CN108106676B - 一种基于遥感数据的农作物晚霜冻害的监测方法和装置 - Google Patents

一种基于遥感数据的农作物晚霜冻害的监测方法和装置 Download PDF

Info

Publication number
CN108106676B
CN108106676B CN201810110826.1A CN201810110826A CN108106676B CN 108106676 B CN108106676 B CN 108106676B CN 201810110826 A CN201810110826 A CN 201810110826A CN 108106676 B CN108106676 B CN 108106676B
Authority
CN
China
Prior art keywords
temperature
mesh point
same day
crops
data
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
Application number
CN201810110826.1A
Other languages
English (en)
Other versions
CN108106676A (zh
Inventor
王鹏新
刘丽娜
崔珍珍
潘佩珠
刘峻明
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.)
China Agricultural University
Original Assignee
China Agricultural 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 China Agricultural University filed Critical China Agricultural University
Priority to CN201810110826.1A priority Critical patent/CN108106676B/zh
Publication of CN108106676A publication Critical patent/CN108106676A/zh
Application granted granted Critical
Publication of CN108106676B publication Critical patent/CN108106676B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G01K13/006—Thermometers specially adapted for specific purposes for cryogenic purposes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于遥感数据的农作物晚霜冻害的监测方法和装置，通过将监测区域网格化，对于每一网格点，一方面获取农作物生长期内气象站点的气象数据，另一方面，提取农作物生长期内遥感数据中的气象数据，并将两方面的气象数据进行数据同化，获得同化后的气象数据，并以同化后的气象数据作为基础，确定当日的农作物的生长量以确定农作物冠层的生物特征，根据农作物冠层的生物特征和当日的气象数据确定当日的农作物冠层的气温数据，根据当日的农作物冠层的气温数据确定当日的晚霜冻害区域。从而在对晚霜冻害的监测过程中，将遥感数据和地面实时监控数据结合起来，克服了仅依靠地面实时监控数据中存在的缺点，提高了晚霜冻害的监测精度。

