CN109359862B - 一种粮食作物实时估产方法及*** - Google Patents
一种粮食作物实时估产方法及*** Download PDFInfo
- Publication number
- CN109359862B CN109359862B CN201811206088.7A CN201811206088A CN109359862B CN 109359862 B CN109359862 B CN 109359862B CN 201811206088 A CN201811206088 A CN 201811206088A CN 109359862 B CN109359862 B CN 109359862B
- Authority
- CN
- China
- Prior art keywords
- yield
- estimated
- model
- value
- period
- 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 32
- 238000004519 manufacturing process Methods 0.000 claims abstract description 55
- 238000012417 linear regression Methods 0.000 claims abstract description 42
- 230000001419 dependent effect Effects 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000010276 construction Methods 0.000 claims description 25
- 235000013339 cereals Nutrition 0.000 description 27
- 241000209140 Triticum Species 0.000 description 11
- 235000021307 Triticum Nutrition 0.000 description 11
- 230000007613 environmental effect Effects 0.000 description 8
- 230000009418 agronomic effect Effects 0.000 description 4
- 235000013305 food Nutrition 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Computational Mathematics (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Marine Sciences & Fisheries (AREA)
- Probability & Statistics with Applications (AREA)
- Agronomy & Crop Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Animal Husbandry (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种粮食作物实时估产方法及***。该方法包括:获取历史数据;根据不同年份不同时期的增强型植被指数计算增强型植被指数的距平;以第i时期增强型植被指数的距平为自变量,以估产差值为因变量,构建线性回归方程,得到第i时期的估产模型,估产差值为统计产量与趋势产量的差值或统计产量与第i‑1时期的估产值的差值;将第i时期的增强型植被指数的距平代入第i时期的估产模型,得到第i时期的估产波动值;根据第i时期的估产波动值和第i‑1时期估产值计算第i时期的模型估产值;计算第i时期的估产模型的误差;采用第i时期的估产模型的误差对第i时期的模型估产值进行修正,得到第i时期的估产值。本发明能够实现准确有效、实时性强的粮食作物估产。
Description
技术领域
本发明涉及粮食作物估产领域,特别是涉及一种粮食作物实时估产方法及***。
背景技术
及时、准确、有效的粮食作物估产对于应对国际粮价变动、稳定粮食安全及农业生产管理决策具有重要的意义。现代农业发展至今,一系列用于作物估产的技术方法在预测产量方面均取得了不同程度的成功,根据其采用的手段分为统计估产、气象估产、农学估产、遥感估产等。
统计估产是通过整体考虑影响作物产量的各种统计因子与作物产量之间的关系进行产量预测,常用的为趋势产量估测。该方法没有考虑作物产量形成的复杂机理,模型简单却没有明确反应作物的生长发育过程。
农学估产具有良好的农学基础,以此为基础发展的作物模拟模型被广泛应用,但此类模型复杂,需要大量的输入数据进行校准和调优,实际应用中很难满足其完整而有效的数据需求,其次,不同区域地理环境、种植制度的差异性也使得各农学参数在区域间发生变化,因此,该方式目前仍然停留在实验调试阶段,很难进行大范围估产业务应用。
气象估产是依据气象要素对于作物的生长状况具有明显影响的机理构建气象要素的产量系数来解释不同气象要素对产量的影响而进行的产量预测,例如,高金兰、马晓群等统计分析安徽省气候变化下降水量对粮食产量的影响,表明产量波动主要由水分条件不稳定导致。但该模型要素单一,未考虑其他因子对产量的影响,且气象要素以站点观测为主,空间覆盖范围有限。
遥感估产则是基于现代遥感科学技术获得作物生长的光谱信息反演作物生长参数,建立其与产量的相关关系实现产量的预估。遥感反演的生长参数是反映作物在特定环境下生长状况的综合指标,该指标是气象因子、土壤因子、田间管理因子等影响的综合结果,被认为是估产的最优因子,因此,基于遥感的农业估产被广泛应用。例如,王恺宁等利用冬小麦灌浆期四种不同植被指数组合建立模型,弥补单植被指数的缺陷,提高估产精度。但是,遥感技术仍然受到天气、同物异谱、异物同谱等各种影响,无法实现理论上的及时有效性。
