methods 0.000 claims description 4
- 238000003306 harvesting Methods 0.000 claims description 3
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 claims description 2
- 230000004083 survival effect Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 241000196324 Embryophyta Species 0.000 description 8
- 238000002310 reflectometry Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 208000005156 Dehydration Diseases 0.000 description 5
- 230000008020 evaporation Effects 0.000 description 5
- 238000001704 evaporation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000007812 deficiency Effects 0.000 description 3
- 230000004907 flux Effects 0.000 description 3
- 235000015097 nutrients Nutrition 0.000 description 3
- 230000006378 damage Effects 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000029553 photosynthesis Effects 0.000 description 2
- 238000010672 photosynthesis Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000003053 toxin Substances 0.000 description 1
- 231100000765 toxin Toxicity 0.000 description 1
- 108700012359 toxins Proteins 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及基于改进光能利用效率模型的冬小麦产量大面积估算方法，包括：获取研究区数据并进行预处理；根据气温数据计算温度限制因子；根据地表水指数和土壤含水量数据重构水分限制因子；根据增强型植被指数计算光合有效辐射吸收比；计算总初级生产力，并将总初级生产力转换为产量；获取训练数据和验证数据，根据训练数据并进行训练，确定模型参数，并用验证数据进行精度验证。本发明的有益效果是：本发明根据土壤含水量和地表水指数重构了光能利用效率模型中的水分限制因子，使其可以表征水分偏多对作物产量的影响，能够实现湿润地区冬小麦产量的大面积估算。
Description
技术领域
本发明涉及冬小麦产量遥感估算领域，更确切地说，它涉及基于改进光能利用效率模型的冬小麦产量大面积估算方法。
背景技术
冬小麦是我国重要的粮食作物，准确估计冬小麦产量对于维护国家粮食安全具有重要的意义。地面产量调查或野外观测是获取具有参考价值的作物产量的主要手段。但是，这种方式存在成本高、时效性差等问题。而遥感技术由于其快速可重复观测的特点在大面积作物估产方面得到了广泛应用。最初的作物产量估算依赖于简单线性回归，将遥感观测信息(如波段反射率或植被指数)与地面观测产量建立经验线性模型，得到作物产量空间分布。由于产量与遥感变量间可能存在非线性关系，应用简单线性方法对产量估计的准确性不高。近年来，机器学习和深度学习方法在定量表示自变量和因变量之间的关系方面取得了很大进展，因此也被应用于作物产量估算的研究中。但是深度学习模型参数多，需要大量样本进行训练，而且产量的统计观测数据获取困难，因此在大范围的产量精准估计中存在困难。此外，作物生长模型也是作物估产的常用手段，它以精细的作物参数、土壤参数、气象参数和管理参数等为输入，模拟并输出日尺度的作物生长情况(如叶面积指数，地上生物量等)，并最终可获得作物的产量。而作物生长模型由于模型输入参数的限制无法实现大面积产量模拟。基于此，半经验-半机理性的光能利用效率(Light use efficiency,LUE)模型脱颖而出。有研究表明利用半经验-半机理性的LUE模型可以在较少输入参数的前提下实现大范围内作物总初级生产力(Gross primary product，GPP)和产量的准确估计。LUE模型主要假设作物的GPP和产量与有效光合入射辐射、光合有效辐射吸收比，光能利用效率等密切相关，并且通过设置光能利用效率的温度和水分限制因子，定量表示温度和水分对产量的限制作用。
