CN109711102B - 一种作物灾害损失快速评估方法 - Google Patents
一种作物灾害损失快速评估方法 Download PDFInfo
- Publication number
- CN109711102B CN109711102B CN201910076851.7A CN201910076851A CN109711102B CN 109711102 B CN109711102 B CN 109711102B CN 201910076851 A CN201910076851 A CN 201910076851A CN 109711102 B CN109711102 B CN 109711102B
- Authority
- CN
- China
- Prior art keywords
- yield
- disaster
- file
- year
- crop
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000006378 damage Effects 0.000 claims abstract description 21
- 238000012417 linear regression Methods 0.000 claims abstract description 14
- 238000004088 simulation Methods 0.000 claims abstract description 9
- 239000002689 soil Substances 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012271 agricultural production Methods 0.000 claims description 8
- 230000002595 cold damage Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000002310 reflectometry Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 14
- 240000008042 Zea mays Species 0.000 description 19
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 19
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 13
- 235000005822 corn Nutrition 0.000 description 13
- 238000012545 processing Methods 0.000 description 10
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 6
- 235000009973 maize Nutrition 0.000 description 6
- 230000009467 reduction Effects 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 238000012656 cationic ring opening polymerization Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 238000003973 irrigation Methods 0.000 description 3
- 230000002262 irrigation Effects 0.000 description 3
- 238000013179 statistical model Methods 0.000 description 3
- 244000020551 Helianthus annuus Species 0.000 description 2
- 235000003222 Helianthus annuus Nutrition 0.000 description 2
- 208000012886 Vertigo Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 238000010899 nucleation Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000009987 spinning Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241001057636 Dracaena deremensis Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 240000003183 Manihot esculenta Species 0.000 description 1
- 235000016735 Manihot esculenta subsp esculenta Nutrition 0.000 description 1