Description

一种基于遥感数据的农作物晚霜冻害的监测方法和装置
技术领域
本发明涉及农作物监控技术领域，更具体地，涉及一种基于遥感数据的农作物晚霜冻害的监测方法和装置。
背景技术
粮食安全关系到国计民生，关乎国家经济的可持续发展和社会的稳定。晚霜冻害是我国农业气象灾害之一，一般发生在农作物拔节后。例如冬小麦是我国主要粮食作物之一，在北方广泛种植；在北方小麦区几乎每年都有不同程度地发生晚霜冻害，尤其是黄淮麦区受灾区域达45％，给农业生产造成较大影响；因此农作物晚霜冻害的实时监测对灾后补救、冻害程度评估和产量预测具有重要意义。
农作物冠层气温与晚霜冻害的发生密切相关，而冠层的气温受太阳辐射、湍流交换、风速等的影响而频繁变化，在单点和区域尺度上观测和了解其动态变化均具有一定难度。近些年随着对农作物生态***和农作物生理生态基础理论的深入研究，发现可以通过综合考虑农田作物生态***和水热运移过程之间相互作用的数值模型实现对作物生长过程和农田小气候要素的模拟，通过模拟的结果来判断晚霜冻害区域。
现有的数值模型往往需要上垫面气象要素作为模拟的基础，上垫面气象要素的传统获取方法为由各气象站点处提供，但这存在气象站点处数量有限、气象数据不足以完全代表整个区域气象变化特征、以及气象站点处多设置于城市边缘或者郊区空地上，与农田小气候环境尤其是气温差异较大等缺陷，不能充分体现近地表气象环境的非均匀性空间变化信息。虽然空间插值方法可以实现区域内气象要素如气温、太阳辐射量、水汽压、平均风速、降水量、露点温度等的面上数据的获取，但运用空间插值方法估算获取的气温数据由于受到地形、样点密度等的影响，误差较大。
发明内容
为了克服上述问题或者至少部分地解决上述问题，本发明提供一种基于遥感数据的农作物晚霜冻害的监测方法和装置。
根据本发明的一个方面，提供一种基于遥感数据的农作物晚霜冻害的监测方法，包括：将监测区域网格化，获取每一网格点的气象数据集合，气象数据集合由农作物的生长期内每日的第一最高气温、第一最低气温、太阳辐射量、水汽压、平均风速、降水量和露点温度所组成；基于遥感数据获取每一网格点在预设高度处的气温数据集合，气温数据集合由在预设高度处的生长期内每日的第二最高气温和第二最低气温所组成；将第一最高气温和第二最高气温进行数据同化，获取第三最高气温，将第一最低气温和第二最低气温进行数据同化，获取第三最低气温，并将第三最高气温和第三最低气温分别替换第一最高气温和第一最低气温，以优化每一网格点的气象数据集合；根据优化后的每一网格点的气象数据集合，确定每一网格点截止到当日的农作物的生长量；根据每一网格点当日的第三最高气温、第三最低气温、太阳辐射量、平均风速、降水量、露点温度和每一网格点截止到当日的农作物的生长量，确定每一网格点当日在农作物冠层处的气温数据，根据每一网格点当日在农作物冠层处的气温数据确定当日的晚霜冻害区域。
本发明的另一方面，提供一种基于遥感数据的农作物晚霜冻害的监测装置，包括：至少一个处理器；以及与处理器通信连接的至少一个存储器，其中：存储器存储有可被处理器执行的程序指令，处理器调用程序指令以执行上述的方法。
本发明的又一方面，提供一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使计算机执行上述的方法。
本发明的又一方面，提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机程序，该计算机程序使计算机执行上述的方法。
本发明提供的一种基于遥感数据的农作物晚霜冻害的监测方法和装置，通过将监测区域网格化，对于每一网格点，一方面获取农作物生长期内气象站点的气象数据，另一方面，提取农作物生长期内遥感数据中的气象数据，并将两方面的气象数据经过相应的处理后再进行数据同化，获得同化后的气象数据，并以同化后的气象数据作为基础，确定截止当日的农作物的生长量以确定农作物冠层的生物特征，最后根据农作物冠层的生物特征和当日的气象数据确定当日的农作物冠层的气温数据，根据当日的农作物冠层的气温数据确定当日的晚霜冻害区域。从而在对晚霜冻害的监测过程中，将遥感数据和地面实时监控数据结合起来，克服了现有的仅依靠地面实时监控数据的近地表气象环境的非均匀性空间变化、地形限制以及采样密度小的缺点，提高了晚霜冻害的监测精度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为根据本发明实施例的基于遥感数据的农作物晚霜冻害的监测方法的流程图；
图2为根据本发明另一实施例的基于遥感数据的农作物晚霜冻害的监测方法的流程图。
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，下面将结合本发明实施例中的附图，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。