目前，在利用LUE模型估计作物产量研究中，水分限制因子大致可以分为气象因子、土壤含水量因子和植被含水量因子三类。气象因子典型代表是大气水汽压差(VaporPressure Deficit，VPD)，它是指在一定温度下，饱和水汽压与空气中的实际水汽压之间的差值。VPD越大，说明水分亏缺越严重，水分对作物生长的限制作用越大；土壤含水量表示的是作物根系可获取的水分含量，有研究表明，在干旱和半干旱地区，土壤水分的下降会导致GPP下降40％；植物水分胁迫影响气孔导度，进而影响叶片与大气之间的水分和CO2交换。叶片含水量是植物水分胁迫的常用指标，直接从遥感数据中获取的地表水指数(LandSurface Water Index，LSWI)被广泛用作植物水分胁迫的代理指标，例如在植被光合作用模型(Vegetation Photosynthesis Model，VPM)中，水分胁迫因子就是根据LSWI计算得到。除此之外，植物蒸发分数(Evaporative Fraction,EF)指的是实际蒸散蒸发(ActualEvapotranspiration，ET)与潜在蒸散发能量之间的比值。它衡量了用于植物和土壤表面水分蒸发的可用能量的比例。EF代表了植物的水分利用效率，并反映了感热通量(通过传导和对流传输的热量)和潜热通量(通过蒸发传输的热量)之间的平衡。EF通过调节感热和潜热通量来描述植物的水分状况，已被用于代表涡度协方差-光能利用效率模型(EC-LUE)中的植物水分胁迫。
综上所述，现有基于光能利用效率模型进行作物GPP和产量估算的研究中，水分限制因子的表征只考虑了水分亏缺对作物GPP和产量的影响，没有考虑湿润地区(如长江中下游地区)水分偏多对作物产量的影响。而已有研究表明，水分偏多是长江中下游地区冬小麦产量的关键限制因子。因此，如何基于现有遥感数据，重构水分限制因子，使其可以精准表征水分偏多对冬小麦产量的影响，进而实现长江中下游地区冬小麦产量精准估算有待进一步探讨。
发明内容
本发明的目的是针对现有基于光能效率模型估计冬小麦产量中没有考虑到湿润地区水分偏多对冬小麦产量限制作用的不足，提出了基于改进光能利用效率模型的冬小麦产量大面积估算方法。
第一方面，提供了基于改进光能利用效率模型的冬小麦产量大面积估算方法，包括：
S1、获取研究区大范围遥感再分析产品数据、遥感卫星数据和统计产量数据，并对数据进行预处理；所述研究区大范围遥感再分析产品数据包括气温数据和土壤含水量数据；遥感卫星数据包括MOD09A1反射率数据、光合有效辐射(Photosynthetically ActiveRadiation)、冬小麦分布图数据；统计产量数据为2001至2014年的县级统计数据和2015至2021年的市级统计数据。
S2、根据气温数据计算温度限制因子wt；
S3、根据地表水指数和土壤含水量数据重构水分限制因子ws；
S4、根据EVI计算光合有效辐射吸收比fPAR；
S5、计算总初级生产力GPP，并将总初级生产力GPP转换为产量；
S6、获取训练数据和验证数据，根据训练数据并进行训练，确定模型参数，并用测试数据进行精度验证。
作为优选，S1中，所述预处理包括影像拼接、云污染像素去除。
作为优选，S2中，温度限制因子wt的计算公式为：
其中，T，Tmin，Tmax和Topt分别表示研究区在某一时刻的温度、冬小麦生长的最低、最高和最适温度。
作为优选，S3中，水分限制因子ws的计算公式为：
ws＝1-(ISM-LSWI-min(SM-LSWI))
其中，SM、LSWI分别为土壤含水量和地表水指数，min()表示取最小值。
作为优选，S4中，光合有效辐射吸收比fPAR的计算公式为：
fPAR＝a*EVI+b
其中，a和b分别为待确定系数，EVI为增强型植被指数(Enhanced VegetationIndex)，通过地表反射率数据计算得到。
作为优选，S4中，待确定系数a和b通过查找表的方式确定，并通过a和b的不同组合，对比估计产量与统计产量的均方根误差、相关系数，综合确定选择相关系数大、均方根误差小的组合，作为最优的a和b的取值。
作为优选，S6中，精度验证的指标包括相关系数、均方根误差和平均绝对误差。
第二方面，提供了基于改进光能利用效率模型的冬小麦产量大面积估算系统，用于执行第一方面任一所述的基于改进光能利用效率模型的冬小麦产量大面积估算方法，包括：
获取模块，用于获取研究区大范围遥感再分析产品数据、遥感卫星数据和统计产量数据，并对数据进行预处理；所述研究区大范围遥感再分析产品数据包括气温数据和土壤含水量数据；遥感卫星数据包括MOD09A1反射率数据、EVI数据、光合有效辐射(Photosynthetically Active Radiation)、冬小麦分布图数据；统计产量数据为2001至2014年的县级统计数据和2015至2021年的市级统计数据。
第一计算模块，用于根据气温数据计算温度限制因子wt；
重构模块，用于根据地表水指数和土壤含水量数据重构水分限制因子ws；
第二计算模块，用于根据增强型植被指数计算光合有效辐射吸收比fPAR；