发明内容
本发明的目的是提供一种粮食作物实时估产方法及***,能够实现准确有效、实时性强的粮食作物估产。
为实现上述目的,本发明提供了如下方案:
一种粮食作物实时估产方法,所述方法包括:
获取历史数据,所述历史数据包括不同年份不同时期的增强型植被指数、不同年份粮食作物的统计产量和不同年份粮食作物的趋势产量;
根据不同年份不同时期的增强型植被指数计算增强型植被指数的距平;
以第i时期增强型植被指数的距平为自变量,以估产差值为因变量,构建线性回归方程,得到第i时期的估产模型,所述估产差值为统计产量与趋势产量的差值或统计产量与第i-1时期的估产值的差值,其中,i=1,…,n;
将第i时期的增强型植被指数的距平代入第i时期的估产模型,得到第i时期的估产波动值;
根据第i时期的估产波动值和第i-1时期估产值计算第i时期的模型估产值;
计算第i时期的估产模型的误差;
采用第i时期的估产模型的误差对第i时期的模型估产值进行修正,得到第i时期的估产值。
可选的,所述以第i时期增强型植被指数的距平为自变量,以估产差值为因变量,构建线性回归方程,得到第i时期的估产模型,具体包括:
构建线性回归方程f(xi)=a×xi+b,当i=1时,f(xi)为统计产量与趋势产量的差值,当i>1时,f(xi)为统计产量与第i-1时期估产值的差值,a和b均为线性回归方程的系数;
确定线性回归方程的系数a和b,得到第i时期的估产模型。
可选的,所述将第i时期的增强型植被指数的距平代入第i时期的估产模型,得到第i时期的估产波动值,具体包括:
将第i时期的增强型植被指数的距平代入f'(xi)=a×xi+b,其中,f'(xi)为第i时期的估产波动值。
可选的,所述根据第i时期的估产波动值和第i-1时期估产值计算第i时期的估产值,具体包括:
当i=1时,根据E=p+f'(xi)计算第i时期的估产值,其中,p为趋势产量;
当i>1时,根据E=q+f'(xi)计算第i时期的估产值,其中,q为第i-1时期的估产值。
本发明还提供了一种粮食作物实时估产***,所述***包括:
数据获取模块,用于获取历史数据,所述历史数据包括不同年份不同时期的增强型植被指数、不同年份粮食作物的统计产量和不同年份粮食作物的趋势产量;
距平计算模块,用于根据不同年份不同时期的增强型植被指数计算增强型植被指数的距平;
模型构建模块,用于以第i时期增强型植被指数的距平为自变量,以估产差值为因变量,构建线性回归方程,得到第i时期的估产模型,所述估产差值为统计产量与趋势产量的差值或统计产量与第i-1时期的估产值的差值,其中,i=1,…,n;
波动值计算模块,用于将第i时期的增强型植被指数的距平代入第i时期的估产模型,得到第i时期的估产波动值;
模型估产值计算模块,用于根据第i时期的估产波动值和第i-1时期估产值计算第i时期的估产值;
模型误差计算模块,用于计算第i时期的估产模型的误差;
估产值计算模块,用于采用第i时期的估产模型的误差对第i时期的模型估产值进行修正,得到第i时期的估产值。
可选的,所述模型构建模块具体包括:
线性方程构建单元,用于构建线性回归方程f(xi)=a×xi+b,当i=1时,f(xi)为统计产量与趋势单产的差值,当i>1时,f(xi)为统计产量与第i-1时期的估产值的差值,a和b均为线性回归方程的系数;
系数单元,用于确定线性回归方程的系数a和b,得到第i时期的估产模型。
可选的,所述波动值计算模块具体包括:
波动值计算单元,用于将第i时期的增强型植被指数的距平代入f'(xi)=a×xi+b,其中,f'(xi)为第i时期的估产波动值。
可选的,所述模型估产值计算模块具体包括:
估产值第一计算单元,用于当i=1时,根据E=p+f'(xi)计算第i时期的估产值,其中,p为趋势产量;
估产值第二计算单元,用于当i>1时,根据E=q+f'(xi)计算第i时期的估产值,其中,q为第i-1时期的估产值。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的粮食作物实时估产方法及***以趋势产量为基数,定期计算由短期环境要素改变而引起的产量波动值,预估作物的产量。而且,本发明采用增强型植被指数作为环境影响因子,能够综合反应气象因子、土壤因子和田间管理因子的变化。进而,使得本发明提供的粮食作物实时估产方法及***能够实现准确有效、实时性强的粮食作物估产。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明实施例粮食作物实时估产方法的流程示意图;
图2为本发明实施例粮食作物实时估产***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
本发明的目的是提供一种粮食作物实时估产方法及***,能够实现准确有效、实时性强的粮食作物估产。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明基于历史数据求得趋势产量,计算每期估产的参数距平,进行模型估产,最后根据模型误差纠正:估产值=模型估产值±模型估产值*模型平均绝对误差百分比。
图1为本发明实施例粮食作物实时估产方法的流程示意图,如图1所示,本发明提供的粮食作物实时估产方法包括以下步骤:
步骤101:获取历史数据,历史数据包括不同年份不同时期的增强型植被指数、不同年份粮食作物的统计产量和不同年份粮食作物的趋势产量;
步骤102:根据不同年份不同时期的增强型植被指数计算增强型植被指数的距平;
步骤103:以第i时期增强型植被指数的距平为自变量,以估产差值为因变量,构建线性回归方程,得到第i时期的估产模型,所述估产差值为统计产量与趋势产量的差值或统计产量与第i-1时期的估产值的差值,其中,i=1,…,n;
步骤104:将第i时期的增强型植被指数的距平代入第i时期的估产模型,得到第i时期的估产波动值;