在本发明的一个实施例中，参考图1，提供一种基于遥感数据的农作物晚霜冻害的监测方法，包括：S11，将监测区域网格化，获取每一网格点的气象数据集合，气象数据集合由农作物的生长期内每日的第一最高气温、第一最低气温、太阳辐射量、水汽压、平均风速、降水量和露点温度所组成；S12，基于遥感数据获取每一网格点在预设高度处的气温数据集合，气温数据集合由在预设高度处的生长期内每日的第二最高气温和第二最低气温所组成；S13，将第一最高气温和第二最高气温进行数据同化，获取第三最高气温，将第一最低气温和第二最低气温进行数据同化，获取第三最低气温，并将第三最高气温和第三最低气温分别替换第一最高气温和第一最低气温，以优化每一网格点的气象数据集合；S14，根据优化后的每一网格点的气象数据集合，确定每一网格点截止到当日的农作物的生长量；S15，根据每一网格点当日的第三最高气温、第三最低气温、太阳辐射量、平均风速、降水量、露点温度和每一网格点截止到当日的农作物的生长量，确定每一网格点当日在农作物冠层处的气温数据，根据每一网格点当日在农作物冠层处的气温数据确定当日的晚霜冻害区域。
具体的，晚霜冻害是指在春季回暖后突遇低温而引起农作物组织内水分结冰，导致植株冻伤或冻死的一种短时间的低温农业气象灾害，农作物冠层的气温数据是晚霜冻害区域判定的最重要的依据。
农作物的生长与生长期内上垫面气象要素密切相关，这些气象要素包括气温、太阳辐射量、水汽压、平均风速、降水量和露点温度等；对于一个面积比较大的区域，通过分析区域中多个点的数据来体现区域中各种数据的分布情况，可以大幅节省数据分析量，本实施例中，将监测区域网格化，并以日为单位获取每一网格点处的气象数据，其中，每日的气温还包括最低气温与最高气温，并将此处的最低气温称为第一最低气温，将此处的最高气温称为第一最高气温；以上气象数据通常是通过气象站点提供的，存在气象站点数量有限、气象数据不足以完全代表整个区域气象变化特征、以及气象站点多设置于城市边缘或者郊区空地上，与农田小气候环境尤其是气温差异较大等缺陷；遥感技术是根据电磁波的理论，应用各种传感仪器对远距离目标所辐射和反射的电磁波信息，进行收集、处理，并最后成像，获得不同分辨率的遥感影像，遥感影像也称为遥感数据；遥感数据包了含地表的各种信息，其中MODIS产品可以提取地表温度，覆盖范围广，且具有全天候的特性。可考虑通过将遥感数据提取的气象数据与气象站点提供的气象数据向结合，以获取更为精确的气象数据，尤其是气温。
遥感数据，例如MODIS LST数据可以提取地表气温，当有植被覆盖地表时，提取的是植被上方的气温，因此在通过遥感数据提取地表气温后，需统一转化为预设高度的气温，可以提高对晚霜冻害区域判定的精度，并将此处的最低气温称为第二最低气温，将此处的最高气温称为第二最高气温，该预设高度高于农作物的最高生长高度，例如对于农作物为小麦，该预设高度可设为2m。
为了获得更为精确的气温数据，将第一最高气温和第二最高气温进行数据同化，将第一最低气温和第二最低气温进行数据同化，分别获得数据同化后的第三最高气温和第三最低气温；数据同化是指在考虑数据时空分布以及观测场和背景场误差的基础上，在数值模型的动态运行过程中融合新的观测数据的方法。它是在过程模型的动态框架内，通过数据同化算法不断融合时空上离散分布的不同来源和不同分辨率的直接或间接观测信息来自动调整模型轨迹，以改善动态模型状态的估计精度，提高模型预测能力。本实施例的数据同化算法优选为集合卡尔曼滤波(Ensemble Kalman Fileter，EnKF)算法，数据同化过程分为预测和更新两个步骤，其原理如下：
假设t时刻有一个状态预报集合，则有：
Bt＝HAt+vt；
其中，Bt是观测集合，H是观测算子，由于状态变量和观测变量均为气温，因此观测算子为1，At是第二最高气温或者第二最低气温，vt是测量噪声，是预报状态集合，是分析状态集合，即分别对应的第一最高气温或者第一最低气温，wt是过程误差。Kt是集合卡尔曼增益矩阵又称权重矩阵，表示观测数据的权重。Kt的计算方法如下：
其中，表示t时刻预报集合中的1个状态,bi,t表示t时刻的1个观测状态,表示t时刻预报集合的均值,表示t时刻观测集合的均值,表示t时刻预报集合的方差,Rt表示t时刻观测集合的方差,N为集合大小,HT是H的转秩。
可通过建立农作物生长模型，并根据农作物的生长期内影响农作物生长的气象要素，即每一网格点每日的第三最高气温、第三最低气温、太阳辐射量、水汽压、平均风速和降水量，来确定每一网格点截止到当日的农作物的生长量。在农作物冠层内部，气温的垂直分布遵循一定的规律，通过这种规律，可根据每一网格点当日的第三最高气温、第三最低气温、太阳辐射量、平均风速、降水量、露点温度和每一网格点截止到当日的农作物的生长量，来确定每一网格点当日的农作物冠层各个高度处的气温数据，并根据每一网格点当日的农作物冠层各个高度处的气温数据确定当日的晚霜冻害区域。