第三计算模块，用于计算总初级生产力GPP，并将总初级生产力GPP转换为产量；
验证模块，用于获取训练数据和测试数据，根据训练数据并进行训练，确定模型参数，并用测试数据进行精度验证。
第三方面，提供了一种计算机存储介质，所述计算机存储介质内存储有计算机程序；所述计算机程序在计算机上运行时，使得计算机执行第一方面任一所述的基于改进光能利用效率模型的冬小麦产量大面积估算方法。
本发明的有益效果是：本发明基于改进光能利用效率模型的冬小麦产量大面积估算方法，根据土壤含水量和地表水指数重构了光能利用效率模型中的水分限制因子，使其可以表征水分偏多对作物产量的影响，能够实现湿润地区冬小麦产量的大面积估算。与现有光能利用效率模型进行产量估计的结果相比，更加具有实践应用意义。
附图说明
图1为本发明提供的基于改进光能利用效率模型的冬小麦产量大面积估算方法流程图；
图2为2001至2014生长季的估计产量与统计产量的散点图；
图3为模型估计的县级产量空间分布图；
图4为模型估计产量的验证散点图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
实施例1：
目前针对冬小麦产量估计的研究中，半经验性的光能利用效率模型被广泛应用。它只需要输入少数参数(光合有效辐射、光合有效辐射吸收比、最大光能利用效率、水分限制因子和温度限制因子)即可估计作物GPP，进而通过呼吸比、根冠比、收获指数、籽粒含水量就可以将总初级生产力转换为产量。然而，现有的研究在水分限制因子方面只考虑水分亏缺对产量的限制，忽视了在湿润地区(如我国长江中下游地区)水分偏多对产量的限制作用。
对此，本申请实施例提供了基于改进光能利用效率模型的湿润地区的冬小麦产量大面积估算方法，包括：
S1、获取研究区大范围遥感再分析产品数据、遥感卫星数据和统计产量数据，并对数据进行预处理；所述研究区大范围遥感再分析产品数据包括气温数据和土壤含水量数据。遥感卫星数据包括MOD09A1反射率数据、光合有效辐射(Photosynthetically ActiveRadiation)、冬小麦分布图数据；统计产量数据为2001至2014年的县级统计数据和2015至2021年的市级统计数据。
S1中，所述预处理包括影像拼接和云污染像素去除。
S2、根据气温数据计算温度限制因子wt。
S2中，温度限制因子wt的计算公式为：
其中，T，Tmin，Tmax和Topt分别表示研究区在某一时刻的温度、冬小麦生长的最低、最高和最适温度。
S3、根据地表水指数和土壤含水量数据重构水分限制因子ws。
S3中，水分限制因子ws的计算公式为：
ws＝1-(ISM-LSWI-min(SM-LSWI))
其中，ISM、LSWI分别为土壤含水量和地表水指数，min()表示取最小值。
S4、根据增强型植被指数计算光合有效辐射吸收比fPAR。
S4中，光合有效辐射吸收比fPAR的计算公式为：
fPAR＝a*EVI+b
其中，a和b分别为待确定系数，EVI为增强型植被指数，通过反射率计算得到。待确定系数a和b通过查找表的方式确定，并通过a和b的不同组合，对比估计产量与统计产量的均方根误差、相关系数，综合确定选择相关系数大、均方根误差小的组合，作为最优的a和b的取值。在本实施实例中，a取值为1，b取0.23
S5、计算总初级生产力GPP，并将总初级生产力GPP转换为产量；
S6、获取训练数据和测试数据，根据训练数据并进行训练，确定模型参数，并用测试数据进行精度验证。
S6中，精度验证的指标包括相关系数、平均绝对误差和均方根误差。
实施例2：
在实施例1的基础上，本申请实施例2提供了更具体的基于改进光能利用效率模型的冬小麦产量大面积估算方法，如图1所示，包括：
S1、获取研究区大范围遥感再分析产品数据(气温、土壤含水量)、遥感卫星数据(地表反射率、光合有效辐射产品)和产量数据(县级和市级)，并对所述数据进行预处理。
示例地，获取江苏、安徽和湖北三省的逐日MOD09GA地表反射率数据，并对数据进行拼接镶嵌、去除云污染像元等预处理操作，具体过程为：
S101、根据遥感影像在GEE平台中编码，利用Geemap软件包获取研究所需数据，其中MOD19A1产品的空间分辨率为500m，时间分辨率为每8天，影像获取时间范围为2000年1月1日至2021年12月31日。
S102、影像去云处理：主要目的是剔除云污染像元。MOD09A1产品的中包含表示影像质量的波段(StateQA)，根据StateQA波段的值，设置条件，只保留晴空像元，删除云覆盖/云阴影像元；
S103、影像拼接：对在GEE平台中调用函数对不同tile的影像进行拼接，以获得预处理后的影像。
S2、根据气温数据计算温度限制因子wt，具体过程为：
S201、根据如下公式计算温度限制因子wt：
其中，wt为温度限制因子，Tmin，Tmax和Topt分别表示冬小麦生长的最低、最高和最适温度，分别去0℃，40℃和23℃。
S3、分析水分偏多时土壤水分和LSWI的值的变化，确定改进水分限制因子分析的计算形式，重构水分限制因子，具体过程为：