步骤105:根据第i时期的估产波动值和第i-1时期估产值计算第i时期的估产值。
步骤106:计算第i时期的估产模型的误差;
步骤107:采用第i时期的估产模型的误差对第i时期的模型估产值进行修正,得到第i时期的估产值。
其中,步骤103具体包括:
构建线性回归方程f(xi)=a×xi+b,当i=1时,f(xi)为统计产量与趋势产量的差值,当i>1时,f(xi)为统计产量与第i-1时期的估产值的差值,a和b均为线性回归方程的系数;
确定线性回归方程的系数a和b,得到第i时期的估产模型。
步骤104具体包括:
将第i时期的增强型植被指数的距平代入f'(xi)=a×xi+b,其中,f'(xi)为第i时期的估产波动值。
步骤105具体包括:
当i=1时,根据E=p+f'(xi)计算第i时期的估产值,其中,p为趋势产量;
当i>1时,根据E=q+f'(xi)计算第i时期的估产值,其中,q为第i-1时期的估产值。
具体的操作方案如下:
1)估产时空尺度的确定
选定估产区域、估产对象、估产起始时间,估产结束时间,估产周期。比如,发明案例估产区为河北省邢台县,估产对象为冬小麦,估产起始时间为10月17日,估产结束时间为6月27日(冬小麦跨年生长,估产时间顺序递进),估产周期为16天(决定环境影响参数数据递进的时间尺度,本例中10月17日第一次估产环境参数则为10月1日-10月16日的均值距平,在此之前的影响忽略不计),因此,总共估产17次。模型构建数据时间尺度为2001-2015年,估产目标时间为2016年。
2)数据的获取及处理。
本案例数据的获取主要包括估产区不同年份的冬小麦统计产量和不同年份不同时期的增强型植被指数(EVI)。具体为1986年至2016年河北省邢台县的冬小麦单位面积产量,本案例由统计年鉴中的冬小麦总产量和播种面积计算得到,并以直线滑动平均方法计算得到2001-2016年的趋势产量(表1-表17第1列、第2列);2001年至2016年河北省邢台县冬小麦种植区10月17日至第二年6月27日以16天为周期的遥感反演增强型植被指数(EVI),本案例中由MODIS产品数据和由遥感数据提取的冬小麦分布区数据计算得到。
3)不同年份不同时期的增强型植被指数距平的计算(EVI距平)
以2001年至2015年冬小麦种植区不同时期EVI计算得到各自的EVI距平(表1-表17第4列)。
4)基于历史数据的估产模型构建
(1)第一次估产模型构建
计算2001年至2015年实际产量(表1第1列)和趋势产量(表1第2列)的实际差值(表1第3列);
实际差值(表1第3列)和第1个周期的EVI距平(表1第4列)进行线性回归得到第一次估产模型的回归系数a=10.466,b=-96.942,即得估产波动模型1=10.466×EVI10-16-96.942,由此可得估产波动值1(表1第5列);估产模型1=趋势单产+估产波动模型1=趋势单产+10.466×EVI10-16-96.942,由此可得模型估产值1(表1第6列);
由实际产量(表1第1列)和模型估产值1(表1第6列)求差得到估产差值1(表1第7列),进而由估产差值1(表1第7列)与实际产量(表1第1列)求绝对比值得到模型误差1(表1第8列)。本阶段模型平均误差为2%。
综上,第一次估产模型=估产模型1×(1±2%)=(趋势单产+10.466×EVI10-16-96.942)×(1±2%)。
表1
(2)第二次估产模型构建
计算2001年至2015年实际产量(表2第1列)和模型估产值1(表2第2列)的估产差值1(表2第3列);
估产差值1(表2第3列)和第2个周期的EVI距平(表2第4列)进行线性回归得到第二次估产模型的回归系数a=10.41,b=0.4364,即得估产波动模型2=10.41×EVI11-1+0.4364,由此可得估产波动值2(表2第5列);估产模型2=模型估产值1+估产波动模型2=模型估产值1+10.41×EVI11-1+0.4364,由此可得模型估产值2(表2第6列);
由实际产量(表2第1列)和模型估产值2(表2第6列)求差得到估产差值2(表2第7列),进而由估产差值2(表2第7列)与实际产量(表2第1列)求绝对比值得到模型误差2(表2第8列)。本阶段模型平均误差为2%。
综上,第二次估产模型=估产模型2×(1±2%)=(模型估产值1+10.41×EVI11-1+0.4364)×(1±2%)。
表2
(3)第三次估产模型构建
计算2001年至2015年实际产量(表3第1列)和模型估产值2(表3第2列)的估产差值2(表3第3列);
估产差值3(表3第3列)和第3个周期的EVI距平(表3第4列)进行线性回归得到第二次估产模型的回归系数a=10.324,b=0.6597,即得估产波动模型3=10.324×EVI11-17+0.6597,由此可得估产波动值3(表3第5列);估产模型3=模型估产值2+估产波动模型3=模型估产值2+10.324×EVI11-17+0.6597,由此可得模型估产值3(表3第6列);
由实际产量(表3第1列)和模型估产值3(表3第6列)求差得到估产差值3(表3第7列),进而由估产差值3(表3第7列)与实际产量(表3第1列)求绝对比值得到模型误差3(表3第8列)。本阶段模型平均误差为2%。
综上,第三次估产模型=估产模型2×(1±2%)=(模型估产值2+10.324×EVI11-17+0.6597)×(1±2%)。
表3
(4)第四次估产模型构建
计算2001年至2015年实际产量(表4第1列)和模型估产值3(表4第2列)的估产差值3(表4第3列);
估产差值3(表4第3列)和第4个周期的EVI距平(表4第4列)进行线性回归得到第二次估产模型的回归系数a=10.224,b=0.767,即得估产波动模型4=10.224×EVI12-3+0.767,由此可得估产波动值4(表4第5列);估产模型4=模型估产值3+估产波动模型4=模型估产值3+10.224×EVI12-3+0.767,由此可得模型估产值4(表4第6列);