本实施例通过将监测区域网格化，对于每一网格点，一方面获取农作物生长期内气象站点的气象数据，另一方面，提取农作物生长期内遥感数据中的气象数据，并将两方面的气象数据经过相应的处理后再进行数据同化，获得同化后的气象数据，并以同化后的气象数据作为基础，确定截止当日的农作物的生长量以确定农作物冠层的生物特征，最后根据农作物冠层的生物特征和当日的气象数据确定当日的农作物冠层的气温数据，根据当日的农作物冠层的气温数据确定当日的晚霜冻害区域。从而在对晚霜冻害的监测过程中，将遥感数据和地面实时监控数据结合起来，克服了现有的仅依靠地面实时监控数据的近地表气象环境的非均匀性空间变化、地形限制以及采样密度小的缺点，提高了晚霜冻害的监测精度。
基于以上实施例，获取每一网格点的气象数据集合，包括：获取监测区域中每一气象站点的观测数据集合，观测数据集合由生长期内每日的最高气温、最低气温、太阳辐射量、水汽压、平均风速、降水量和露点温度所组成；基于空间插值方法，根据每一气象站点的观测数据集合，获取每一网格点的气象数据集合。
具体的，利用气象站点的观测数据，这些数据包括逐日的最高气温、最低气温、太阳辐射量、水汽压、平均风速、降水量、露点温度等7个气象要素的数据，基于空间插值方法分别对每日的最高气温、最低气温、太阳辐射量、水汽压、平均风速、降水量、露点温度进行插值，得到每一网格点每日的最高气温、最低气温、太阳辐射量、水汽压、平均风速、降水量、露点温度。其中，空间插值方法可选用反距离加权插值法(IDW)，具体计算公式为：
上两式中：λi为权重，di为网格点与第i个气象站点之间的距离，Z为网格点的气象数据，Zi为第i(i＝1,2,3……,n)个气象站点的观测数据。
基于以上实施例，基于遥感数据获取每一网格点在预设高度处的气温数据集合，包括：构建第一温度转换模型和第二温度转换模型，第一温度转换模型为预设高度处的最高气温实测值与根据遥感数据提取的最高气温值之间的转换函数，第二温度转换模型为预设高度处的最低气温实测值与根据遥感数据提取的最低气温值之间的转换函数；根据遥感数据提取每一网格点的生长期内每日的第四最高气温和第四最低气温；根据第一温度转换模型和第四最高气温获取第二最高气温；根据第二温度转换模型和第四最低气温获取第二最低气温；将每一网格点在预设高度处的生长期内每日的第二最高气温和第二最低气温组成的集合作为每一网格点在预设高度处的气温数据集合。
其中，构建第一温度转换模型和第二温度转换模型，包括：获取监测区域中每一采样点在预设高度处的生长期内每日的第五最高气温和第五最低气温；根据遥感数据提取每一采样点的生长期内每日的第六最高气温和第六最低气温；根据第五最高气温和第六最高气温构建第一温度转换模型；根据第五最低气温和第六最低气温构建第二温度转换模型。
具体的，在监测区域中选择若干采样点，在每一采样点的预设高度处设置温度传感器，采集每日的气温变化，并获取每日的最高气温和最低气温，分别作为第五最高气温和第五最低气温；同时基于遥感数据，提取每一采样点每日的最高气温和最低气温，分别作为第六最高气温和第六最低气温，将第五最高气温和第六最高气温进行回归分析，获得预设高度处的最高气温实测值与根据遥感数据提取的最高气温值之间的转换函数，作为第一温度转换模型，将第五最低气温和第六最低气温进行回归分析，获得预设高度处的最低气温实测值与根据遥感数据提取的最低气温值之间的转换函数，作为第二温度转换模型，这两个转换函数优选为线性函数。然后根据遥感数据提取每一网格点的生长期内每日的第四最高气温和第四最低气温；根据第一温度转换模型和第四最高气温获取第二最高气温；根据第二温度转换模型和第四最低气温获取第二最低气温。
基于以上实施例，根据优化后的每一网格点的气象数据集合，确定每一网格点截止到当日的农作物的生长量，包括：确定每一网格点的生长期内的土壤数据和农作物的生长参数；将优化后的每一网格点的气象数据集合，以及每一网格点的生长期内的土壤数据和农作物的生长参数输入到已标定的WOFOST模型，输出每一网格点截止到当日的农作物的单位面积茎干质量、单位面积地上部分总干质量和叶面积指数；根据株高与单位面积茎干质量之间的函数确定每一网格点截止到当日的农作物的株高，根据叶宽与叶面积指数之间的函数确定每一网格点截止到当日的农作物的叶宽；将农作物的株高、叶宽、叶面积指数和单位面积地上部分总干质量等结果作为农作物的生长量。
具体的，在已经建立的众多作物生长模型中，WOFOST(World Food Studies)模型可以通过改变作物参数而用于不同作物种类或品种，以日为时间步长动态地模拟作物生长和发育过程，定量地描述作物的基本生理生态过程和植株结构相关参数。
对WOFOST模型的关键生长参数，先通过查阅参考文献、WOFOST模型推荐、实验测定等方式确定可能取值范围，再运用FSEOPT优化程序结合田间实测值确定最终参数值。WOFOST模型的土壤参数主要实测了田间持水量、凋萎系数、饱和含水量等。表1为WOFOST模型主要生长参数的展示。
表1WOFOST模型主要生长参数