- 241000233855 Orchidaceae Species 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000005341 cation exchange Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 244000038559 crop plants Species 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 235000021374 legumes Nutrition 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000007261 regionalization Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种作物灾害损失快速评估方法，所述方法基于DSSAT***的作物模型以及GLUE参数估算工具，利用受灾区的作物的历史数据，基于作物模型模拟获得各情景下作物的叶面积指数和产量，进而构建回归方程。然后基于Google Earth Engine(GEE)的卫星图像，将卫星图像上的每个像素的叶面积指数带入线性回归方程，获得每个像素的产量。最后将受灾区的灾害年份的产量和上一年的产量对比得到相对产量损失。本发明的方法不需要大量的地面观测数据，只需少量实验数据进行校准标定，提高了评估效率，降低了灾害损失评估的时间成本，为防灾减灾提供了保障。本发明的方法实现了灾害损失的定量评估，可对不同空间尺度损减产率进行可靠的估算，提高了灾害估损的质量。
Description
技术领域
本发明涉及农业遥感技术领域，具体涉及基于遥感数据处理平台Google EarthEngine(GEE)和作物模型的跨尺度、作物灾害损失定量评估方法，特别涉及一种作物灾害损失快速评估方法。
背景技术
农业与气象息息相关。农作物生长全过程均处于自然环境下，其产量的形成极易受到气象灾害等不利因素的胁迫和干扰，灾害严重时可导致粮食产量大幅度下降甚至绝产。目前，针对农业气象灾害的评估主要分为两类：风险评估和影响评估。风险意味着灾害发生和损害的可能性，评估的技术基础是风险分析技术，得到的风险强度区划无法准确定量灾害损失，只能对灾害进行大致描述。以往的影响评估主要有以下三种方法：1)在地面站点多年产量数据的基础上利用直线滑动平均法和正交多项式逼近法求取趋势产量，用当年实际产量减去趋势产量分解得到气象产量，计算相对气象产量来估算灾害损失。该方法是基于作物减产均由冷害造成的假设进行的，对单一灾害损失评估效果较差，不能进行动态评估。2)以历史观测数据为基础，构建灾害指标和产量的回归方程，外推得到灾害损失，但是灾害指标具有很强区域性，难以扩展应用到其他区域且无法满足县级以下的损失评估。3)作物模型以其面向作物生长过程、机理性较强的优势被应用于产量预报、农田管理决策支持、灾害指标构建和损失定量等方面，可以在天甚至小时的尺度上人为再现作物从播种到成熟的连续过程，反映作物生长对不同环境和管理因素的响应方式。然而大多数作物模型是针对特定的田间试验，只能进行单点模拟，通过品种参数区域化和气象要素空间插值技术可以实现模型的区域尺度应用，但无可避免地引入了新误差。区域作物模型虽然可以表征空间差异性，但是构建与运行需要大量的驱动数据，且由于地表参数以及品种和管理方式存在较大的空间异质性，使得其参数厘定非常困难，大区域研究依然不易实现。此外，区域模型的空间分辨率取决于气象或土壤数据，难以进行精细的损失制图。因此，积极探索合理实用的方法进行更准、更快的区域损失评估可为农业灾害预警，农业保险等工作的业务化运行提供思路。
遥感技术可以大范围、动态、实时地监测作物的生长发育状况，被广泛应用于种植面积，病虫害监测，灾害监测以及精细农业等各个领域。Google Earth Engine(GEE)是Google提供的对大量全球尺度地球科学资料(尤其是卫星数据)进行在线可视化计算分析处理的平台，提供全球Sentinel、MODIS、Landsat TM/OLI等多源、多尺度遥感数据，是一个支持并行云端计算的海量遥感数据处理、存档和分析平台，解决了传统遥感图像收集难、存储量大、处理效率低等难题。遥感和作物模型结合可以实现不同空间分辨率上连续的产量模拟，解决站点作物模型区域尺度应用问题，并且已经得到广泛应用，但存在以下两个关键问题：1)利用遥感指数建立的统计模型虽然简单易用，但是基于单一时相植被指数与实测产量建立的统计模型局限于特定的时间，地点和年份。2)基于作物模型同化遥感数据估损虽然取得了一定的成果，但是因其大量的输入数据和复杂的运算过程使得模型不易推广，且数据收集十分繁杂，运行效率低。
发明内容
本发明要解决的技术问题是提供一种作物灾害损失快速评估方法，以减少或避免前面所提到的问题。
为解决上述技术问题，本发明提出了一种作物灾害损失快速评估方法，包括如下步骤：
步骤S1：将需要评估的地区的土壤数据，气象数据和作物的农业生产数据，输入DSSAT***中，分别生成可供调用的土壤文件S，气象文件W和作物文件A；通过GLUE参数估算工具，对前面生成文件S，W和A进行调用计算，计算获得包含该地区作物品种参数的标定值的标定数据文件C；通过DSSAT***的作物模型调用前述的土壤文件S、气象文件W、作物文件A以及获得的标定数据文件C进行模拟计算，获得与逐日LAI对应的LAI文件以及与产量对应的产量文件Y；其中，LAI表示的是叶面积指数；
步骤S2：设定将该地区多年积温距平值作为灾害指标H；
步骤S3：以作物的峰值生长期为中心，前后各30天选择两个时间窗口，从LAI文件中获取两个窗口对应的每天的LAI；然后产量文件Y中获取各情景类别的产量Yield为因变量，以前窗口中一天的LAId 1、后窗口中一天的LAId 2和灾害指标H为自变量，建立下述线性回归方程，然后将求得的该线性回归方程的系数以及对应的前后窗口LAI的日期保存起来：