由实际产量(表4第1列)和模型估产值4(表4第6列)求差得到估产差值4(表4第7列),进而由估产差值4(表4第7列)与实际产量(表4第1列)求绝对比值得到模型误差4(表4第8列)。本阶段模型平均误差为2%。
综上,第四次估产模型=估产模型4×(1±2%)=(模型估产值3+10.224×EVI12-3+0.767)×(1±2%)。
表4
(5)第五次估产模型构建
计算2001年至2015年实际产量(表5第1列)和模型估产值4(表5第2列)的估产差值4(表5第3列);
估产差值4(表5第3列)和第5个周期的EVI距平(表5第4列)进行线性回归得到第二次估产模型的回归系数a=10.123,b=0.8014,即得估产波动模型5=10.123×EVI12-19+0.8014,由此可得估产波动值5(表5第5列);估产模型5=模型估产值4+估产波动模型5=模型估产值4+10.123×EVI12-19+0.8014,由此可得模型估产值5(表5第6列);
由实际产量(表5第1列)和模型估产值5(表5第6列)求差得到估产差值5(表5第7列),进而由估产差值5(表5第7列)与实际产量(表5第1列)求绝对比值得到模型误差5(表5第8列)。本阶段模型平均误差为2%。
综上,第五次估产模型=估产模型5×(1±2%)=(模型估产值4+10.123×EVI12-19+0.8014)×(1±2%)。
表5
(6)第六次估产模型构建
计算2001年至2015年实际产量(表6第1列)和模型估产值5(表6第2列)的估产差值5(表6第3列);
估产差值5(表6第3列)和第6个周期的EVI距平(表6第4列)进行线性回归得到第二次估产模型的回归系数a=10.023,b=0.8081,即得估产波动模型6=10.023×EVI1-1+0.8081,由此可得估产波动值6(表6第5列);估产模型6=模型估产值5+估产波动模型6=模型估产值5+10.023×EVI1-1+0.8081,由此可得模型估产值6(表6第6列);
由实际产量(表6第1列)和模型估产值6(表6第6列)求差得到估产差值6(表6第7列),进而由估产差值6(表6第7列)与实际产量(表6第1列)求绝对比值得到模型误差6(表6第8列)。本阶段模型平均误差为2%。
综上,第六次估产模型=估产模型6×(1±2%)=(模型估产值5+10.023×EVI1-1+0.8081)×(1±2%)。
表6
(7)第七次估产模型构建
计算2001年至2015年实际产量(表7第1列)和模型估产值6(表7第2列)的估产差值6(表7第3列);
估产差值6(表7第3列)和第7个周期的EVI距平(表7第4列)进行线性回归得到第二次估产模型的回归系数a=9.9352,b=0.6943,即得估产波动模型7=9.9352×EVI1-17+0.6943,由此可得估产波动值7(表7第5列);估产模型7=模型估产值6+估产波动模型7=模型估产值6+9.9352×EVI1-17+0.6943,由此可得模型估产值7(表7第6列);
由实际产量(表7第1列)和模型估产值7(表7第6列)求差得到估产差值7(表7第7列),进而由估产差值7(表7第7列)与实际产量(表7第1列)求绝对比值得到模型误差7(表7第8列)。本阶段模型平均误差为2%。
综上,第七次估产模型=估产模型7×(1±2%)=(模型估产值6+9.9352×EVI1-17+0.6943)×(1±2%)。
表7
(8)第八次估产模型构建
计算2001年至2015年实际产量(表8第1列)和模型估产值7(表8第2列)的估产差值7(表8第3列);
估产差值7(表8第3列)和第8个周期的EVI距平(表8第4列)进行线性回归得到第二次估产模型的回归系数a=9.8789,b=0.4544,即得估产波动模型8=9.8789×EVI2-2+0.4544,由此可得估产波动值8(表8第5列);估产模型8=模型估产值7+估产波动模型8=模型估产值7+9.8789×EVI2-2+0.4544,由此可得模型估产值8(表8第6列);
由实际产量(表8第1列)和模型估产值8(表8第6列)求差得到估产差值8(表8第7列),进而由估产差值8(表8第7列)与实际产量(表8第1列)求绝对比值得到模型误差8(表8第8列)。本阶段模型平均误差为2%。
综上,第八次估产模型=估产模型8×(1±2%)=(模型估产值7+9.8789×EVI2-2+0.4544)×(1±2%)。
表8
(9)第九次估产模型构建
计算2001年至2015年实际产量(表9第1列)和模型估产值8(表9第2列)的估产差值8(表9第3列);
估产差值8(表9第3列)和第9个周期的EVI距平(表9第4列)进行线性回归得到第二次估产模型的回归系数a=9.8522,b=0.2286,即得估产波动模型8=9.8522×EVI2-18+0.2286,由此可得估产波动值9(表9第5列);估产模型9=模型估产值8+估产波动模型9=模型估产值8+9.8522×EVI2-18+0.2286,由此可得模型估产值9(表9第6列);
由实际产量(表9第1列)和模型估产值9(表9第6列)求差得到估产差值9(表9第7列),进而由估产差值9(表9第7列)与实际产量(表9第1列)求绝对比值得到模型误差9(表9第8列)。本阶段模型平均误差为2%。
综上,第九次估产模型=估产模型9×(1±2%)=(模型估产值8+9.8522×EVI2-18+0.2286)×(1±2%)。
表9
(10)第十次估产模型构建
计算2001年至2015年实际产量(表10第1列)和模型估产值9(表10第2列)的估产差值9(表10第3列);
估产差值9(表10第3列)和第10个周期的EVI距平(表10第4列)进行线性回归得到第二次估产模型的回归系数a=9.8423,b=0.0923,即得估产波动模型10=9.8423×EVI3-6+0.0923,由此可得估产波动值10(表10第5列);估产模型10=模型估产值9+估产波动模型10=模型估产值9+9.8423×EVI3-6+0.0923,由此可得模型估产值10(表10第6列);