将上述生长参数以及每一网格点的农作物的生长期内每日的第三最高气温、第三最低气温、太阳辐射量、水汽压、平均风速和降水量作为WOFOST模型的输入参数，并运行WOFOST模型，输出每一网格点当日的农作物的单位面积茎干质量、单位面积地上部分总干质量和叶面积指数(LAI)等结果。
利用农作物拔节期到开花期实测的株高与单位面积茎干质量构建两者间的回归方程，该回归方程一般是一个指数函数，根据单位面积茎干质量与该回归方程确定每一网格点当日的农作物的株高。
在拔节期和孕穗期，农作物叶宽、叶长和叶面积指数均不断增大；抽穗期叶宽继续增大，而叶面积指数逐渐增至最大值后减小；抽穗期之后叶宽基本保持不变。利用农作物拔节期到抽穗期实测的叶宽与叶面积指数构建两者间的相关方程，该相关方程一般是一个二次函数，根据叶面积指数与该相关方程确定每一网格点当日的农作物的叶宽。
将以上每一网格点处的株高、叶宽、叶面积指数和单位面积地上部分总干质量等结果作为每一网格点处的农作物的生长量。
基于以上实施例，根据每一网格点当日的第三最高气温、第三最低气温、太阳辐射量、平均风速、降水量、露点温度和每一网格点截止到当日的农作物的生长量，确定每一网格点当日在农作物冠层处的气温数据，包括：确定每一网格点当日的地表生物物理特征参数、土壤理化参数、水力特性参数和土壤温湿度数据；将每一网格点当日的第三最高气温、第三最低气温、太阳辐射量、平均风速、降水量、露点温度、每一网格点截止到当日的农作物的生长量，以及每一网格点当日的地表生物物理特征参数、土壤理化参数、水力特性参数和土壤温湿度数据输入到已标定的SHAW模型，输出每一网格点当日在农作物冠层处的气温数据。
具体的，SHAW(Simultaneous Heat and Water)模型是一维垂直多层水热耦合模型，用来模拟土壤-植被-大气***中各层的水分、热量、溶质通量的传输转化过程，可以被用于模拟玉米、小麦等农作物冠层内的气温等小气候要素。SHAW模型的运行依赖于能准确描述垂直方向植株结构的参数。
首先需要对SHAW模型标定，SHAW模型的标定主要包括当日的地表生物物理特征参数、土壤理化参数、水力特性参数和土壤温湿度数据的确定，这些参数主要来自参考文献或者基于实测数据计算获得。表2为SHAW模型标定的主要特征参数的展示。
表2SHAW模型标定的主要特征参数
将上述标定的主要特征参数以及每一网格点当日的第三最高气温、第三最低气温、太阳辐射量、平均风速、降水量、露点温度、每一网格点截止到当日的农作物的生长量作为SHAW模型的输入参数，并运行SHAW模型，输出每一网格点当日的农作物冠层的气温数据。
基于以上实施例，根据每一网格点当日在农作物冠层处的气温数据确定当日的晚霜冻害区域，包括：根据每一网格点当日在农作物冠层处的气温数据确定监测区域的在农作物冠层处的最低气温分布图；将最低气温分布图中的最低气温小于预设气温的区域作为晚霜冻害区域。
具体的，由于晚霜冻害是在春季回暖后突遇低温而引起农作物组织内水分结冰，导致植株冻伤或冻死的一种短时间的低温农业气象灾害，在判断晚霜冻害区域时，应根据农作物的特性，设置预设气温，当冠层的温度低于该预设气温时，会导致农作物组织内水分结冰而造成晚霜冻害。本实施例中，根据每一网格点当日的农作物冠层的气温数据确定监测区域的农作物冠层的最低气温分布图，然后在最低气温分布图中确定气温小于预设气温的区域，将这些区域作为晚霜冻害区域。同时，还可获取低温持续时间分布图，某些区域即使最低气温小于预设气温，可能由于最低气温持续时间不长，不足以造成晚霜冻害，为了避免这种情况，将最低气温分布图结合低温持续时间分布图共同确认晚霜冻害区域，以提高监控精度。
基于上述实施例，参考图2，以对冬小麦的晚霜冻害的监测为例，以下监测区域为冬小麦种植区域，农作物为冬小麦；根据监测区域中气象站点的气象数据(包括日最高气温、日最低气温、太阳辐射量、水汽压、平均风速、降水量和露点温度)，使用IDW差值算法，获得每一网格点处的气象数据；同时，对MODIS LST产品预处理后，提取相同时间段内的日最高气温、日最低气温，并将MODIS LST产品中的日最高气温和日最低气温与监测区域中实测的日最高气温和日最低气温建立转换方程，通过转换方程，将MODIS LST产品中的每一网格点处的日最高气温和日最低气温进行转换，获得转换后的日最高气温和日最低气温，然后基于同化算法，将使用IDW差值算法后获得的日最高气温和日最低气温与转换后的日最高气温和日最低气温分别同化，以优化气象数据。
将农作物生长参数、土壤参数以及优化后的气象数据输入到WOFOST模型，输出当日的农作物的单位面积茎干质量、单位面积地上部分总干质量和叶面积指数，并根据相关的方程，将单位面积茎干质量和叶面积指数分别转换为株高和叶宽数据，与单位面积地上部分总干质量和叶面积指数作为农作物的生物量参数。