Yield＝β0,d+β1,d*LAId 1+β2,d*LAId 2+β3*H
式中：Yield为各情景类别下的产量，LAId 1和LAId 2分别为各情景类别下前窗口和后窗口中第d天的LAI，H为灾害指标；其中，β0,d、β1,d、β2,d、β3分别为该线性回归方程的系数；
步骤S4：基于GEE平台获取的该地区的卫星图像，分别提取两个时间窗口内每个像元的最大动态植被指数WDRVI和对应的日期；并将WDRVI转换为LAI；
步骤S5：依据前后窗口LAI对应的日期，从步骤S3中获得的线性回归方程的系数，然后基于GEE卫星图像得到的两个窗口的LAI以及实际气象数据得到的灾害指标H逐像元计算产量，最后计算相对于上一年的产量变化得到本次灾害的相对产量损失。
优选地，所述步骤S5中计算相对产量损失的公式为：
式中：LR为相对产量损失，Yl为上一年的产量，且该年为无灾害年份，Yn为发生灾害的年份的产量；至此，作物灾害损失快速评估过程完成。
优选地，所述步骤S1中进一步包括如下步骤：
设置多种灾害情景和管理情景的情景类别，将每种情景类别对应的气象文件W、作物文件A、土壤文件S以及标定数据文件C，通过DSSAT中的作物模型进行调用计算，获得与所述情景类别数量相同的多个LAI文件和产量文件Y。
优选地，所述步骤S4中将WDRVI转换为LAI的具体计算公式为：
WDRVI＝-0.681+1.437(1-e-0.351LAI)
式中：WDRVI为最大动态植被指数，LAI为叶面积指数，ρNIR为传感器载荷所测得的近红外波段反射率，ρRED为红光波段反射率,α为常数，α＝0.2。
优选地，所述步骤S5中进一步包括如下步骤：在通过GEE卫星图像获取前后窗口LAI对应的日期之后，根据前后窗口LAI对应的日期计算对应组合日期的回归系数，逐像元计算产量，最后得到灾害年份的产量制图。
优选地，所述步骤S5中，上一年的产量计算过程中，从模拟情景中剔除冷害情景，只模拟不同的管理情景来获得回归系数矩阵，得到无灾害年份的产量制图。
本发明的作物灾害损失快速评估方法，不需要大量的地面观测数据，只需少量实验数据进行校准标定。此外，基于GEE处理大量的遥感数据，也大大节省了数据处理的成本，提高了评估效率，降低了灾害损失评估的时间成本，为防灾减灾提供了保障。另外，本发明的方法实现了灾害损失的定量评估，可对不同空间尺度减产率进行可靠的估算，提高了灾害估损的质量，可以为农业保险提供定量基础。
附图说明
以下附图仅旨在于对本发明做示意性说明和解释，并不限定本发明的范围。其中，
图1显示的是根据本发明的一个具体实施例的一种作物灾害损失快速评估方法的流程示意图；
图2显示的是根据本发明的另一个具体实施例的历史低温冷害得损失示意图；
图3显示的是根据本发明的又一个具体实施例的地区冷害损失示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式。其中，相同的部件采用相同的标号。
基于前述现有技术的问题，本发明结合遥感观测数据，气象数据和作物模型，创建了由点扩展到区域的灾害损失快速评估方法。该方法不受地面实测数据的限制，可动态评估，易操作且泛化能力强，不仅能够进行大尺度的研究，同时可定量县级甚至田块的损失，旨在实现作物产量损失的精细制图，以期为灾害评估的业务化运行提供参考，为防灾减灾提供保障。
具体来说，本发明提供了一种作物灾害损失快速评估方法，所述方法基于DSSAT***的作物模型以及GLUE参数估算工具，利用受灾区的土壤、气象和作物生产数据，模拟获得作物的叶面积指数和产量，接着构建回归方程。然后基于Google Earth Engine(GEE)的卫星图像，将卫星图像上的每个像素的叶面积指数带入线性回归方程，获得每个像素的产量。最后将需要评估的区域的产量与上一年的产量对比得到相对产量损失。
其中，DSSAT(Decision Support System for Agro technology Transfer)农业技术转移决策支持***，是目前使用最广泛的模型***之一。DSSAT是在IBSNAT(International Benchmark Sites Network for Agro technology Transfer)农业技术转移国际基准网的赞助和指导下进行，由美国国际开发署授权威夷大学开发研制的综合计算机***。DSSAT不是通用模型，它针对不同作物开发了不同模型。DSSAT目前由主要26种不同的作物模拟模型组成，主要包括CERES(Crop Environment REsource Synthesis)系列模型、CROPGRO豆类作物模型、SUBSTORpotato马铃薯模型、CROPSIMcascava木薯模型、OILCROP向日葵模型等多种作物模型。GLUE参数估算工具属于DSSAT的一个功能模块。Google EarthEngine(GEE)是美国谷歌公司下属的一个可以批量处理卫星图像数据的工具，属于GoogleEarth一系列的工具。相比于ENVI等传统的处理图像工具，GEE可以快速、批量处理海量图像，可以快速计算比如NDVI等植被指数、预测作物相关产量、监测旱情长势变化等。
以上均为现有公知的技术，其作为本发明研发中采用的计算工具，并非本发明要求保护的内容。本领域技术人员应当理解，上述现有技术的计算机软件***，可能存在软件版本的不同以及改进，基于本发明公开的技术构思，本领域技术人员可以选用任何一种现有的计算机软件***加以重现，只要其符合本发明的方法的构思即可。