S301、利用逐日地表反射率数的近红外波段(中心波长858nm)和短波红外波段(中心波长为1640nm)计算LSWI，公式如下：
其中，B2为MOD09A1产品中的近红外波段，波长范围为841-876nm；B6为MOD09A1产品中的短波红外波段，波长范围为1628-1652nm。
S302、分析现有水分限制因子无法表征水分偏多对产量影响的原因，筛选用以重构改进的水分限制因子的变量。在水分亏缺和水分偏多时，作物的生长发育都会受到影响。在水分亏缺时，由于土壤供水减少，作物冠层含水量下降，即LSWI值较小；而当水分偏多时，根系进行无氧呼吸，产生毒素危害根系，导致根系坏死，因此对水分和养分的吸收能力逐渐下降直至消失，导致根系无法从土壤中获取水分和养分，同样导致冠层LSWI减小。因此，在水分偏多限制作物生长情境下，土壤含水量(Soil Moisture,SM)高，SM大，而LSWI小，因此SM与LSWI的差值(SM-LSWI)越大，即表示水分偏多对作物生长的限制作用越大。因此，确定水分限制因子重构用到的变量为LSWI和土壤含水量(SM)。
S303、当确定了需要根据LSWI和土壤含水量(SM)来构建水分限制因子，考虑到重构后的限制因子的值最好在0到1之间，而SM与LSWI的值可能会存在负值，这与实际情况不符，因此将SM与LSWI的差值减去两者差值的最小值，以保证值大于等于0；另一方面，SM与LSWI差值越大，表示水分偏多与作物产量限制的作用越强，构建的水分限制因子值应该越小，所以用1减去((SM-LSWI-min(SM-LSWI))，得到重构的水分限制因子：
ws＝1-(ISM-LSWI-min(SM-LSWI))
其中，wt为重构的考虑湿渍害危害的水分限制因子，SM、LSWI分别为土壤含水量和地表水指数，min()表示取最小值。
S4、根据增强型植被指数产品计算光合有效辐射吸收比(fPAR)；具体过程为：
S401、通过GEE平台计算EVI指数，计算公式如下；
其中，B1、B2和B3分别为MOD09A1产品中的红波段(第1波段，波长范围为620-670nm)、近红外波段(第2波段，波长范围为841-876nm)，蓝波段(第3波段，波长范围为459-479nm)。
S402、根据EVI计算光合有效辐射吸收比，计算公式如下：
fPAR＝a*EVI+b
其中，fPAR为光合有效辐射吸收比，a和b分别为待确定系数。EVI为增强型植被指数(enhanced vegetation index)。
S5、根据光能利用效率模型公式计算总初级生产力(GPP)，并将GPP进一步转换为产量，根据统计数据获得S402中的参数，并对模型进行验证。具体过程为：
S501、根据光能利用效率模型计算GPP，计算公式为：
GPP＝PAR*fPAR*εmax*min(ws,wt)
其中，PAR、fPAR、εmax，ws和wt分别为用光合有效辐射、光谱有效辐射吸收比、最大光能利用效率(εmax)、土壤水分限制因子和温度限制因子。本发明中εmax取定值为2.14g C MJ- 1APAR，APAR为吸收性光合有效辐射。
S502、将GPP转换为冬小麦单产，具体计算公式为：
其中，AR是作物为了维持生存的呼吸比，本发明中取定值为0.5；RS为作物的根冠比，本发明中取0.2。HI为收获指数，本发明中取0.5；MC为收货时冬小麦籽粒含水量，本发明中取值为0.11。
S503、比较模型估计的产量和实测值，根据相关系数(Correlation Coefficient,R)、平均绝对误差(Mean Absolute Error)和均方根误差(Root Mean Square Error,RMSE)确定模型参数。
图2和图3为基于2001至2014年统计产量对模型进行训练，得到的估计产量与真实产量的散点图和估计产量的空间分布图，可以看出构建的模型对于每一个生长季的产量的估计的相关系数在0.58到0.82之间，其中2008-2009生长季的产量估计相关系数最大，为0.82，其次是2000-2001和2009-2010生长季，它们的相关系数都为0.81，RMSE分别为114.16和51.98g C m-2year-1。
S504、对构建的模型用2015-2021年市级产量数据进行精度验证，并计算R和RMSE。示例地，图3为验证结果散点图。
需要说明的，本实施例中与实施例1相同或相似的部分可相互参考，在本申请中不再赘述。
实施例3：
在实施例1、2的基础上，本申请实施例3提供了基于改进光能利用效率模型的冬小麦产量大面积估算系统，包括：
获取模块，用于获取研究区大范围遥感再分析产品数据、遥感卫星数据和统计产量数据，并对数据进行预处理；所述研究区大范围遥感再分析产品数据包括气温数据和土壤含水量数据；
第一计算模块，用于根据气温数据计算温度限制因子wt；
重构模块，用于根据地表水指数和土壤含水量数据重构水分限制因子ws；
第二计算模块，用于根据增强型植被指数计算光合有效辐射吸收比fPAR；
第三计算模块，用于计算总初级生产力GPP，并将总初级生产力GPP转换为产量；