由实际产量(表10第1列)和模型估产值10(表10第6列)求差得到估产差值10(表10第7列),进而由估产差值10(表10第7列)与实际产量(表10第1列)求绝对比值得到模型误差10(表10第8列)。本阶段模型平均误差为2%。
综上,第十次估产模型=估产模型10×(1±2%)=(模型估产值9+9.8423×EVI3-6+0.0923)×(1±2%)。
表10
(11)第十一次估产模型构建
计算2001年至2015年实际产量(表11第1列)和模型估产值10(表11第2列)的估产差值10(表11第3列);
估产差值10(表11第3列)和第11个周期的EVI距平(表11第4列)进行线性回归得到第二次估产模型的回归系数a=9.8386,b=0.0342,即得估产波动模型11=9.8386×EVI3-22+0.0342,由此可得估产波动值11(表11第5列);估产模型11=模型估产值10+估产波动模型11=模型估产值10+9.8386×EVI3-22+0.0342,由此可得模型估产值11(表11第6列);
由实际产量(表11第1列)和模型估产值11(表11第6列)求差得到估产差值11(表11第7列),进而由估产差值11(表11第7列)与实际产量(表11第1列)求绝对比值得到模型误差11(表11第8列)。本阶段模型平均误差为2%。
综上,第十一次估产模型=估产模型11×(1±2%)=(模型估产值10+9.8386×EVI3-22+0.0342)×(1±2%)。
表11
(12)第十二次估产模型构建
计算2001年至2015年实际产量(表12第1列)和模型估产值11(表12第2列)的估产差值11(表12第3列);
估产差值11(表12第3列)和第12个周期的EVI距平(表12第4列)进行线性回归得到第二次估产模型的回归系数a=9.842,b=-0.0164,即得估产波动模型12=9.842×EVI4-7-0.0164,由此可得估产波动值12(表12第5列);估产模型12=模型估产值11+估产波动模型12=模型估产值11+9.842×EVI4-7-0.0164,由此可得模型估产值12(表12第6列);
由实际产量(表12第1列)和模型估产值12(表12第6列)求差得到估产差值12(表12第7列),进而由估产差值12(表12第7列)与实际产量(表12第1列)求绝对比值得到模型误差12(表12第8列)。本阶段模型平均误差为2%。
综上,第十二次估产模型=估产模型12×(1±2%)=(模型估产值11+9.842×EVI4-7-0.0164)×(1±2%)。
表12
(13)第十三次估产模型构建
计算2001年至2015年实际产量(表13第1列)和模型估产值12(表13第2列)的估产差值12(表13第3列);
估产差值12(表13第3列)和第13个周期的EVI距平(表13第4列)进行线性回归得到第二次估产模型的回归系数a=9.848,b=-0.0294,即得估产波动模型13=9.848×EVI4-23-0.0294,由此可得估产波动值13(表13第5列);估产模型13=模型估产值12+估产波动模型13=模型估产值12+9.848×EVI4-23-0.0294,由此可得模型估产值13(表13第6列);
由实际产量(表13第1列)和模型估产值13(表13第6列)求差得到估产差值13(表13第7列),进而由估产差值13(表13第7列)与实际产量(表13第1列)求绝对比值得到模型误差13(表13第8列)。本阶段模型平均误差为2%。
综上,第十三次估产模型=估产模型13×(1±2%)=(模型估产值12+9.848×EVI4-23-0.0294)×(1±2%)。
表13
(14)第十四次估产模型构建
计算2001年至2015年实际产量(表14第1列)和模型估产值13(表14第2列)的估产差值13(表14第3列);
估产差值13(表14第3列)和第14个周期的EVI距平(表14第4列)进行线性回归得到第二次估产模型的回归系数a=9.8232,b=0.1986,即得估产波动模型14=9.8232×EVI5-9+0.1986,由此可得估产波动值14(表14第5列);估产模型14=模型估产值13+估产波动模型14=模型估产值13+9.8232×EVI5-9+0.1986,由此可得模型估产值14(表14第6列);
由实际产量(表14第1列)和模型估产值14(表14第6列)求差得到估产差值14(表14第7列),进而由估产差值14(表14第7列)与实际产量(表14第1列)求绝对比值得到模型误差14(表14第8列)。本阶段模型平均误差为2%。
综上,第十四次估产模型=估产模型14×(1±2%)=(模型估产值13+9.8232×EVI5-9+0.1986)×(1±2%)。
表14
(15)第十五次估产模型构建
计算2001年至2015年实际产量(表15第1列)和模型估产值14(表15第2列)的估产差值14(表15第3列);
估产差值14(表15第3列)和第15个周期的EVI距平(表15第4列)进行线性回归得到第二次估产模型的回归系数a=9.7529,b=0.5682,即得估产波动模型15=9.7529×EVI5-25+0.5682,由此可得估产波动值15(表15第5列);估产模型15=模型估产值14+估产波动模型15=模型估产值14+9.7529×EVI5-25+0.5682,由此可得模型估产值15(表15第6列);
由实际产量(表15第1列)和模型估产值15(表15第6列)求差得到估产差值15(表15第7列),进而由估产差值15(表15第7列)与实际产量(表15第1列)求绝对比值得到模型误差15(表15第8列)。本阶段模型平均误差为2%。
综上,第十五次估产模型=估产模型15×(1±2%)=(模型估产值14+9.7529×EVI5-25+0.5682)×(1±2%)。
表15
(16)第十六次估产模型构建
计算2001年至2015年实际产量(表16第1列)和模型估产值15(表16第2列)的估产差值15(表16第3列);