下面以具体实例的方式进一步详细说明本发明的作物灾害损失快速评估方法，如图1所示，其显示的是根据本发明的一个具体实施例的一种作物灾害损失快速评估方法的流程示意图，如图所示，本发明的作物灾害损失快速评估方法包括以下步骤：
步骤S1：将需要评估的地区的土壤数据，气象数据和作物的农业生产数据，输入DSSAT***中，分别生成可供调用的土壤文件S，气象文件W和作物文件A。
例如，可以将内蒙古鄂伦春自治旗的玉米作为研究对象，将该地区的玉米2013-2017年之间的土壤，气象和农业生产(与玉米相关的种植日期、种植密度、灌溉、施氮)数据输入到DSSAT***中，分别生成可调用的文件S，W和A。其中，内蒙古鄂伦春自治旗的玉米的气象数据、土壤数据和农业生产数据可以从当地农业部门的年鉴、气象部门观测数据中采集获得，这些数据均为公开数据，只需要摘录获得即可。
然后，通过GLUE参数估算工具，对前面生成文件S，W和A进行调用计算，计算获得包含该地区作物品种参数的标定值的标定数据文件C。
GLUE参数估算工具是内置在DSSAT***中的一个功能模块，该模块可以读取DSSAT***的各种数据文件，并通过“试错法”进行反复迭代，计算获得与该作物相关的特定的特征参数的标定值，并能自动生成包含这些标定值的文件。
例如，还是以内蒙古鄂伦春自治旗的玉米为例，通过输入2013-2017年的土壤、气象和农业生产的历史数据之后，生成了文件S，W和A。之后通过GLUE调用这些文件，运算之后可以生成包含很多特征参数的标定值的标定数据文件C，其中，标定数据文件C中的标定值对于内蒙古鄂伦春自治旗的玉米来说是不变的，因而这个标定数据文件C也可以在后续步骤中进行调用，还可用于该地区的玉米的其它研究工作。
例如，在本发明的一个具体实施例中，以下几个特定的特征参数与玉米的研究较为相关：
应当理解，通过GLUE计算获得的特征参数的标定值，是通过该地区的作物的历史数据生成的数据文件S，W和A迭代后计算获得的，可以认定为这个地区的这种作物的本地的标定数据，这些本地标定数据对于同一地区的同一作物来说通常是不会改变的，因而在本发明的后续步骤中，这些特定的特征参数的标定值可以一直用来模拟作作物的LAI(Leafarea index，叶面积指数)和产量。例如，上述列表中的六个特征参数的标定值，代表的是内蒙古鄂伦春自治旗的玉米的开花日期、收获日期、叶片数量等等。不同地区的玉米，这些特征参数是不一样的，当然，不同的作物所需的特征参数也不一样，例如马铃薯等的特征参数就不用选用G2或者G3，因为该特征参数与马铃薯无关。
在本发明的另一个具体实施例中，例如，可以将内蒙古鄂伦春自治旗的玉米的2013-2017年的历史数据进行拆分，用2013-2015年的数据通过GLUE计算出上述六个特征参数的标定值，用2016-2017年的数据计算标准均方根误差(Normalized Root Mean SquareError，NRMSE)对上述六个计算获得的特征参数的标定值进行可靠性检验，用以控制精度和准确性。进一步地，例如，通过GLUE获得前述列表的六个与玉米相关的特定的特征参数P1、P2、P5、G2、G3以及PHINT的标定值之后，GLUE会自动将这六个特征参数的标定值记录在生成的标定数据文件C中，也就是标定数据文件C中的每一条数据的这六个特征参数的数值都是迭代计算后的标定值，这样改造获得的标定数据文件C就形成了内蒙古鄂伦春自治旗的玉米的一个本地化数据文件，后续步骤中，可以认定内蒙古鄂伦春自治旗的玉米的这六个特征参数的数值都等于迭代计算后的标定值。
之后，通过DSSAT***的作物模型调用前述的土壤文件S、气象文件W、作物文件A以及获得的标定数据文件C进行模拟计算，获得与逐日LAI(Leaf area index，叶面积指数)对应的LAI文件以及与产量对应的产量文件Y。
其中，LAI文件中记录了一年内作物每天的LAI，也就是LAI文件中记录了不超过365天的作物的LAI的数据以及对应的日期，当然，由于作物的生长日期一般不超过一年，因此，通常有效的LAI数据会少于365条。另外，与产量对应的产量文件Y中记录了作物对应于日期的产量，只是由于作物生长期很长，很多时候产量为0，不同日期的产量也不同，对作物来讲，最后收获日期的产量值最大，这个最大的产量值即为产量文件Y中实际需要用到的产量值。也就是说，经过DSSAT***的作物模型调用计算之后，会自动生成两个文件，一个是LAI文件，一个是产量文件Y，其中，LAI文件中记载了与日期对应的每天的LAI的数值，产量文件Y中记载了一个最大产量值，这个最大产量值即为本发明后续需要用到的产量Yield。
例如，同样以内蒙古鄂伦春自治旗的玉米作为研究对象，将该地区的玉米的文件S，W和A以及标定数据文件C，通过DSSAT***中与玉米相关的CERES-Maize模型进行调用，运行CERES-Maize模型之后，可以生成获得一个LAI文件和一个产量文件Y。
其中，CERES-Maize模型是DSSAT***中与玉米作物相关的一个模型。当然，如果是与豆类作物相关的研究，则可以采用DSSAT-CROPGRO模型，以此类推，本领域技术人员可以扩展到其它现有的DSSAT***的作物模型中去。应当说明的是，CERES-Maize模型是一个相对比较全面的与玉米相关的模型***，其需要输入三类数据项，包括气象数据、土壤数据以及农业生产数据，每个数据项包括多个小项，例如气象数据包括：逐日最高温度、最低温度、降雨和辐射；土壤数据包括：土壤类型、剖面特征、土壤理化性质，即土壤名称、土壤颜色、土壤保水性能及各层土壤质地、有机碳、全氮、PH、阳离子交换量；农业生产数据包括：播种日期、开花日期、成熟日期、单产以及灌溉和施肥等管理数据。