验证模块，用于获取训练数据和测试数据，根据训练数据并进行训练，确定模型参数，并用测试数据进行精度验证。
具体的，本实施例所提供的系统为实施例1、2提供的方法对应的系统，因此，在本实施例中与实施例1、2相同或相似的部分，可相互参考，在本申请中不再赘述。
综上所述，本发明基于改进光能利用效率模型的冬小麦产量大面积估算方法及系统，根据土壤含水量和地表水指数重构了光能利用效率模型中的水分限制因子，使其可以表征水分偏多对作物产量的影响，能够实现湿润地区冬小麦产量的大面积估算。与现有光能利用效率模型进行产量估计的结果相比，更加具有实践应用意义。
Claims (6)
1.基于改进光能利用效率模型的冬小麦产量大面积估算方法，其特征在于，包括：
S1、获取研究区大范围遥感再分析产品数据、遥感卫星数据和统计产量数据，并对数据进行预处理；所述研究区大范围遥感再分析产品数据包括气温数据和土壤含水量数据；
S2、根据气温数据计算温度限制因子wt；
S2中，温度限制因子wt的计算公式为：
其中，T，Tmin，Tmax和Topt分别表示研究区在某一时刻的温度、冬小麦生长的最低、最高和最适温度；
S3、根据地表水指数和土壤含水量数据重构水分限制因子ws；
S3中，水分限制因子ws的计算公式为：
ws＝1-(SM-LSWI-min(SM-LSWI))
其中，SM、LSWI分别为土壤含水量和地表水指数，min()表示取最小值；
S4、根据增强型植被指数计算光合有效辐射吸收比fPAR；
S4中，光合有效辐射吸收比fPAR的计算公式为：
fPAR＝a*EVI+b
其中，a和b分别为待确定系数，EVI为增强型植被指数
S5、计算总初级生产力GPP，并将总初级生产力GPP转换为产量；S5包括：
S501、根据光能利用效率模型计算GPP，计算公式为：
GPP＝PAR*fPAR*εmax*min(ws，wt)
其中，PAR、fPAR、εmax，ws和wt分别为用光合有效辐射、光谱有效辐射吸收比、最大光能利用效率、土壤水分限制因子和温度限制因子；
S502、将GPP转换为冬小麦单产，具体计算公式为：
其中，AR是作物为了维持生存的呼吸比；RS为作物的根冠比；HI为收获指数；MC为收货时冬小麦籽粒含水量；
S6、获取训练数据和验证数据，根据训练数据并进行训练，确定模型参数，并用验证数据进行精度验证。
2.根据权利要求1所述的基于改进光能利用效率模型的冬小麦产量大面积估算方法，其特征在于，S1中，所述预处理包括影像拼接和云污染像素去除。
3.根据权利要求2所述的基于改进光能利用效率模型的冬小麦产量大面积估算方法，其特征在于，S4中，待确定系数a和b通过查找表的方式确定，并通过a和b的不同组合，对比估计产量与统计产量的均方根误差、相关系数，综合确定选择相关系数大、均方根误差小的组合，作为最优的a和b的取值。
4.根据权利要求3所述的基于改进光能利用效率模型的冬小麦产量大面积估算方法，其特征在于，S6中，精度验证的指标包括相关系数、平均绝对误差和均方根误差。
5.基于改进光能利用效率模型的冬小麦产量大面积估算系统，其特征在于，用于执行权利要求1至4任一所述的基于改进光能利用效率模型的冬小麦产量大面积估算方法，包括：
获取模块，用于获取研究区大范围遥感再分析产品数据、遥感卫星数据和统计产量数据，并对数据进行预处理；所述研究区大范围遥感再分析产品数据包括气温数据和土壤含水量数据；
第一计算模块，用于根据气温数据计算温度限制因子wt；
重构模块，用于根据地表水指数和土壤含水量数据重构水分限制因子ws；
第二计算模块，用于根据增强型植被指数计算光合有效辐射吸收比fPAR；
第三计算模块，用于计算总初级生产力GPP，并将总初级生产力GPP转换为产量；
验证模块，用于获取训练数据和验证数据，根据训练数据并进行训练，确定模型参数，并用验证数据进行精度验证。
6.一种计算机存储介质，其特征在于，所述计算机存储介质内存储有计算机程序；所述计算机程序在计算机上运行时，使得计算机执行权利要求1至4任一所述的基于改进光能利用效率模型的冬小麦产量大面积估算方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311471345.0A CN117649599B (zh) | 2023-11-07 | 2023-11-07 | 基于改进光能利用效率模型的冬小麦产量大面积估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311471345.0A CN117649599B (zh) | 2023-11-07 | 2023-11-07 | 基于改进光能利用效率模型的冬小麦产量大面积估算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117649599A CN117649599A (zh) | 2024-03-05 |
| CN117649599B true CN117649599B (zh) | 2024-05-17 |
Family
ID=90046893