将优化后的气象数据、农作物的生物量参数、农作物物理特征参数、土壤理化参数、水利特性参数、土壤温度数据和土壤湿度数据输入到SHAW模型，输出当日的农作物冠层的气温数据，根据当日的农作物冠层的气温数据判断晚霜冻害情况。
本实施例通过适当的反演方法，遥感信息在很大程度上可以帮助我们获得所需的空间信息。遥感信息具有覆盖范围大、探测周期短、现时性强、费用成本低等特点，能够有效解决区域参数获取困难的瓶颈。通过同化算法将空间插值技术与遥感技术相结合获取面上气象要素数据，并将其与WOFOST模型和SHAW模型进行结合，提升模型的应用潜力，快速动态地获取区域尺度农作物冠层的气温数据和实现晚霜冻害实时监测。
作为本发明的又一实施例，提供一种基于遥感数据的农作物晚霜冻害的监测装置，包括：至少一个处理器；以及与处理器通信连接的至少一个存储器，其中：存储器存储有可被处理器执行的程序指令，处理器调用程序指令以执行上述各方法实施例所提供的方法，例如包括：将监测区域网格化，获取每一网格点的气象数据集合，气象数据集合由农作物的生长期内每日的第一最高气温、第一最低气温、太阳辐射量、水汽压、平均风速、降水量和露点温度所组成；基于遥感数据获取每一网格点在预设高度处的气温数据集合，气温数据集合由在预设高度处的生长期内每日的第二最高气温和第二最低气温所组成；将第一最高气温和第二最高气温进行数据同化，获取第三最高气温，将第一最低气温和第二最低气温进行数据同化，获取第三最低气温，并将第三最高气温和第三最低气温分别替换第一最高气温和第一最低气温，以优化每一网格点的气象数据集合；根据优化后的每一网格点的气象数据集合，确定每一网格点截止到当日的农作物的生长量；根据每一网格点当日的第三最高气温、第三最低气温、太阳辐射量、平均风速、降水量、露点温度和每一网格点截止到当日的农作物的生长量，确定每一网格点当日在农作物冠层处的气温数据，根据每一网格点当日在农作物冠层处的气温数据确定当日的晚霜冻害区域。
作为本发明的又一个实施例，提供一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，该计算机程序包括程序指令，当程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：将监测区域网格化，获取每一网格点的气象数据集合，气象数据集合由农作物的生长期内每日的第一最高气温、第一最低气温、太阳辐射量、水汽压、平均风速、降水量和露点温度所组成；基于遥感数据获取每一网格点在预设高度处的气温数据集合，气温数据集合由在预设高度处的生长期内每日的第二最高气温和第二最低气温所组成；将第一最高气温和第二最高气温进行数据同化，获取第三最高气温，将第一最低气温和第二最低气温进行数据同化，获取第三最低气温，并将第三最高气温和第三最低气温分别替换第一最高气温和第一最低气温，以优化每一网格点的气象数据集合；根据优化后的每一网格点的气象数据集合，确定每一网格点截止到当日的农作物的生长量；根据每一网格点当日的第三最高气温、第三最低气温、太阳辐射量、平均风速、降水量、露点温度和每一网格点截止到当日的农作物的生长量，确定每一网格点当日在农作物冠层处的气温数据，根据每一网格点当日在农作物冠层处的气温数据确定当日的晚霜冻害区域。
作为本发明的又一个实施例，提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机程序，该计算机程序使该计算机执行上述各方法实施例所提供的方法，例如包括：将监测区域网格化，获取每一网格点的气象数据集合，气象数据集合由农作物的生长期内每日的第一最高气温、第一最低气温、太阳辐射量、水汽压、平均风速、降水量和露点温度所组成；基于遥感数据获取每一网格点在预设高度处的气温数据集合，气温数据集合由在预设高度处的生长期内每日的第二最高气温和第二最低气温所组成；将第一最高气温和第二最高气温进行数据同化，获取第三最高气温，将第一最低气温和第二最低气温进行数据同化，获取第三最低气温，并将第三最高气温和第三最低气温分别替换第一最高气温和第一最低气温，以优化每一网格点的气象数据集合；根据优化后的每一网格点的气象数据集合，确定每一网格点截止到当日的农作物的生长量；根据每一网格点当日的第三最高气温、第三最低气温、太阳辐射量、平均风速、降水量、露点温度和每一网格点截止到当日的农作物的生长量，确定每一网格点当日在农作物冠层处的气温数据，根据每一网格点当日在农作物冠层处的气温数据确定当日的晚霜冻害区域。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过计算机程序指令相关的硬件来完成，前述的计算机程序可以存储于一计算机可读取存储介质中，该计算机程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后说明的是：以上实施例仅用以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精神和范围。