当然，由于地区年鉴中的历史数据，每年只有一个产量数据。例如，对于内蒙古鄂伦春自治旗来说，其可能只会记录整个县域范围的玉米每年的总产量，也不会细化到每个村落。因而经过作物模型计算后获得的Y文件中，只有一个可用的产量Yield，对应于这个产量Yield，也只有一个LAI文件，其中也才记录了不超过365个作物的LAI(考虑到作物的生长周期，LAI文件中可用的数据量会更少)，样本数量比较少，不利于后续构件回归方程，因此为了提高计算精度，需要扩大样本的数量。
因而，在本发明的又一个具体实施例中，进一步提供了提高样本数量的解决方案。即，根据作物在当地的实际的栽培管理情况，可以设置多种灾害情景和管理情景的情景类别。在一个具体实施例中，例如，可以针对玉米设置七种灾害情景类别和六十四种管理情景类别。例如，七类灾害情景类别可以分别是：玉米生育期温度分别降低1、2、3℃情况下的三种玉米延迟型冷害，以及播种—拔节、拔节—吐丝、吐丝—灌浆、灌浆—成熟四个生育阶段随机设置低于该阶段生长温度下限的的打击的四种玉米障碍型冷害。六十四种管理情景类别可以是，八个种植日期和八个种植密度，这样就产生了8*8＝64种管理情景类别。将七种灾害情景类别和六十四种管理情景组合起来，总共可以获得7*8*8＝448种情景类别。当然，根据当地的实际的栽培管理情况，还可以设置更多的情景类别，例如，还可以根据品种、灌溉和施肥分别设置不同的类别。
在另一个具体实施例中，划分获得的这448种情景类别，每种情景类别均对应有与该情景类别相对应的不同的气象文件W和作物文件A，因而可以获得448种气象文件W、作物文件A、土壤文件S(跟原始相同，没有变化)以及标定数据文件C(这个是通用的，没有变化)，将这448种组合的文件通过CERES-Maize调用计算之后，针对每个情景均可以模拟得到一个与产量相关的产量文件Y以及记录有该情景下玉米生育期的逐日LAI的LAI文件，最终通过划分的448种情景类别，每年都可得到448个LAI文件和对应的448个产量文件Y，相对于实际每年只有一个产量(1个LAI文件和1个产量文件Y)，这无疑大大扩展了样本量。
步骤S2：设定将当地多年积温距平值作为灾害指标H，用以刻画灾害对作物的影响。
例如：对于低温冷害，可以将各模拟站点的5-9月的多年积温距平值作为灾害指标H，计算公式为：
式中，H为研究时段内日平均温度≥10℃积温距平(℃·d)，Ti为第i天的≥10℃的日均温(℃)，n为计算时段内的日数，
为日平均温度≥10℃活动积温的常年平均。
或者，在另一个具体实施例中，例如，针对玉米来说，可以将针对玉米的5-9月积温的30年距平值，作为灾害指标H来使用，用于刻画低温冷害对玉米生长的影响。
步骤S3：以作物的峰值生长期为中心，前后各30天选择两个时间窗口，从LAI文件中提取获取两个窗口对应的每天的LAI；然后以产量文件Y中各情景类别的产量Yield为因变量，以前窗口中一天的LAI(LAId 1)、后窗口中一天的LAI(LAId 2)和灾害指标H为自变量，建立下述线性回归方程，然后将求得的该线性回归方程的系数以及对应的前后窗口LAI的日期保存起来：
Yield＝β0,d+β1,d*LAId 1+β2,d*LAId 2+β3*H
式中：Yield为各情景类别下的产量，LAId 1和LAId 2分别为各情景类别下前窗口和后窗口中第d天的LAI，H为灾害指标；其中，β0,d、β1,d、β2,d、β3分别为该线性回归方程的系数。
对于每个LAI文件和产量文件Y来说，通过组合两个窗口的LAI，前30天和后30天总共可以得到30*30＝900个回归关系，对于448个LAI文件和产量文件Y来说，总共可以获得448组前述同样数量的回归关系。之后可以通过最小二乘法之类的算法进行求解计算，获得的回归方程的系数和对应的前后窗口LAI的日期保存起来。
例如，在一个具体实施例中，可以以玉米的吐丝日期为中心，前后各30天选择两个时间窗口，获取两个窗口每天的LAI；然后以作物模型输出的448个情景类别的产量为因变量。具体来说，对于每个LAI文件和产量文件Y来说，以每年的6月18日—7月17日设定为前窗口，以7月18日—8月17日设定为后窗口。任选前窗口的一天，则后窗口可以有30天可以任意选择，以此类推就形成了30*30＝900种选择。由于设定了448种情景类别，对于448个LAI文件和产量文件Y来说，每个LAI文件和产量文件Y都可以有900种选择，合并起来就形成了非常大的可供回归计算的样本，通过最小二乘法回归获得的方程的系数也会更加准确。
步骤S4：基于GEE获取的该地区的卫星图像，分别获取两个时间窗口内每个像元的最大动态植被指数WDRVI和对应的日期DOY(Day Of Year，一年中的第几天)的图像；然后将最大动态植被指数(WDRVI)转换为LAI。
例如，在一个具体实施例中，可以从GEE平台，获取每年的6月18日—7月17日(前窗口)和7月18日—8月17日(后窗口)的所有的Landsat-8和Sentinel-2图像，对其进行去云处理，然后提取每年每个像元前后两个时间窗口的最大动态植被指数(WDRVI)及其日期并将WDRVI转换为LAI，将WDRVI转换为LAI的具体计算公式为：
WDRVI＝-0.681+1.437(1-e-0.351LAI)
式中：WDRVI为最大动态植被指数，LAI为叶面积指数，ρNIR为传感器载荷所测得的近红外波段反射率，ρRED为红光波段反射率，α为常数，α＝0.2。