估产差值15(表16第3列)和第16个周期的EVI距平(表16第4列)进行线性回归得到第二次估产模型的回归系数a=9.69,b=0.5265,即得估产波动模型16=9.69×EVI6-10+0.5265,由此可得估产波动值16(表16第5列);估产模型16=模型估产值15+估产波动模型16=模型估产值15+9.69×EVI6-10+0.5265,由此可得模型估产值16(表16第6列);
由实际产量(表16第1列)和模型估产值16(表16第6列)求差得到估产差值16(表16第7列),进而由估产差值16(表16第7列)与实际产量(表16第1列)求绝对比值得到模型误差16(表16第8列)。本阶段模型平均误差为2%。
综上,第十六次估产模型=估产模型16×(1±2%)=(模型估产值16+9.69×EVI6-10+0.5265)×(1±2%)。
表16
(17)第十七次估产模型构建
计算2001年至2015年实际产量(表17第1列)和模型估产值16(表17第2列)的估产差值16(表17第3列);
估产差值16(表17第3列)和第17个周期的EVI距平(表17第4列)进行线性回归得到第二次估产模型的回归系数a=9.6533,b=0.3035,即得估产波动模型16=9.6533×EVI6-26+0.3035,由此可得估产波动值17(表17第5列);估产模型17=模型估产值16+估产波动模型17=模型估产值16+9.6533×EVI6-26+0.3035,由此可得模型估产值17(表17第6列);
由实际产量(表17第1列)和模型估产值17(表17第6列)求差得到估产差值17(表17第7列),进而由估产差值17(表17第7列)与实际产量(表17第1列)求绝对比值得到模型误差17(表17第8列)。本阶段模型平均误差为2%。
综上,第十七次估产模型=估产模型17×(1±2%)=(模型估产值16+9.6533×EVI6-26+0.3035)×(1±2%)。
表17
3)目标年份的估产:基于上述历史数据构建的周期性估产模型,进行目标年份的周期性实时估产(估产周期必须与所建立的估产模型周期一致,否则重新构建模型)。
本发明展示中的目标估产为2016年河北邢台的冬小麦实时估产。
由步骤101可得2016年河北邢台的冬小麦趋势产量为5379.3494kg/ha。因此,采用上述2)构建的估产模型逐步估产结果如表18所示,2016年统计公布产量为5385.184kg/ha,在本案最终估产结果5288.571±105.771kg/ha范围内,证明本技术方案具有可行性。
表18
本发明的主要优点是:
(1)能够实现作物生长过程中的准实时估产。
(2)以环境影响参数构建的模型体现了短期环境要素变化对产量的影响,具有一定的机理。
(3)灵活性高。在实施过程中可以灵活选择环境影响参数构建波动模型,即可根据不同估产区域、估产对象数据的获取情况、模型的精度要求、业务生产的周期要求等,灵活选择单因子或多因子组合参数,构建简单模型或复杂模型实施估产。
(3)具有业务化实现的可行性。
本发明还提供了一种粮食作物实时估产***,如图2所示,该***包括:
数据获取模块201,用于获取历史数据,历史数据包括不同年份不同时期的增强型植被指数、不同年份粮食作物的统计产量和不同年份粮食作物的趋势产量;
距平计算模块202,用于根据不同年份不同时期的增强型植被指数计算增强型植被指数的距平;
模型构建模块203,用于以第i时期增强型植被指数的距平为自变量,以估产差值为因变量,构建线性回归方程,得到第i时期的估产模型,所述估产差值为统计产量与趋势产量的差值或统计产量与第i-1时期的估产值的差值,其中,i=1,…,n;
波动值计算模块204,用于将第i时期的增强型植被指数的距平代入第i时期的估产模型,得到第i时期的估产波动值;
模型估产值计算模块205,用于根据第i时期的估产波动值和第i-1时期估产值计算第i时期的估产值;
模型误差计算模块206,用于计算第i时期的估产模型的误差;
估产值计算模块207,用于采用第i时期的估产模型的误差对第i时期的模型估产值进行修正,得到第i时期的估产值。
其中,模型构建模块203具体包括:
线性方程构建单元,用于构建线性回归方程f(xi)=a×xi+b,当i=1时,f(xi)为统计产量与趋势单产的差值,当i>1时,f(xi)为统计产量与第i-1时期的估产值的差值,a和b均为线性回归方程的系数;
系数单元,用于确定线性回归方程的系数a和b,得到第i时期的估产模型。
波动值计算模块204具体包括:
波动值计算单元,用于将第i时期的增强型植被指数的距平代入f'(xi)=a×xi+b,其中,f'(xi)为第i时期的估产波动值。
模型估产值计算模块205具体包括:
估产值第一计算单元,用于当i=1时,根据E=p+f'(xi)计算第i时期的估产值,其中,p为趋势产量;
估产值第二计算单元,用于当i>1时,根据E=q+f'(xi)计算第i时期的估产值,其中,q为第i-1时期的估产值。
本发明提供的粮食作物实时估产***以趋势产量为基数,定期计算由短期环境要素改变而引起的产量波动值,预估作物的产量。而且,本发明采用增强型植被指数作为环境影响因子,能够综合反应气象因子、土壤因子和田间管理因子的变化。进而,使得本发明提供的粮食作物实时估产方法及***能够实现准确有效、实时性强的粮食作物估产。
本说明书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。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种粮食作物实时估产方法,其特征在于,所述方法包括:
获取历史数据,所述历史数据包括不同年份不同时期的增强型植被指数、不同年份的粮食作物统计产量和不同年份粮食作物的趋势产量;
根据不同年份不同时期的增强型植被指数计算不同年份不同时期增强型植被指数的距平;
以每年第i时期增强型植被指数的距平为自变量,以每年的估产差值为因变量,构建线性回归方程,得到第i时期的估产模型,其中,当i=1时,所述估产差值为统计产量与趋势产量的差值,当i>1时,所述估产差值为第i时期的统计产量与第i-1时期的估产值的差值,i=1,…,n,第i时期的估产模型用于预测年产量;
将第i时期的增强型植被指数的距平代入第i时期的估产模型,得到第i时期的估产波动值;
根据第i时期的估产波动值和第i-1时期估产值计算第i时期的模型估产值;
根据第i时期的估产值与第i时期的统计值计算第i时期的估产模型的误差;
采用第i时期的估产模型的误差对第i时期的估产模型进行修正,得到第i时期修正后的估产模型;
其中,所述以每年第i时期增强型植被指数的距平为自变量,以每年估产差值为因变量,构建线性回归方程,得到第i时期的估产模型,具体包括:
构建线性回归方程f(xi)=a×xi+b,当i=1时,f(xi)为统计产量与趋势产量的差值,当i>1时,f(xi)为统计产量与第i-1时期的估产值的差值,a和b均为线性回归方程的系数;
确定线性回归方程的系数a和b,得到第i时期的估产模型。
2.根据权利要求1所述的粮食作物实时估产方法,其特征在于,所述将第i时期的增强型植被指数的距平代入第i时期的估产模型,得到第i时期的估产波动值,具体包括:
将第i时期的增强型植被指数的距平代入f'(xi)=a×xi+b,其中,f'(xi)为第i时期的估产波动值。
3.根据权利要求1所述的粮食作物实时估产方法,其特征在于,所述根据第i时期的估产波动值和第i-1时期估产值计算第i时期的估产值,具体包括:
当i=1时,根据E=p+f'(xi)计算第i时期的估产值,其中,p为趋势产量;
当i>1时,根据E=q+f'(xi)计算第i时期的估产值,其中,q为第i-1时期的估产值。
4.一种粮食作物实时估产***,其特征在于,所述***包括:
数据获取模块,用于获取历史数据,所述历史数据包括不同年份不同时期的增强型植被指数、不同年份的粮食作物统计产量和不同年份粮食作物的趋势产量;
距平计算模块,用于根据不同年份不同时期的增强型植被指数计算不同年份不同时期增强型植被指数的距平;
模型构建模块,用于以每年第i时期增强型植被指数的距平为自变量,以每年的估产差值为因变量,构建线性回归方程,得到第i时期的估产模型,其中,当i=1时,所述估产差值为统计产量与趋势产量的差值,当i>1时,所述估产差值为第i时期的统计产量与第i-1时期的估产值的差值,i=1,…,n,第i时期的估产模型用于预测年产量;
波动值计算模块,用于将第i时期的增强型植被指数的距平代入第i时期的估产模型,得到第i时期的估产波动值;
模型估产值计算模块,用于根据第i时期的估产波动值和第i-1时期估产值计算第i时期的估产值;
模型误差计算模块,用于根据第i时期的估产值与第i时期的统计值计算第i时期的估产模型的误差;
估产值计算模块,用于采用第i时期的估产模型的误差对第i时期的估产模型进行修正,得到第i时期修正后的估产模型;
其中,所述模型构建模块具体包括:
线性方程构建单元,用于构建线性回归方程f(xi)=a×xi+b,当i=1时,f(xi)为统计产量与趋势产量的差值,当i>1时,f(xi)为统计产量与第i-1时期的估产值的差值,a和b均为线性回归方程的系数;
系数单元,用于确定线性回归方程的系数a和b,得到第i时期的估产模型。
5.根据权利要求4所述的粮食作物实时估产***,其特征在于,所述波动值计算模块具体包括:
波动值计算单元,用于将第i时期的增强型植被指数的距平代入f'(xi)=a×xi+b,其中,f'(xi)为第i时期的估产波动值。
6.根据权利要求4所述的粮食作物实时估产***,其特征在于,所述模型估产值计算模块具体包括:
估产值第一计算单元,用于当i=1时,根据E=p+f'(xi)计算第i时期的估产值,其中,p为趋势产量;
估产值第二计算单元,用于当i>1时,根据E=q+f'(xi)计算第i时期的估产值,其中,q为第i-1时期的估产值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811206088.7A CN109359862B (zh) | 2018-10-17 | 2018-10-17 | 一种粮食作物实时估产方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811206088.7A CN109359862B (zh) | 2018-10-17 | 2018-10-17 | 一种粮食作物实时估产方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109359862A CN109359862A (zh) | 2019-02-19 |
CN109359862B true CN109359862B (zh) | 2020-09-18 |
Family
ID=65349370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811206088.7A Active CN109359862B (zh) | 2018-10-17 | 2018-10-17 | 一种粮食作物实时估产方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359862B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309985B (zh) * | 2019-07-10 | 2022-05-03 | 北京师范大学 | 一种农作物产量预测方法及*** |
CN116956036A (zh) * | 2023-07-26 | 2023-10-27 | 阳光农业相互保险公司 | 一种基于多源数据的作物估产方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955860A (zh) * | 2014-04-17 | 2014-07-30 | 中国农业大学 | 一种基于集合卡尔曼滤波同化的区域作物估产方法 |
CN104462809A (zh) * | 2014-12-04 | 2015-03-25 | 中国科学院东北地理与农业生态研究所 | 一种基于遥感与gis相结合的草地生产力估算方法 |
CN105608293A (zh) * | 2016-01-28 | 2016-05-25 | 武汉大学 | 融合光谱与纹理特征的森林地上生物量反演方法及*** |
CN107632967A (zh) * | 2017-09-14 | 2018-01-26 | 青海省基础地理信息中心 | 一种草地产草量估算方法 |
-
2018
- 2018-10-17 CN CN201811206088.7A patent/CN109359862B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955860A (zh) * | 2014-04-17 | 2014-07-30 | 中国农业大学 | 一种基于集合卡尔曼滤波同化的区域作物估产方法 |
CN104462809A (zh) * | 2014-12-04 | 2015-03-25 | 中国科学院东北地理与农业生态研究所 | 一种基于遥感与gis相结合的草地生产力估算方法 |
CN105608293A (zh) * | 2016-01-28 | 2016-05-25 | 武汉大学 | 融合光谱与纹理特征的森林地上生物量反演方法及*** |
CN107632967A (zh) * | 2017-09-14 | 2018-01-26 | 青海省基础地理信息中心 | 一种草地产草量估算方法 |
Non-Patent Citations (4)
Title |
---|
"基于MOD13产品水稻遥感估产模型研究";程乾;《农业工程学报》;20060330;期刊第79-83页 * |
"基于MODIS波谱分析的作物信息提取研究";林文鹏;《中国优秀博硕士学位论文全文数据库(博士) 农业科技辑》;20061215;第D043-3页 * |
"耕地质量数据在冬小麦遥感估产中的应用研究";宋富强等;《河南科学》;20170527;期刊第727-733页 * |
"遥感估产中农作物估算单产精度检验评价方法";徐新刚;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20011215;第I140-770页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109359862A (zh) | 2019-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309985B (zh) | 一种农作物产量预测方法及*** | |
Lv et al. | Climate change impacts on regional rice production in China | |
CN107316095B (zh) | 一种耦合多源数据的区域气象干旱等级预测方法 | |
CN109359411B (zh) | 一种气候变化影响下沼泽湿地植被覆盖度估算方法 | |
CN109800921B (zh) | 基于遥感物候同化和粒子群优化的区域冬小麦估产方法 | |
CN110633841B (zh) | 基于集合采样的省级范围地块尺度数据同化产量预测方法 | |
CN106483147B (zh) | 基于多源数据的长时间序列被动微波土壤水分精度改进研究方法 | |
CN110501761B (zh) | 一种不同预见期区域作物ETc预测预报方法 | |
CN109615148B (zh) | 一种确定玉米气象产量的方法和*** | |
CN109359862B (zh) | 一种粮食作物实时估产方法及*** | |
CN111538935B (zh) | 基于地形特征和多源模式产品的精细化降水融合方法、***、电子设备及存储介质 | |
CN111062526B (zh) | 一种冬小麦单产预测方法及*** | |
CN114818888B (zh) | 基于多通道卡尔曼滤波的土壤成分数据融合方法和*** | |
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 | |
CN116595333A (zh) | 土壤-气候智慧型的水稻目标产量与氮肥用量确定方法 | |
CN115952421A (zh) | 耦合生态过程模型与机器学习算法的高精度时空模拟方法 | |
CN117172037B (zh) | 一种分布式水文预报方法、装置、计算机设备及介质 | |
CN116628979B (zh) | 多元回归的总初级生产力逐像元预测方法、装置及介质 | |
Cheng et al. | Improving soil available nutrient estimation by integrating modified WOFOST model and time-series earth observations | |
CN111915096B (zh) | 基于作物模型、遥感数据和气候预测信息的作物产量早期预报技术 | |
CN109615150B (zh) | 一种确定水稻气象产量的方法和*** | |
CN116502050A (zh) | 全球通量站点蒸散发观测缺失的动态插补方法与*** | |
CN112446155B (zh) | 一种目标农作物的空间格局模拟模型获取方法 | |
CN115689100A (zh) | 一种基于数据同化的区域作物用水效率评估方法及*** | |
CN113866386A (zh) | 一种土壤有机碳补偿量的估算方法及*** |
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 |