Claims (9)

1.一种基于遥感数据的农作物晚霜冻害的监测方法，其特征在于，包括：
将监测区域网格化，获取每一网格点的气象数据集合，所述气象数据集合由农作物的生长期内每日的第一最高气温、第一最低气温、太阳辐射量、水汽压、平均风速、降水量和露点温度所组成；
基于遥感数据获取每一网格点在预设高度处的气温数据集合，所述气温数据集合由在所述预设高度处的所述生长期内每日的第二最高气温和第二最低气温所组成；
将所述第一最高气温和所述第二最高气温进行数据同化，获取第三最高气温，将所述第一最低气温和所述第二最低气温进行数据同化，获取第三最低气温，并将所述第三最高气温和所述第三最低气温分别替换所述第一最高气温和所述第一最低气温，以优化每一网格点的气象数据集合；
根据优化后的每一网格点的气象数据集合，确定每一网格点截止到当日的所述农作物的生长量；
根据每一网格点当日的第三最高气温、第三最低气温、太阳辐射量、平均风速、降水量、露点温度和每一网格点截止到当日的所述农作物的生长量，确定每一网格点当日在所述农作物冠层处的气温数据，根据每一网格点当日在所述农作物冠层处的气温数据确定当日的晚霜冻害区域。
2.根据权利要求1所述的方法，其特征在于，所述获取每一网格点的气象数据集合，包括：
获取所述监测区域中每一气象站点的观测数据集合，所述观测数据集合由所述生长期内每日的最高气温、最低气温、太阳辐射量、水汽压、平均风速、降水量和露点温度所组成；
基于空间插值方法，根据每一气象站点的观测数据集合，获取每一网格点的气象数据集合。
3.根据权利要求1所述的方法，其特征在于，所述基于遥感数据获取每一网格点在预设高度处的气温数据集合，包括：
构建第一温度转换模型和第二温度转换模型，所述第一温度转换模型为所述预设高度处的最高气温实测值与根据所述遥感数据提取的最高气温值之间的转换函数，所述第二温度转换模型为所述预设高度处的最低气温实测值与根据所述遥感数据提取的最低气温值之间的转换函数；
根据所述遥感数据提取每一网格点的所述生长期内每日的第四最高气温和第四最低气温；
根据所述第一温度转换模型和所述第四最高气温获取所述第二最高气温；根据所述第二温度转换模型和所述第四最低气温获取所述第二最低气温；
将每一网格点在所述预设高度处的所述生长期内每日的第二最高气温和第二最低气温组成的集合作为每一网格点在预设高度处的气温数据集合。
4.根据权利要求3所述的方法，其特征在于，所述构建第一温度转换模型和第二温度转换模型，包括：
获取所述监测区域中每一采样点在所述预设高度处的所述生长期内每日的第五最高气温和第五最低气温；
根据所述遥感数据提取每一采样点的所述生长期内每日的第六最高气温和第六最低气温；
根据所述第五最高气温和所述第六最高气温构建所述第一温度转换模型；根据所述第五最低气温和所述第六最低气温构建所述第二温度转换模型。
5.根据权利要求1所述的方法，其特征在于，所述根据优化后的每一网格点的气象数据集合，确定每一网格点截止到当日的所述农作物的生长量，包括：
确定每一网格点的所述生长期内的土壤数据和所述农作物的生长参数；
将优化后的每一网格点的气象数据集合，以及每一网格点的所述生长期内的土壤数据和所述农作物的生长参数输入到已标定的WOFOST模型，输出每一网格点截止到当日的所述农作物的单位面积茎干质量和叶面积指数；
根据株高与单位面积茎干质量之间的函数确定每一网格点截止到当日的所述农作物的株高，根据叶宽与叶面积指数之间的函数确定每一网格点截止到当日的所述农作物的叶宽；
将所述农作物的株高和叶宽作为所述农作物的生长量。
6.根据权利要求1所述的方法，其特征在于，所述根据每一网格点当日的第三最高气温、第三最低气温、太阳辐射量、平均风速、降水量、露点温度和每一网格点截止到当日的所述农作物的生长量，确定每一网格点当日在所述农作物冠层处的气温数据，包括：
确定每一网格点当日的地表生物物理特征参数、土壤理化参数、水力特性参数和土壤温湿度数据；
将每一网格点当日的第三最高气温、第三最低气温、太阳辐射量、平均风速、降水量、露点温度、每一网格点截止到当日的所述农作物的生长量，以及每一网格点当日的地表生物物理特征参数、土壤理化参数、水力特性参数和土壤温湿度数据输入到已标定的SHAW模型，输出每一网格点当日在所述农作物冠层处的气温数据。
7.根据权利要求1所述的方法，其特征在于，所述根据每一网格点当日在所述农作物冠层处的气温数据确定当日的晚霜冻害区域，包括：
根据每一网格点当日在所述农作物冠层处的气温数据确定所述监测区域的在所述农作物冠层处的最低气温分布图；
将所述最低气温分布图中的最低气温小于预设气温的区域作为所述晚霜冻害区域。
8.一种基于遥感数据的农作物晚霜冻害的监测装置，其特征在于，包括：
至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令以执行如权利要求1至7任一所述的方法。
9.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行如权利要求1至7任一所述的方法。
CN201810110826.1A 2018-02-05 2018-02-05 一种基于遥感数据的农作物晚霜冻害的监测方法和装置 Active CN108106676B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810110826.1A CN108106676B (zh) 2018-02-05 2018-02-05 一种基于遥感数据的农作物晚霜冻害的监测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810110826.1A CN108106676B (zh) 2018-02-05 2018-02-05 一种基于遥感数据的农作物晚霜冻害的监测方法和装置