其中，Landsat-8是美国用于探测地球资源与环境的系列地球观测的第8颗卫星获得的遥感图像，波段1-7，9-11的空间分辨率为30m，波段8为15m分辨率的全色波段，重访周期16天，空间分辨率30m，时间分辨率。Sentinel-2是“全球环境与安全监测”计划的第二颗卫星，于2015年6月23日发射，空间分辨率10m、重访周期10天。另外，通过GEE的卫星图像提取最大动态植被指数WDRVI及其日期并不复杂，GEE平台提供了编程接口，可以通过输入代码从GEE平台直接获取。
以下为通过GEE平台提取WDRVI的示例代码：
步骤S5：依据前后窗口LAI对应的日期，从步骤S3中获得的线性回归方程的系数，然后基于GEE卫星图像得到的两个窗口的LAI以及实际气象数据得到的灾害指标H逐像元计算产量，最后计算相对于上一年的产量变化得到本次灾害的相对产量损失：
式中：LR为相对产量损失，Yl为上一年的产量，且该年为无灾害年份，Yn为发生灾害的年份的产量；至此，作物灾害损失快速评估过程完成。
特别的，由于不同时间的历史数据的不同，通过回归获得的线性方程的系数也会发生细微的变化。因此，在一个具体实施例中，可以在通过GEE卫星图像获取前后窗口LAI对应的日期之后，可以根据前后窗口LAI对应的日期计算对应组合日期的回归系数，逐像元计算产量，最后得到灾害年份的产量制图。类似的，上一年(无灾害年份)的产量计算过程中，也可以从模拟情景中剔除冷害情景，只模拟不同的管理情景来获得回归系数矩阵，得到无灾害年份的产量制图，进而可以定量低温冷害的相对产量损失计算。
在本发明的另一个具体实施例中，对1980年以来内蒙古鄂伦春自治旗的严重低温冷害年份的产量损失进行了评估，并将其综合到县级尺度与统计数据进行了对比，如图2所示，其显示的是根据本发明的另一个具体实施例的历史低温冷害得损失图表示意图，图中可以看出，实测损失均在估算损失的一倍方差以内，表明该方法能够对低温冷害导致的减产进行可靠地定量。
此外，在本发明的又一个具体实施例中，如图3所示地区冷害损失示意图，本发明基于Sentinel-2图像在10m的空间分辨率上对2018年9月8日发生的障碍型低温冷害进行的评估，得到了鄂伦春43个村的产量损失，其结果与实际统计结果十分接近，且可以细化到更小的区域级别。
综上所述，本发明的作物灾害损失快速评估方法，可以基于Google Earth Engine(GEE)和作物模型进行跨尺度的作物灾害损失评估，可以提高区域作物估损的准确度和时效性。
本发明的快速评估方法与传统估损方法相比较，不需要大量的地面观测数据，只需少量实验数据进行校准标定；而且本发明可以剥离单一灾种的影响，可对大尺度或县甚至田块间的损失进行可靠的定量估算；本发明的方法限制少，空间泛化能力强，普适性高，可移植到其他区域、作物以及灾种的损失评估；本发明基于GEE平台处理大量的遥感数据，降低了运算成本，大大提高了损失评估效率；另外，本发明的方法可动态评估，时效性强且易操作，不受地面实测数据的限制，有利于实现业务化推广应用。
本领域技术人员应当理解，虽然本发明是按照多个实施例的方式进行描述的，但是并非每个实施例仅包含一个独立的技术方案。说明书中如此叙述仅仅是为了清楚起见，本领域技术人员应当将说明书作为一个整体加以理解，并将各实施例中所涉及的技术方案看作是可以相互组合成不同实施例的方式来理解本发明的保护范围。
以上所述仅为本发明示意性的具体实施方式，并非用以限定本发明的范围。任何本领域的技术人员，在不脱离本发明的构思和原则的前提下所作的等同变化、修改与结合，均应属于本发明保护的范围。
Claims (6)
1.一种作物灾害损失快速评估方法，包括如下步骤：
步骤S1：将需要评估的地区的土壤数据，气象数据和作物的农业生产数据，输入DSSAT***中，分别生成可供调用的土壤文件S，气象文件W和作物文件A；通过GLUE参数估算工具，对前面生成文件S，W和A进行调用计算，计算获得包含该地区作物品种参数的标定值的标定数据文件C；通过DSSAT***的作物模型调用前述的土壤文件S、气象文件W、作物文件A以及获得的标定数据文件C进行模拟计算，获得与逐日LAI对应的LAI文件以及与产量对应的产量文件Y；其中，LAI表示的是叶面积指数；
步骤S2：设定将该地区多年积温距平值作为灾害指标H；
步骤S3：以作物的峰值生长期为中心，前后各30天选择两个时间窗口，从LAI文件中获取两个窗口对应的每天的LAI；然后从产量文件Y中获取各情景类别的产量Yield为因变量，以前窗口中一天的LAId 1、后窗口中一天的LAId 2和灾害指标H为自变量，建立下述线性回归方程，然后将求得的该线性回归方程的系数以及对应的前后窗口LAI的日期保存起来：
Yield＝β0,d+β1,d*LAId 1+β2,d*LAId 2+β3*H
式中：Yield为各情景类别下的产量，LAId 1和LAId 2分别为各情景类别下前窗口和后窗口中第d天的LAI，H为灾害指标；其中，β0,d、β1,d、β2,d、β3分别为该线性回归方程的系数；
步骤S4：基于GEE获取的该地区的卫星图像，分别获取两个时间窗口内的每个像元的最大动态植被指数WDRVI和对应的日期的图像；并将WDRVI转换为LAI；
步骤S5：依据前后窗口LAI对应的日期，从步骤S3中获得的线性回归方程的系数，然后基于GEE卫星图像得到的两个窗口的LAI以及实际气象数据得到的灾害指标H逐像元计算产量，最后计算相对于上一年的产量变化得到本次灾害的相对产量损失。
2.如权利要求1所述的方法，其特征在于，所述步骤S5中计算相对产量损失的公式为：
式中：LR为相对产量损失，Yl为上一年的产量，且该年为无灾害年份，Yn为发生灾害的年份的产量；至此，作物灾害损失快速评估过程完成。
3.如权利要求1所述的方法，其特征在于，所述步骤S1中进一步包括如下步骤：