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311471345.0A Active CN117649599B (zh) | 2023-11-07 | 2023-11-07 | 基于改进光能利用效率模型的冬小麦产量大面积估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117649599B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106028790A (zh) * | 2013-12-19 | 2016-10-12 | 菲泰科有限公司 | 用于根据预测产量处理农作物的方法和系统 |
| CN108662991A (zh) * | 2018-04-08 | 2018-10-16 | 浙江大学 | 基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法 |
| CN113591631A (zh) * | 2021-07-16 | 2021-11-02 | 杭州领见数字农业科技有限公司 | 一种基于多源数据的作物估产方法 |
| WO2022166939A1 (zh) * | 2021-02-08 | 2022-08-11 | 南京农业大学 | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 |
-
2023
- 2023-11-07 CN CN202311471345.0A patent/CN117649599B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106028790A (zh) * | 2013-12-19 | 2016-10-12 | 菲泰科有限公司 | 用于根据预测产量处理农作物的方法和系统 |
| CN108662991A (zh) * | 2018-04-08 | 2018-10-16 | 浙江大学 | 基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法 |
| WO2022166939A1 (zh) * | 2021-02-08 | 2022-08-11 | 南京农业大学 | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 |
| CN113591631A (zh) * | 2021-07-16 | 2021-11-02 | 杭州领见数字农业科技有限公司 | 一种基于多源数据的作物估产方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117649599A (zh) | 2024-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | Simulating age-related changes in carbon storage and allocation in a Chinese fir plantation growing in southern China using the 3-PG model | |
| Marshall et al. | Optimizing a remote sensing production efficiency model for macro-scale GPP and yield estimation in agroecosystems | |
| Wang et al. | Deriving maximal light use efficiency from coordinated flux measurements and satellite data for regional gross primary production modeling | |
| Xu et al. | Assessing the impact of urbanization on regional net primary productivity in Jiangyin County, China | |
| Gao et al. | A MODIS-based Photosynthetic Capacity Model to estimate gross primary production in Northern China and the Tibetan Plateau | |
| Moreno et al. | Base temperature determination of tropical Panicum spp. grasses and its effects on degree-day-based models | |
| CN111241912A (zh) | 一种基于机器学习算法的多植被指数的水稻产量估测方法 | |
| Sakamoto et al. | Estimating daily gross primary production of maize based only on MODIS WDRVI and shortwave radiation data | |
| Song et al. | Implementation of dynamic crop growth processes into a land surface model: evaluation of energy, water and carbon fluxes under corn and soybean rotation | |
| CN108985588A (zh) | 一种农作物单产遥感估算方法、装置与系统 | |
| Chen et al. | Global datasets of leaf photosynthetic capacity for ecological and earth system research | |
| Chen et al. | Evaluating different NDVI composite techniques using NOAA-14 AVHRR data | |
| Garofalo et al. | Leaf gas exchange and radiation use efficiency of sunflower (Helianthus annuus L.) in response to different deficit irrigation strategies: From solar radiation to plant growth analysis | |
| Chen et al. | Quantification of terrestrial ecosystem carbon dynamics in the conterminous United States combining a process-based biogeochemical model and MODIS and AmeriFlux data | |
| Goetz et al. | Mapping net primary production and related biophysical variables with remote sensing: Application to the BOREAS region | |
| CN103886213B (zh) | 一种农作物总初级生产力的遥感估算方法及系统 | |
| Kuusinen et al. | Measured and modelled albedos in Finnish boreal forest stands of different species, structure and understory | |
| CN116108318B (zh) | 基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法 | |
| Wang et al. | Evaluating nitrogen removal by vegetation uptake using satellite image time series in riparian catchments | |
| Wang et al. | Seasonality of leaf area index and photosynthetic capacity for better estimation of carbon and water fluxes in evergreen conifer forests | |
| CN114510824A (zh) | 同步考虑植被冠层和根系动态变化的区域尺度蒸散发模型的构建方法 | |
| Walcroft et al. | Radiative transfer and carbon assimilation in relation to canopy architecture, foliage area distribution and clumping in a mature temperate rainforest canopy in New Zealand | |
| CN114511550A (zh) | 一种鄱阳湖湿地植被净初级生产力的遥感估算方法 | |
| CN116602106A (zh) | 一种基于无人机的水稻田内变量施肥方法 | |
| Bat-oyun et al. | Estimation of pasture productivity in Mongolian grasslands: field survey and model simulation |
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 |