Publications (2)

Publication Number Publication Date
CN108106676A CN108106676A (zh) 2018-06-01
CN108106676B true CN108106676B (zh) 2019-06-04

Family

ID=62221879

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810110826.1A Active CN108106676B (zh) 2018-02-05 2018-02-05 一种基于遥感数据的农作物晚霜冻害的监测方法和装置

Country Status (1)

Country Link
CN (1) CN108106676B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829234B (zh) * 2019-01-30 2019-09-27 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
CN110309969B (zh) * 2019-06-28 2022-05-03 河南农业大学 基于物联网和遥感反演的冬小麦晚霜冻害监测及产量预测方法
CN114167521B (zh) * 2021-12-10 2022-08-30 南京信息工程大学 一种农业气象灾害预警***及其方法
CN114994799A (zh) * 2022-03-01 2022-09-02 北京飞花科技有限公司 基于叶片尺度温度的棉花霜冻预报方法及***
CN115762062B (zh) * 2022-11-08 2024-01-23 陕西省农业遥感与经济作物气象服务中心 猕猴桃果园气象灾害监测预警方法和装置

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4325223A (en) * 1981-03-16 1982-04-20 Cantley Robert J Energy management system for refrigeration systems
US5911507A (en) * 1996-12-27 1999-06-15 Jaynes; Bruce Temperature display device
CN200989832Y (zh) * 2006-11-11 2007-12-12 山西省农业科学院园艺研究所 便携式自动防霜报警仪
CN101799465A (zh) * 2010-03-08 2010-08-11 天津工程师范学院 基于微环境信息的旱地农田水势软测量方法及软测量网络
CN103335953A (zh) * 2013-06-04 2013-10-02 中国科学院遥感与数字地球研究所 一种个体与群体特征相结合的农作物长势遥感评价方法
CN103823994A (zh) * 2014-03-14 2014-05-28 北京航空航天大学 基于全局优化算法的农田组分温度反演方法
CN104730005A (zh) * 2015-03-27 2015-06-24 中国农业科学院农业信息研究所 地空一体化农业监测***及方法
CN105303040A (zh) * 2015-10-15 2016-02-03 北京师范大学 时间连续的地表蒸散发数据的计算方法
CN105760978A (zh) * 2015-07-22 2016-07-13 北京师范大学 一种基于温度植被干旱指数(tvdi)的农业旱灾等级监测方法
CN105993503A (zh) * 2016-05-30 2016-10-12 安徽省丰蓼农业开发有限公司 一种优质小米的生态种植方法
CN106169014A (zh) * 2016-06-15 2016-11-30 中国水利水电科学研究院 基于遥感数据的区域地表感热/潜热通量反演方法及***
CN106600434A (zh) * 2016-10-18 2017-04-26 河南省农业科学院农业经济与信息研究所 基于作物模型与同化技术的作物长势遥感监测方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4325223A (en) * 1981-03-16 1982-04-20 Cantley Robert J Energy management system for refrigeration systems
US5911507A (en) * 1996-12-27 1999-06-15 Jaynes; Bruce Temperature display device
CN200989832Y (zh) * 2006-11-11 2007-12-12 山西省农业科学院园艺研究所 便携式自动防霜报警仪
CN101799465A (zh) * 2010-03-08 2010-08-11 天津工程师范学院 基于微环境信息的旱地农田水势软测量方法及软测量网络
CN103335953A (zh) * 2013-06-04 2013-10-02 中国科学院遥感与数字地球研究所 一种个体与群体特征相结合的农作物长势遥感评价方法
CN103823994A (zh) * 2014-03-14 2014-05-28 北京航空航天大学 基于全局优化算法的农田组分温度反演方法
CN104730005A (zh) * 2015-03-27 2015-06-24 中国农业科学院农业信息研究所 地空一体化农业监测***及方法
CN105760978A (zh) * 2015-07-22 2016-07-13 北京师范大学 一种基于温度植被干旱指数(tvdi)的农业旱灾等级监测方法
CN105303040A (zh) * 2015-10-15 2016-02-03 北京师范大学 时间连续的地表蒸散发数据的计算方法
CN105993503A (zh) * 2016-05-30 2016-10-12 安徽省丰蓼农业开发有限公司 一种优质小米的生态种植方法
CN106169014A (zh) * 2016-06-15 2016-11-30 中国水利水电科学研究院 基于遥感数据的区域地表感热/潜热通量反演方法及***
CN106600434A (zh) * 2016-10-18 2017-04-26 河南省农业科学院农业经济与信息研究所 基于作物模型与同化技术的作物长势遥感监测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Hyperspectral characteristics of winter wheat under freezing injury stress and LWC inversion model;Huifang Wang等;《2012 First International Conference on Agro- Geoinformatics (Agro-Geoinformatics)》;20120804;第1-6页
SHAW 模型在冬小麦晚霜冻害监测中的适用性研究;刘峻明等;《农业机械学报》;20160630;第47卷(第6期);第265-273页
冬小麦拔节期遥感监测方法研究;胡乔玲等;《中国农业科技导报》;20131231;第15卷(第6期);第152-156页
基于WOFOST-SHAW耦合模型的冬小麦冠层气温模拟;王鹏新等;《农业机械学报》;20180131;第49卷(第1期);第164-170页

Also Published As

Publication number Publication date
CN108106676A (zh) 2018-06-01

Similar Documents

Publication Publication Date Title
CN108106676B (zh) 一种基于遥感数据的农作物晚霜冻害的监测方法和装置
Hu et al. Improvement of sugarcane crop simulation by SWAP-WOFOST model via data assimilation
Yuan et al. Habitat monitoring to evaluate crop disease and pest distributions based on multi-source satellite remote sensing imagery
Forkuo et al. Analysis of forest cover change detection
Bhatti et al. Site-specific irrigation management in a sub-humid climate using a spatial evapotranspiration model with satellite and airborne imagery
Wang et al. Summer maize growth under different precipitation years in the Huang-Huai-Hai Plain of China
CN101858971A (zh) 一种基于modis数据的水稻单产遥感估算方法
Togliatti et al. Satellite L–band vegetation optical depth is directly proportional to crop water in the US Corn Belt
Agam et al. Spatial distribution of water status in irrigated olive orchards by thermal imaging
AU2016273991A1 (en) Detection of environmental conditions
Conceição et al. Three years of monitoring evapotranspiration components and crop and stress coefficients in a deficit irrigated intensive olive orchard
CN114419431A (zh) 一种蝗灾潜在高风险区识别方法、装置、设备及存储介质
CN112070297A (zh) 农事活动的天气指标预测方法、装置、设备及存储介质
Consoli et al. Testing the water balance model criteria using TDR measurements, micrometeorological data and satellite-based information
Zhang et al. Improvement in estimation of soil water deficit by integrating airborne imagery data into a soil water balance model
Wan et al. The effects of the human footprint and soil properties on the habitat suitability of large old trees in alpine urban and periurban areas
Rulinda et al. Image mining for drought monitoring in eastern Africa using Meteosat SEVIRI data
Balenzano et al. On the use of multi-temporal series of cosmo-skymed data for Landcover classification and surface parameter retrieval over Agricultural sites
CN107437262B (zh) 作物种植面积预警方法和***
Chu et al. Mapping and forecasting of rice cropping systems in central China using multiple data sources and phenology-based time-series similarity measurement
Sukojo et al. Landsat 8 satellite imagery analysis for rice production estimates (Case study: Bojonegoro regencys)
CN114694020B (zh) 一种棉花蚜虫遥感预报模型的构建方法
Tang et al. UAV-based high spatial and temporal resolution monitoring and mapping of surface moisture status in a vineyard
Schaepman et al. River floodplain vegetation scenario development using imaging spectroscopy derived products as input variables in a dynamic vegetation model
Takács et al. Application of AquaCrop in processing tomato growing and calculation of irrigation water

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