设置多种灾害情景和管理情景的情景类别，将每种情景类别对应的气象文件W、作物文件A、土壤文件S以及标定数据文件C，通过DSSAT中的作物模型进行调用计算，获得与所述情景类别数量相同的多个LAI文件和产量文件Y。
4.如权利要求1所述的方法，其特征在于，所述步骤S4中将WDRVI转换为LAI的具体计算公式为：
WDRVI＝-0.681+1.437(1-e-0.351LAI)
式中：WDRVI为最大动态植被指数，LAI为叶面积指数，ρNIR为传感器载荷所测得的近红外波段反射率，ρRED为红光波段反射率,α为常数，α＝0.2。
5.如权利要求1所述的方法，其特征在于，所述步骤S5中进一步包括如下步骤：在通过GEE卫星图像获取前后窗口LAI对应的日期之后，根据前后窗口LAI对应的日期计算对应组合日期的回归系数，逐像元计算产量，最后得到灾害年份的产量制图。
6.如权利要求5所述的方法，其特征在于，所述步骤S5中，上一年的产量计算过程中，从模拟情景中剔除冷害情景，只模拟不同的管理情景来获得回归系数矩阵，得到无灾害年份的产量制图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910076851.7A CN109711102B (zh) | 2019-01-27 | 2019-01-27 | 一种作物灾害损失快速评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910076851.7A CN109711102B (zh) | 2019-01-27 | 2019-01-27 | 一种作物灾害损失快速评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109711102A CN109711102A (zh) | 2019-05-03 |
| CN109711102B true CN109711102B (zh) | 2020-07-31 |
Family
ID=66262025
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910076851.7A Expired - Fee Related CN109711102B (zh) | 2019-01-27 | 2019-01-27 | 一种作物灾害损失快速评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109711102B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110175931B (zh) * | 2019-05-10 | 2020-04-24 | 北京师范大学 | 一种大范围快速提取农作物种植面积和物候信息的方法 |
| CN110705182B (zh) * | 2019-09-06 | 2020-07-10 | 北京师范大学 | 耦合作物模型和机器学习的作物育种适应时间预测方法 |
| CN110827158A (zh) * | 2019-11-07 | 2020-02-21 | 航天信德智图（北京）科技有限公司 | 一种基于ndvi时间序列变化的损失评估方法 |
| CN113128012A (zh) * | 2019-12-30 | 2021-07-16 | 鸿富锦精密电子(天津)有限公司 | 灾害保障资源计算方法、装置、计算机装置及存储介质 |
| CN111062251A (zh) * | 2020-03-23 | 2020-04-24 | 乔红波 | 基于无人机成像的农田棉蚜为害等级模型的监测方法 |
| CN111881418B (zh) * | 2020-07-27 | 2023-05-16 | 中国农业科学院农业信息研究所 | 一种基于二分法的大豆气象产量预测方法及*** |
| CN112001343A (zh) * | 2020-08-31 | 2020-11-27 | 严钦武 | 园艺病虫害防治管理*** |
| CN113673490B (zh) * | 2021-10-21 | 2022-01-04 | 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*** |
| CN116843082B (zh) * | 2023-07-21 | 2024-04-16 | 浙江大学山东(临沂)现代农业研究院 | 基于空天地一体化监测技术的金银花产量评估方法及装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105184445A (zh) * | 2015-08-06 | 2015-12-23 | 北京市气候中心 | 一种玉米干旱气象灾害多年平均损失率的计算方法 |
| CN106780091B (zh) * | 2016-12-30 | 2020-11-06 | 中国科学院东北地理与农业生态研究所 | 基于植被指数时空间统计特征的农业灾害信息遥感提取方法 |
| CN108052732B (zh) * | 2017-12-08 | 2021-02-09 | 河海大学 | 一种基于涝水过程的水稻受涝减产损失率估算方法 |
-
2019
- 2019-01-27 CN CN201910076851.7A patent/CN109711102B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN109711102A (zh) | 2019-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109711102B (zh) | 一种作物灾害损失快速评估方法 | |
| US10091925B2 (en) | Accurately determining crop yield at a farm level | |
| Morel et al. | Coupling a sugarcane crop model with the remotely sensed time series of fIPAR to optimise the yield estimation | |
| CN111368736B (zh) | 基于sar和光学遥感数据的水稻精细化估产方法 | |
| CA2981473C (en) | Forecasting national crop yield during the growing season | |
| Wang et al. | Integrating remote sensing-based process model with environmental zonation scheme to estimate rice yield gap in Northeast China | |
| CN111738066B (zh) | 综合多源遥感信息的网格化晚稻纹枯病生境评价方法 | |
| Dehkordi et al. | Yield gap analysis using remote sensing and modelling approaches: Wheat in the northwest of Iran | |
| WO2018107245A1 (en) | Detection of environmental conditions | |
| Acevedo-Opazo et al. | A model for the spatial prediction of water status in vines (Vitis vinifera L.) using high resolution ancillary information | |
| Ban et al. | Assimilating MODIS data-derived minimum input data set and water stress factors into CERES-Maize model improves regional corn yield predictions | |
| Shao et al. | Estimation of transpiration coefficient and aboveground biomass in maize using time-series UAV multispectral imagery | |
| CN107437262B (zh) | 作物种植面积预警方法和*** | |
| Chu et al. | Estimation of winter wheat phenology under the influence of cumulative temperature and soil salinity in the Yellow River Delta, China, using MODIS time-series data | |
| CN111579565B (zh) | 农业干旱监测方法、***及存储介质 | |
| 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 | |
| CN109615150B (zh) | 一种确定水稻气象产量的方法和*** | |
| Wang et al. | Exploring the feasibility of winter wheat freeze injury by integrating grey system model with RS and GIS | |
| WO2023131949A1 (en) | A versatile crop yield estimator | |
| CN113762768B (zh) | 基于天气发生器和作物模型的农业旱灾动态风险评估方法 | |
| Liu et al. | Prediction of apple first flowering date using daily land surface temperature spatio-temporal reconstruction and machine learning | |
| CN115909063A (zh) | 一种中分辨率水稻提取方法及*** | |
| CN114611699A (zh) | 土壤水分降尺度方法、装置、电子设备及存储介质 | |
| CN113052433A (zh) | 基于关键时相和农田景观特征参量的作物单产估算方法 | |
| Sarron et al. | Assessing production gaps at the tree scale: definition and application to mango (Mangifera indica L.) in West Africa |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200731 Termination date: 20210127 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |