CN113052433A - 基于关键时相和农田景观特征参量的作物单产估算方法 - Google Patents
基于关键时相和农田景观特征参量的作物单产估算方法 Download PDFInfo
- Publication number
- CN113052433A CN113052433A CN202110198175.8A CN202110198175A CN113052433A CN 113052433 A CN113052433 A CN 113052433A CN 202110198175 A CN202110198175 A CN 202110198175A CN 113052433 A CN113052433 A CN 113052433A
- Authority
- CN
- China
- Prior art keywords
- characteristic parameters
- crops
- key
- time phase
- yield
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000012216 screening Methods 0.000 claims abstract description 51
- 230000007613 environmental effect Effects 0.000 claims abstract description 50
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000004590 computer program Methods 0.000 claims description 11
- 230000035945 sensitivity Effects 0.000 claims description 9
- 230000006872 improvement Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims 1
- 238000010219 correlation analysis Methods 0.000 abstract description 4
- 241000209140 Triticum Species 0.000 description 24
- 235000021307 Triticum Nutrition 0.000 description 24
- 238000004891 communication Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 238000010899 nucleation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009418 agronomic effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 101150095418 crop gene Proteins 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 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 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012106 screening analysis Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Agronomy & Crop Science (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于关键时相和农田景观特征参量的作物单产估算方法,根据对单产估算的精度的影响,从作物的生长过程中筛选出对单产形成比较重要的关键时相,并从作物长势特征、环境影响特征和农田景观特征中筛选出对于单产形成的关键特征指标。在此基础上,通过相关性分析剔除冗余参量,选取最佳的特征参量组合,并构建最优模型进行农作物单产估算。基于筛选的关键时相和特征参量,大幅提升了农作物单产估算建模的效率,并保证了稳定的估算精度。
Description
技术领域
本发明涉及农业生产技术领域,尤其是涉及一种基于关键时相和农田景观特征参量的作物单产估算方法。
背景技术
传统的作物估产方法主要基于农艺学和气象模型。通过抽样调查获得大量样本,建立产量与主要农艺、气象因子之间的回归模型。这种方法虽然精度高,但需要大量的时间和人力成本,而且容易受到外界因素的干扰,在大区域作物产量估算时尤为明显。此外,有研究利用各种统计指标和数学模型来进行统计产量估算,此类方法精度较高,但缺乏理论支持,在产量波动较大的年份估算精度较差,并且估产模型需输入大量当年的统计数据,模型估算结果滞后性严重。
早期的遥感估产方法主要建立单一生育期获取的原始光谱特征或植被指数和产量之间的统计回归模型,此类经验模型的时空泛化能力较差,在不同区域或年份应用时往往需要重新构建模型。此外,也有研究利用光能利用效率(LUE)模型,基于时间序列遥感数据进行作物单产估算;或者利用遥感与作物生长模型同化的方法来进行作物单产估算。虽然利用作物生长模型或者光能利用率模型进行估产理论性更强,但在进行县市级的大范围估产应用时均面临许多困难,如作物生长模型本地化困难、输入参数过多,光能利用率模型的收获指数难以确定等等,此外这些模型在大区域估算时效率较低且验证困难。
可见,现有技术对作物进行单产估算,其估算过程要么对于作物关键生育期/时相利用不够充分,要么涉及对大量数据的处理,效率较低。
发明内容
本发明提供一种基于关键时相和农田景观特征参量的作物单产估算方法,用以解决现有技术对作物进行单产估算,其估算过程要么对于作物关键生育期/时相利用不够充分,要么涉及对大量数据的处理,效率较低的问题。
本发明提供一种基于关键时相和农田景观特征参量的作物单产估算方法,包括:
筛选待进行单产估算的作物的关键时相;其中,所述关键时相根据所述作物在不同备选时相内的长势特征参量和环境特征参量对进行单产估算精度的影响来确定;
筛选对所述作物进行单产估算的关键特征参量;所述关键特征参量根据特征参量对所述作物的单产估算精度影响的敏感程度来确定;
根据所述关键时相和所述关键特征参量,通过剔除数据冗余确定最优特征参量组合,基于所述最优特征参量组合构建所述作物的单产估算模型,并通过所述单产估算模型对所述作物进行单产估算;
其中,所述关键特征参量包括作物的长势特征参量、环境特征参量和农田景观特征参量。
可选地,所述筛选待进行单产估算的作物的关键时相,包括:
对所述作物的任一备选时相,根据至少一个生长季内所述作物在所述任一备选时相内的长势特征参量和环境特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的第一模型,并获取由所述第一模型对所述作物进行单产估算的精度,作为所述任一备选时相对应的精度;
根据所述作物不同备选时相对应的精度,选取精度最高的三个备选时相,作为筛选出的备选单时相;
针对由筛选的单备选时相确定的任一时相组合,根据至少一个生长季内所述作物在所述任一备选时相组合内的长势特征参量和环境特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的第二模型,并获取由所述第二模型对所述作物进行单产估算的精度,作为所述任一备选时相组合对应的精度;
根据所述作物不同备选时相组合对应的精度,选取精度在预设精度范围内且所包含的时相数量最少的备选时相组合,作为筛选的备选时相组合;其中,所述预设精度范围由所有备选单时相均参与时对所述作物进行单产估算的精度确定;
若筛选的备选时相组合对应的精度高于任一筛选的单备选时相对应的精度,则将筛选的备选时相组合作为所述关键时相,否则,将筛选的备选单时相中最高精度对应的单时相作为所述关键时相。
可选地,所述筛选对所述作物进行单产估算的关键特征参量,包括:
根据至少一个生长季内所述作物的长势特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的第三模型,并获取由所述第三模型对所述作物进行单产估算的精度,作为长势特征参量对应的精度;
根据至少一个生长季内所述作物的长势特征参量和第一环境特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的第四模型,并获取由所述第四模型对所述作物进行单产估算的精度,作为长势特征参量和第一环境特征参量对应的精度;其中,第一环境特征参量为与水分相关的环境特征参量;
根据至少一个生长季内所述作物的长势特征参量和第二环境特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的第五模型,并获取由所述第五模型对所述作物进行单产估算的精度,作为长势特征参量和第二环境特征参量对应的精度;其中,所述第二环境特征参量为与温度相关环境特征参量;
根据至少一个生长季内所述作物的长势特征参量、第一环境特征参量和第二环境特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的第六模型,并获取由所述第六模型对所述作物进行单产估算的精度,作为长势特征参量和环境特征参量对应的精度;
从长势特征参量与不同环境特征参量的组合所对应精度中获取精度最高的组合,作为备选组合,若所述备选组合对应的精度相对于长势特征参量对应的精度提高的精度大于第一设定提高精度,则将所述备选组合中的包含的特征参量作为初步确定的关键特征参量,否则,将所述长势特征参量作为初步确定的关键特征参量。
可选地,在得到初步确定的关键特征参量之后,还包括:
根据至少一个生长季内对所述作物初步确定的关键特征参量和农田景观特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的第七模型,并获取由所述第七模型对所述作物进行单产估算的精度,作为初步确定的关键特征参量和农田景观特征参量对应的的精度;
若初步确定的关键特征参量和农田景观特征参量对应的精度相对于长势特征参量对应的精度提高的精度大于第二设定提高精度,则将初步确定的关键特征参量中包含的特征参量和所述农田景观特征参量作为确定的关键特征参量。
可选地,所述根据所述关键时相和所述关键特征参量,通过剔除数据冗余确定最优特征参量组合,基于所述最优特征参量组合构建所述作物的单产估算模型包括:
根据在所述关键时相内的各关键特征参量之间的相关程度,对所述关键特征参量进行相关性筛选,使得表示相关程度的相关系数大于预设系数的关键特征参量仅保留一个;
将在所述关键时相内经过所述相关性筛选后得到的参量组合,作为所述最优特征参量组合,根据至少一个生长季内所述作物最优特征参量组合中的各特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的模型。
可选地,在筛选待进行单产估算的作物的关键时相之前,还包括:
通过时间序列遥感参数NDVI构建所述作物的生长曲线,根据所述生长曲线中表示作物生长过程的特征点确定第一个备选时相,基于所述第一个备选时相提取生长过程在所述第一个备选时相之前的至少一个备选时相,以及生长过程在在所述第一个备选时相之后的至少一个备选时相。
本发明还提供了一种基于关键时相和农田景观特征参量的作物单产估算装置,包括:
第一筛选模块,用于筛选待进行单产估算的作物的关键时相;其中,所述关键时相根据所述作物在不同备选时相内的长势特征参量和环境特征参量对进行单产估算精度的影响来确定;
第二筛选模块,用于筛选对所述作物进行单产估算的关键特征参量;所述关键特征参量根据特征参量对所述作物的单产估算精度影响的敏感程度来确定;
生成模块,用于根据所述关键时相和所述关键特征参量,通过剔除数据冗余确定最优特征参量组合,基于所述最优特征参量组合构建所述作物的单产估算模型,并通过所述单产估算模型对所述作物进行单产估算;
其中,所述关键特征参量包括作物的长势特征参量、环境特征参量和农田景观特征参量。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以上任一种所述的基于关键时相和农田景观特征参量的作物单产估算方法的步骤。
本发明还提供一种非暂态可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以上任一种所述的基于关键时相和农田景观特征参量的作物单产估算方法的步骤。
本发明提供的一种基于关键时相和农田景观特征参量的作物单产估算方法,根据对单产估算的精度的影响,从作物的生长过程中筛选出对单产形成比较重要的关键时相,并从作物长势特征、环境影响特征和农田景观特征中筛选出对于单产形成的关键特征指标。在此基础上,通过相关性分析剔除冗余参量,选取最佳的特征参量组合,并构建最优模型进行农作物单产估算。基于筛选的关键时相和特征参量,大幅提升了农作物单产估算建模的效率,并保证了稳定的估算精度。
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是本发明提供的一种基于关键时相和农田景观特征参量的作物单产估算方法的流程示意图的流程示意图;
图2是本发明另一实施例提供的基于关键时相和农田景观特征参量的作物单产估算装置的结构框图;
图3是本发明另一实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、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。
虽然现有技术中利用作物生长模型或者光能利用率模型进行估产理论性更强,但在进行大范围估产应用(例如县市级的估产应用)时面临许多困难,如作物生长模型本地化困难、输入参数过多,光能利用率模型的收获指数难以确定等等,此外这些模型常作用于像素或者地块尺度,在大区域估算时效率较低且验证困难。对于县市级的单产估算,相比于复杂的机理模型,抽样统计调查和基于遥感气象等多源数据的经验模型其可靠性与可操作性更好,仍然是当前或未来一定时间内的主流方案。产量是作物基因特性、生长环境以及农田管理共同作用的结果,在大区域范围,难以对所有因素进行定量观测,现有的技术手段能够获取的信息主要包括光温(如日照时数、辐射量等),水分(如降水量、土壤水分等)和作物的分布以及生长状态等(如冠层高度、叶面积指数、植被指数等)。许多研究已经利用统计单产与光谱反射率、植被指数或温度,降水等参数进行了回归分析,取得了不错的成效,但在多源特征筛选与分析方面还没有进行***的研究,往往仅利用单一NDVI或气象特征进行回归建模。此外,有研究表明农作物生长过程中农田破碎程度和农业集约度也会对产量形成造成影响。在县级尺度上,可以计算出作物的景观格局指标来表征这些信息,现有的研究缺乏对该指标的利用。同时,目前研究较少从产量形成过程出发综合***地考虑时间序列特征对作物估产的影响,在县级尺度上,研究大多采用优选单一时段进行模型估算,虽然该方式简单易行,但丢失的其他时间特征可能会降低估产的精度。此外,由于不同区域或年份作物的播种期可能存在差异,仅利用相同DOY(Day Of Year)时段进行单产模型构建是不合理的。
为了解决现有技术中存在的问题,本申请提供的方案将现有易于获取的农情特征分为作物长势特征、环境特征、农田景观特征三类,综合评估了各类别特征以及产量形成的关键时相对冬小麦产量估算的影响,旨在创建一个基于遥感和气象数据的作物单产估算模型,实现县级尺度冬小麦产量高精度估算。其究主要围绕以下三个问题:(a)分析作物估产的关键时期;(b)评估环境特征的对作物估产的影响;(c)分析农田景观特征对作物估产的促进作用。最终在最优时相和特征的基础上进行变量筛选分析并构建最佳模型,实现县级尺度冬小麦单产的估算。
图1为本实施例提供的基于关键时相和农田景观特征参量的作物单产估算方法的流程示意图,参见图1,该基于关键时相特征参量和农田景观特征参量的作物单产估算方法包括:
步骤101:筛选待进行单产估算的作物的关键时相;其中,所述关键时相根据所述作物在不同备选时相内的长势特征参量和环境特征参量对进行单产估算精度的影响来确定;
步骤102:筛选对所述作物进行单产估算的关键特征参量;所述关键特征参量根据特征参量对所述作物的单产估算精度影响的敏感程度来确定;
步骤103:根据所述关键时相和所述关键特征参量,通过剔除数据冗余确定最优特征参量组合,基于所述最优特征参量组合构建所述作物的单产估算模型,并通过所述单产估算模型对所述作物进行单产估算;
其中,所述关键特征参量包括作物的长势特征参量、环境特征参量和农田景观特征参量。
本实施例提供的基于关键时相特征参量和农田景观特征参量的作物单产估算方法由计算机或服务器执行,本实施例中的作物可以是任一种农作物,例如,小麦。时相是通过遥感数据对作物生长周期进行划分得到的。
在本实施例中,一方面筛选出最能代表作物单产估计的时相,另一方面筛选出作物生长周期内最能反映作物单产形成过程的特征参量,基于筛选出的时相和筛选特征参量得到的数据确定用于对作物的单产进行估算的模型。从时相和特征参量上对用于进行建立模型的数据进行了精简,从而能够基于最少的数据量建立进行单产估算的模型,提高了模型创建的效率。
本实施例提供了一种基于关键时相和农田景观特征参量的作物单产估算方法,根据对单产估算的精度的影响,从作物的生长过程中筛选出对单产形成比较重要的关键时相,并从作物长势特征、环境影响特征和农田景观特征中筛选出对于单产形成的关键特征指标。在此基础上,通过相关性分析剔除冗余参量,选取最佳的特征参量组合,并构建最优模型进行农作物单产估算。基于筛选的关键时相和特征参量,大幅提升了农作物单产估算建模的效率,并保证了稳定的估算精度。
进一步地,在上述实施例的基础上,所述筛选待进行单产估算的作物的关键时相,包括:
对所述作物的任一备选时相,根据至少一个生长季内所述作物在所述任一备选时相内的长势特征参量和环境特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的第一模型,并获取由所述第一模型对所述作物进行单产估算的精度,作为所述任一备选时相对应的精度;
根据所述作物不同备选时相对应的精度,选取精度最高的三个备选时相,作为筛选出的备选单时相;
针对由筛选的单备选时相确定的任一时相组合,根据至少一个生长季内所述作物在所述任一备选时相组合内的长势特征参量和环境特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的第二模型,并获取由所述第二模型对所述作物进行单产估算的精度,作为所述任一备选时相组合对应的精度;
根据所述作物不同备选时相组合对应的精度,选取精度在预设精度范围内且所包含的时相数量最少的备选时相组合,作为筛选的备选时相组合;其中,所述预设精度范围由所有备选单时相均参与时对所述作物进行单产估算的精度确定;
若筛选的备选时相组合对应的精度高于任一筛选的单备选时相对应的精度,则将筛选的备选时相组合作为所述关键时相,否则,将筛选的备选单时相中最高精度对应的单时相作为所述关键时相。
具体地,在筛选关键时相时,可以先根据每一备选时相对应的精度筛选出三个备选单时相,然后将对备选单时相进行两两组合,得到备选双时相组合,进而根据基于每一备选双时相组合进行作物单产估算时的精度,选取至少一个备选双时相组合。其中,所选取的备选双时相组合对应的精度均高于任一备选单时相对应的精度,且所选取的备选双时相组合对应的精度高于(通常是明显高于)未被选取的备选双时相组合对应的精度。
接着,对选取的任一备选双时相组合,加入一个其当前不包含的备选时相,得到备选三时相组合,若备选三时相组合对应的精度明显高于该任一备选双时相组合,则不考虑将该任一备选双时相组合作为关键时相。如此类推,直到得到某一时相组合后,向该某一时相组合中加入其当前不包含的备选时相后,形成新的时相组合对应的精度没有提升,将该某一时相组合作为关键时相。
举例来说,对作物确定了5个单备选时相,分别为P1、P2、P3、P4和P5。分别基于每一单备选时相的长势特征参量和环境特征参量,以及实际单产(例如,基于2014年-2017年中每年在单备选时相内的长势特征参量和环境特征参量,以及每年的实际单产),通过软件(例如,matlab)拟合出第一模型,通过18年的数据验证该第一模型的精度(可以通过由第一模型基于2018年在单备选时相内的长势特征参量和环境特征参量预测的单产与18年的实际单产进行对比得到该精度)。具体地,依次利用P1、P2、P3、P4和P5时相内所有特征参量建模并进行精度评价,根据精度评价指标(R2,RMSE,MRE)判断出各单备选时相对单产估算的精度影响。结果表明P2、P3、P4这三个备选时相精度远高于P1和P5这两个备选时相。
然后,在P2、P3、P4备选时相组合基础上进行双备选时相组合分析,依次利用P23、P24、P34备选时相组合内所有特征参量建模并进行精度评价,结果表明P24备选时相组合提升最大;
在P24双备选时相组合基础上增加P3即P234分析P3加入的影响,然后在P234基础上加入P1,P5即P12345全部备选时相,分析P1,P5加入的影响。结果表明P24、P234、P12345之间没有明显差异。
因此,确定P2和P4两个备选时相为关键时相。
本实施例中,通过基于不同单备选时相,以及备选时相的组合建立的模型对比分析了基于不同单备选时相以及不同备选时相组合进行单产估算的精度,从而确定了关键时相,基于关键时相能够从时间维度减少用于建模的数据量,从而有利于提高进行单产估算的效率。
进一步地,在上述各实施例的基础上,所述筛选对所述作物进行单产估算的关键特征参量,包括:
根据至少一个生长季内所述作物的长势特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的第三模型,并获取由所述第三模型对所述作物进行单产估算的精度,作为长势特征参量对应的精度;
根据至少一个生长季内所述作物的长势特征参量和第一环境特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的第四模型,并获取由所述第四模型对所述作物进行单产估算的精度,作为长势特征参量和第一环境特征参量对应的精度;其中,第一环境特征参量为与水分相关的环境特征参量;
根据至少一个生长季内所述作物的长势特征参量和第二环境特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的第五模型,并获取由所述第五模型对所述作物进行单产估算的精度,作为长势特征参量和第二环境特征参量对应的精度;其中,所述第二环境特征参量为与温度相关环境特征参量;
根据至少一个生长季内所述作物的长势特征参量、第一环境特征参量和第二环境特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的第六模型,并获取由所述第六模型对所述作物进行单产估算的精度,作为长势特征参量和环境特征参量对应的精度;
从长势特征参量与不同环境特征参量的组合所对应精度中获取精度最高的组合,作为备选组合,若所述备选组合对应的精度相对于长势特征参量对应的精度提高的精度大于第一设定提高精度,则将所述备选组合中的包含的特征参量作为初步确定的关键特征参量,否则,将所述长势特征参量作为初步确定的关键特征参量。
长势特征参量可以包括NDVI、EVI、LAI、FPAR、GPP、SR(band1-band7)等,环境特征参量可以包括与水分相关的环境特征参量(即第一环境特征参量)和与温度相关环境特征参量(即第二环境特征参量),其中与水分相关的环境特征参量可以包括ET、PET、降水量、平均水汽压等,与温度相关环境特征参量可以包括LST_DAY、LST_NIGHT、日照时数、平均气温、最高气温、最低气温等。
本实施例中若在长势特征参量的基础上增加环境特征参量后,所确定的用于进行单产估算的模型能够提高进行单产估算的精度,则可以将环境特征参量和长势特征参量共同作为关键特征参量,否则仅将长势特征参量作为关键特征参量,实现了对特征参量的精简,有助于减少用于建模的数据量,从而有利于提高进行单产估算的效率。
进一步地,在上述各实施例的基础上,在得到初步确定的关键特征参量之后,还包括:
根据至少一个生长季内对所述作物初步确定的关键特征参量和农田景观特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的第七模型,并获取由所述第七模型对所述作物进行单产估算的精度,作为初步确定的关键特征参量和农田景观特征参量对应的精度;
若初步确定的关键特征参量和农田景观特征参量对应的精度相对于长势特征参量对应的精度提高的精度大于第二设定提高精度,则将初步确定的关键特征参量中包含的特征参量和所述农田景观特征参量作为确定的关键特征参量。
其中,农田景观特征参量包括ED、AREA、PROP等。
在筛选得到的初步确定的关键特征参量的基础上,加入农田景观特征参量,若加入农田景观特征参量后所建立的模型在进行单产估算时的精度提高了,则将农田景观特征参量也加入初步确定的关键特征参量中,得到最终确定的关键特征参量。
具体来说,可以通过如下过程筛选特征参量:
首先利用所有备选时相的长势特征参量建模并得到估产精度;
在长势特征参量基础上加入所有备选时相内的环境特征参量,分析环境特征参量的加入对估产是否有帮助,结果表明无明显提升;
在长势特征参量基础上加入农田景观特征参量,分析农田景观特征参量的加入对估产精度是否有帮助,结果表明对估产精度提升有较大作用。
本实施例中,从另一维度加入了有利于提高单产估算精度的农田景观特征参量,农田景观特征参量并不会增加大的运算数据量,且能够提高进行单产估算的效率和准确性。
进一步地,在上述各实施例的基础上,所述根据所述关键时相和所述关键特征参量,通过剔除数据冗余确定最优特征参量组合,基于所述最优特征参量组合构建所述作物的单产估算模型包括:
根据在所述关键时相内的各关键特征参量之间的相关程度,对所述关键特征参量进行相关性筛选,使得表示相关程度的相关系数大于预设系数的关键特征参量仅保留一个;
将在所述关键时相内经过所述相关性筛选后得到的参量组合,作为所述最优特征参量组合,根据至少一个生长季内所述作物最优特征参量组合中的各特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的模型。
各关键特征参量之间的相关程度通常根据经验或者各关键特征参量的实际物理意义确定,当存在多个关键特征参量的相关程度较高时,可以仅保留其中一个特征参量,进一步实现对关键特征参量的精简。
具体地,通过上述的分析结果可以得到P2和P4这两个关键时相以及长势特征参量和农田景观特征参量对估产帮助最大,在此基础上进行特征参量的相关程度分析,剔除相关系数大于0.8的两个变量其中之一;
然后,对剩余的特征参量利用随机森林重要性排序由高到低逐个累加建模分析,结果表明在第五个变量加入后,估产模型的准确性趋于稳定,不在提升。最终筛选出这5个关键特征为(PROP、NDVI_P2、B2_P2、ED、B1_P4)。
本实施例中,通过关键特征参量之间的相关程度进一步实现了影响参数的精简,从而有利于提高进行单产估算的效率和准确性。
进一步地,在上述各实施例的基础上,在筛选待进行单产估算的作物的关键时相之前,还包括:
通过时间序列遥感参数NDVI构建所述作物的生长曲线,根据所述生长曲线中表示作物生长过程的特征点确定第一个备选时相,基于所述第一个备选时相提取生长过程在所述第一个备选时相之前的至少一个备选时相,以及生长过程在在所述第一个备选时相之后的至少一个备选时相。
例如,对于小麦,可以通过MODIS 16天合成产品确定NDVI曲线,由于MODIS 16天合成产品是以16天为周期生成一个采样点,可以将NDVI曲线的峰值所对应的备选时相作为P3,NDVI曲线的峰值所对应的时相向左依次确定P2和P1,NDVI曲线的峰值所对应的时相向右左依次确定P4和P5。
本实施例中,基于NDVI曲线实现了对作物进行备选时相的确定,通过备选时相的划分为后续进行关键时相的选取奠定了基础。
作为一个具体的实施例,本实施例基于遥感数据、气象数据和统计数据,划分为作物长势特征参量、环境特征参量(包括水分特征与光温特征)以及农田景观特征参量三个类型。同时利用NDVI曲线划分出5个备选时相(P1-P5),然后基于在不同备选时相下不同的特征参量或者不同特征参量组合进行单产估算建模,通过综合分析单产估算模型对预测结果的精度来探讨备选时相和特征参量对县级估产的影响。最终,选出最佳的特征参量组合,并在此基础上进行特征参量优选,剔除冗余变量,构建最优模型进行县级冬小麦单产估算。
具体包括如下步骤:
步骤一:为了探究时相特征对作物估产的影响,获取各县不同年份冬小麦的准确生育期是研究所必需的。在大范围生育期观测数据难以准确获取的情况下,NDVI曲线特征由于能够很好的反应冬小麦生长状况,已经被许多学者用于划分冬小麦的生育期。通过冬小麦生长季MODIS 16天合成产品合成的NDVI的曲线特征提取了5个关键备选时相,记为P1-P5。这5个关键生长时段涵盖了冬小麦从返青到成熟的生长过程,也是对产量影响最关键的时段。其中P3为冬小麦生长旺盛期,在NDVI曲线上表现为峰值点。P1、P2分别是峰值点向左两个点位,P4、P5分别是峰值点向右两个点位。
可以通过公式Pk=i+16*(k-3)表示,其中:k=1,2,3,4,5。i是县级NDVI曲线在第65天至第145天内NDVI最大值所对应的DOY。
骤二:特征参量集构建,具体如下表所示:
步骤三:基于作物长势特征参量和环境特征参量筛选分析冬小麦单产估算的关键时相组合。首先分析了单个时相的估产精度,在此基础上对双时相组合、三时相组合以及全部时相组合进行精度分析来探讨最优时相组合。
步骤四:在长势特征参量的基础上,逐步加入水分(M)、光温(T)和全部环境特征参量(ENV),研究不同环境特征参量对估产精度的影响程度。
步骤五:进一步加入边缘密度(ED)、冬小麦播种面积(AREA)、冬小麦占耕地面积比(PROP)等农田田景观特征参量,深入分析不同农田景观特征参量加入对估产精度的影响。
步骤六:选出最佳的特征参量组合,并在此基础上进行特征优选,剔除冗余变量,构建最优模型进行县级冬小麦单产估算。
可见,本实施例基于NDVI过程曲线提取了冬小麦产量形成过程中5个关键时相(记为P1-5),综合分析了各个备选时相,以及备选时相组合对单产估算的影响,确定了单产估算的最佳备选时相组合;通过将现有农情数据划分为作物长势特征参量、环境特征参量、农田景观特征参量,***的探究了各类别特征对冬小麦县级单产估算的影响,发现景观指标的加入对估算精度有较大的提升;在不同时相和特征类型组合分析的基础上,进一步进行变量相关性及重要性分析,去除了冗余变量,得到冬小麦县级估产的最优模型,可以迅速有效的为县级估产提供数据支持。
具体来说,本实施提供的方案对于县级尺度冬小麦单产的估算,针对单个备选时相而言,基于P2,P3,P4时相的估算精度明显好于P1,P5组合备选时相,其中,P2,P3,P4组合备选时相之间并无明显差别;而多备选时相组合参与估产的准确性要明显高于任意单个时相的估算结果,其中,P2,P4组合备选时相的效果最佳,其他时相的加入对于估产精度的提升并无显著效果。
长势特征参量对于县级尺度冬小麦单产的估算精度影响最大,水分、光温等环境特征参量的加入对估产精度的提升几乎没有帮助,而农田景观特征参量对于估产精度的影响是不容忽视的,其中,冬小麦占耕地面积比(PROP)和边缘密度(ED)尤其需要重视。
筛选确定了县级尺度冬小麦单产估算建模最为重要的5个关键特征参量,分别为:PROP、NDVI_P2、B2_P2、ED、B1_P4。并在此基础上,构建模型实现了某省县级冬小麦单产估算,平均相对误差小于3%,R2达到0.8以上,均方根误差约为250kg/ha。
图2为本实施例提供的基于关键时相和农田景观特征参量的作物单产估算装置的结构框图,参见图2,该基于关键时相和农田景观特征参量的作物单产估算装置包括第一筛选模块201、第二筛选模块202和生成模块203,其中,
第一筛选模块201,用于筛选待进行单产估算的作物的关键时相;其中,所述关键时相根据所述作物在不同备选时相内的长势特征参量和环境特征参量对进行单产估算精度的影响来确定;
第二筛选模块202,用于筛选对所述作物进行单产估算的关键特征参量;所述关键特征参量根据特征参量对所述作物的单产估算精度影响的敏感程度来确定;
生成模块203,用于根据所述关键时相和所述关键特征参量,通过剔除数据冗余确定最优特征参量组合,基于所述最优特征参量组合构建所述作物的单产估算模型,并通过所述单产估算模型对所述作物进行单产估算;
其中,所述关键特征参量包括作物的长势特征参量、环境特征参量和农田景观特征参量。
本实施例提供的基于关键时相和农田景观特征参量的作物单产估算装置适用于上述各实施例提供的基于关键时相和农田景观特征参量的作物单产估算方法,在此不再赘述。
本实施例提供了一种基于关键时相和农田景观特征参量的作物单产估算装置,根据对单产估算的精度的影响,从作物的生长过程中筛选出对单产形成比较重要的关键时相,并从作物长势特征、环境影响特征和农田景观特征中筛选出对于单产形成的关键特征指标。在此基础上,通过相关性分析剔除冗余参量,选取最佳的特征参量组合,并构建最优模型进行农作物单产估算。基于筛选的关键时相和特征参量,大幅提升了农作物单产估算建模的效率,并保证了稳定的估算精度。
可选地,所述筛选待进行单产估算的作物的关键时相,包括:
对所述作物的任一备选时相,根据至少一个生长季内所述作物在所述任一备选时相内的长势特征参量和环境特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的第一模型,并获取由所述第一模型对所述作物进行单产估算的精度,作为所述任一时相对应的精度;
根据所述作物不同时相对应的精度,选取精度最高的三个单时相,作为筛选出的单时相;
针对由筛选的单时相确定的任一时相组合,根据至少一个生长季内所述作物在所述任一时相组合内的长势特征参量和环境特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的第二模型,并获取由所述第二模型对所述作物进行单产估算的精度,作为所述任一时相组合对应的精度;
根据所述作物不同时相组合对应的精度,选取精度在预设精度范围内且所包含的时相数量最少的时相组合,作为筛选的时相组合;其中,所述预设精度范围由所有备选单时相均参与时对所述作物进行单产估算的精度确定;
若筛选的时相组合对应的精度高于任一筛选的单时相对应的精度,则将筛选的时相组合作为所述关键时相,否则,将筛选的单时相中最高精度对应的单时相作为所述关键时相。
可选地,所述筛选对所述作物进行单产估算的关键特征参量,包括:
根据至少一个生长季内所述作物的长势特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的第三模型,并获取由所述第三模型对所述作物进行单产估算的精度,作为长势特征参量对应的精度;
根据至少一个生长季内所述作物的长势特征参量和第一环境特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的第四模型,并获取由所述第四模型对所述作物进行单产估算的精度,作为长势特征参量和第一环境特征参量对应的精度;其中,第一环境特征参量为与水分相关的环境特征参量;
根据至少一个生长季内所述作物的长势特征参量和第二环境特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的第五模型,并获取由所述第五模型对所述作物进行单产估算的精度,作为长势特征参量和第二环境特征参量对应的精度;其中,所述第二环境特征参量为与温度相关环境特征参量;
根据至少一个生长季内所述作物的长势特征参量、第一环境特征参量和第二环境特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的第六模型,并获取由所述第六模型对所述作物进行单产估算的精度,作为长势特征参量和环境特征参量对应的精度;
从长势特征参量与不同环境特征参量的组合所对应精度中获取精度最高的组合,作为备选组合,若所述备选组合对应的精度相对于长势特征参量对应的精度提高的精度大于第一设定提高精度,则将所述备选组合中的包含的特征参量作为初步确定的关键特征参量,否则,将所述长势特征参量作为初步确定的关键特征参量。
可选地,在得到初步确定的关键特征参量之后,还包括:
根据至少一个生长季内对所述作物初步确定的关键特征参量和农田景观特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的第七模型,并获取由所述第七模型对所述作物进行单产估算的精度,作为初步确定的关键特征参量和农田景观特征参量对应的的精度;
若初步确定的关键特征参量和农田景观特征参量对应的精度相对于长势特征参量对应的精度提高的精度大于第二设定提高精度,则将初步确定的关键特征参量中包含的特征参量和所述农田景观特征参量作为确定的关键特征参量。
可选地,所述根据所述关键时相和所述关键特征参量,通过剔除数据冗余确定最优特征参量组合,基于所述最优特征参量组合构建所述作物的单产估算模型包括:
根据在所述关键时相内的各关键特征参量之间的相关程度,对所述关键特征参量进行相关性筛选,使得表示相关程度的相关系数大于预设系数的关键特征参量仅保留一个;
将在所述关键时相内经过所述相关性筛选后得到的参量组合,作为所述最优特征参量组合,根据至少一个生长季内所述作物最优特征参量组合中的各特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的模型。
可选地,在筛选待进行单产估算的作物的关键时相之前,还包括:
通过时间序列遥感参数NDVI构建所述作物的生长曲线,根据所述生长曲线中表示作物生长过程的特征点确定第一个备选时相,基于所述第一个备选时相提取生长过程在所述第一个备选时相之前的至少一个备选时相,以及生长过程在在所述第一个备选时相之后的至少一个备选时相。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令,以执行如下方法:
筛选待进行单产估算的作物的关键时相;其中,所述关键时相根据所述作物在不同备选时相内的长势特征参量和环境特征参量对进行单产估算精度的影响来确定;
筛选对所述作物进行单产估算的关键特征参量;所述关键特征参量根据特征参量对所述作物的单产估算精度影响的敏感程度来确定;
根据所述关键时相和所述关键特征参量,通过剔除数据冗余确定最优特征参量组合,基于所述最优特征参量组合构建所述作物的单产估算模型,并通过所述单产估算模型对所述作物进行单产估算;
其中,所述关键特征参量包括作物的长势特征参量、环境特征参量和农田景观特征参量。
此外,上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地,本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述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:
筛选待进行单产估算的作物的关键时相;其中,所述关键时相根据所述作物在不同备选时相内的长势特征参量和环境特征参量对进行单产估算精度的影响来确定;
筛选对所述作物进行单产估算的关键特征参量;所述关键特征参量根据特征参量对所述作物的单产估算精度影响的敏感程度来确定;
根据所述关键时相和所述关键特征参量,通过剔除数据冗余确定最优特征参量组合,基于所述最优特征参量组合构建所述作物的单产估算模型,并通过所述单产估算模型对所述作物进行单产估算;
其中,所述关键特征参量包括作物的长势特征参量、环境特征参量和农田景观特征参量。
另一方面,本发明实施例还提供一种非暂态可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法,例如包括:
筛选待进行单产估算的作物的关键时相;其中,所述关键时相根据所述作物在不同备选时相内的长势特征参量和环境特征参量对进行单产估算精度的影响来确定;
筛选对所述作物进行单产估算的关键特征参量;所述关键特征参量根据特征参量对所述作物的单产估算精度影响的敏感程度来确定;
根据所述关键时相和所述关键特征参量,通过剔除数据冗余确定最优特征参量组合,基于所述最优特征参量组合构建所述作物的单产估算模型,并通过所述单产估算模型对所述作物进行单产估算;
其中,所述关键特征参量包括作物的长势特征参量、环境特征参量和农田景观特征参量。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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。
最后应说明的是: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)
1.一种基于关键时相和农田景观特征参量的作物单产估算方法,其特征在于,包括:
筛选待进行单产估算的作物的关键时相;其中,所述关键时相根据所述作物在不同备选时相内的长势特征参量和环境特征参量对进行单产估算精度的影响来确定;
筛选对所述作物进行单产估算的关键特征参量;所述关键特征参量根据特征参量对所述作物的单产估算精度影响的敏感程度来确定;
根据所述关键时相和所述关键特征参量,通过剔除数据冗余确定最优特征参量组合,基于所述最优特征参量组合构建所述作物的单产估算模型,并通过所述单产估算模型对所述作物进行单产估算;
其中,所述关键特征参量包括作物的长势特征参量、环境特征参量和农田景观特征参量。
2.根据权利要求1所述的基于关键时相和农田景观特征参量的作物单产估算方法,其特征在于,所述筛选待进行单产估算的作物的关键时相,包括:
对所述作物的任一备选时相,根据至少一个生长季内所述作物在所述任一备选时相内的长势特征参量和环境特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的第一模型,并获取由所述第一模型对所述作物进行单产估算的精度,作为所述任一备选时相对应的精度;
根据所述作物不同备选时相对应的精度,选取精度最高的三个备选时相,作为筛选出的备选单时相;
针对由筛选的单备选时相确定的任一时相组合,根据至少一个生长季内所述作物在所述任一备选时相组合内的长势特征参量和环境特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的第二模型,并获取由所述第二模型对所述作物进行单产估算的精度,作为所述任一备选时相组合对应的精度;
根据所述作物不同备选时相组合对应的精度,选取精度在预设精度范围内且所包含的时相数量最少的备选时相组合,作为筛选的备选时相组合;其中,所述预设精度范围由所有备选单时相均参与时对所述作物进行单产估算的精度确定;
若筛选的备选时相组合对应的精度高于任一筛选的单备选时相对应的精度,则将筛选的备选时相组合作为所述关键时相,否则,将筛选的备选单时相中最高精度对应的单时相作为所述关键时相。
3.根据权利要求1所述的基于关键时相和农田景观特征参量的作物单产估算方法,其特征在于,所述筛选对所述作物进行单产估算的关键特征参量,包括:
根据至少一个生长季内所述作物的长势特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的第三模型,并获取由所述第三模型对所述作物进行单产估算的精度,作为长势特征参量对应的精度;
根据至少一个生长季内所述作物的长势特征参量和第一环境特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的第四模型,并获取由所述第四模型对所述作物进行单产估算的精度,作为长势特征参量和第一环境特征参量对应的精度;其中,第一环境特征参量为与水分相关的环境特征参量;
根据至少一个生长季内所述作物的长势特征参量和第二环境特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的第五模型,并获取由所述第五模型对所述作物进行单产估算的精度,作为长势特征参量和第二环境特征参量对应的精度;其中,所述第二环境特征参量为与温度相关环境特征参量;
根据至少一个生长季内所述作物的长势特征参量、第一环境特征参量和第二环境特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的第六模型,并获取由所述第六模型对所述作物进行单产估算的精度,作为长势特征参量和环境特征参量对应的精度;
从长势特征参量与不同环境特征参量的组合所对应精度中获取精度最高的组合,作为备选组合,若所述备选组合对应的精度相对于长势特征参量对应的精度提高的精度大于第一设定提高精度,则将所述备选组合中的包含的特征参量作为初步确定的关键特征参量,否则,将所述长势特征参量作为初步确定的关键特征参量。
4.根据权利要求3所述的基于关键时相和农田景观特征参量的作物单产估算方法,其特征在于,在得到初步确定的关键特征参量之后,还包括:
根据至少一个生长季内对所述作物初步确定的关键特征参量和农田景观特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的第七模型,并获取由所述第七模型对所述作物进行单产估算的精度,作为初步确定的关键特征参量和农田景观特征参量对应的精度;
若初步确定的关键特征参量和农田景观特征参量对应的精度相对于长势特征参量对应的精度提高的精度大于第二设定提高精度,则将初步确定的关键特征参量中包含的特征参量和所述农田景观特征参量作为确定的关键特征参量。
5.根据权利要求1所述的基于关键时相和农田景观特征参量的作物单产估算方法,其特征在于,所述根据所述关键时相和所述关键特征参量,通过剔除数据冗余确定最优特征参量组合,基于所述最优特征参量组合构建所述作物的单产估算模型包括:
根据在所述关键时相内的各关键特征参量之间的相关程度,对所述关键特征参量进行相关性筛选,使得表示相关程度的相关系数大于预设系数的关键特征参量仅保留一个;
将在所述关键时相内经过所述相关性筛选后得到的参量组合,作为所述最优特征参量组合,根据至少一个生长季内所述作物最优特征参量组合中的各特征参量,以及所述作物对应的实际单产,确定对所述作物进行单产估算的模型。
6.根据权利要求1所述的基于关键时相和农田景观特征参量的作物单产估算方法,其特征在于,在筛选待进行单产估算的作物的关键时相之前,还包括:
通过时间序列遥感参数NDVI构建所述作物的生长曲线,根据所述生长曲线中表示作物生长过程的特征点确定第一个备选时相,基于所述第一个备选时相提取生长过程在所述第一个备选时相之前的至少一个备选时相,以及生长过程在在所述第一个备选时相之后的至少一个备选时相。
7.一种基于关键时相和农田景观特征参量的作物单产估算装置,其特征在于,包括:
第一筛选模块,用于筛选待进行单产估算的作物的关键时相;其中,所述关键时相根据所述作物在不同备选时相内的长势特征参量和环境特征参量对进行单产估算精度的影响来确定;
第二筛选模块,用于筛选对所述作物进行单产估算的关键特征参量;所述关键特征参量根据特征参量对所述作物的单产估算精度影响的敏感程度来确定;
生成模块,用于根据所述关键时相和所述关键特征参量,通过剔除数据冗余确定最优特征参量组合,基于所述最优特征参量组合构建所述作物的单产估算模型,并通过所述单产估算模型对所述作物进行单产估算;
其中,所述关键特征参量包括作物的长势特征参量、环境特征参量和农田景观特征参量。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述的基于关键时相和农田景观特征参量的作物单产估算方法的步骤。
9.一种非暂态可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于关键时相和农田景观特征参量的作物单产估算方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110198175.8A CN113052433B (zh) | 2021-02-22 | 2021-02-22 | 基于关键时相和农田景观特征参量的作物单产估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110198175.8A CN113052433B (zh) | 2021-02-22 | 2021-02-22 | 基于关键时相和农田景观特征参量的作物单产估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113052433A true CN113052433A (zh) | 2021-06-29 |
CN113052433B CN113052433B (zh) | 2024-02-06 |
Family
ID=76509084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110198175.8A Active CN113052433B (zh) | 2021-02-22 | 2021-02-22 | 基于关键时相和农田景观特征参量的作物单产估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052433B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743819A (zh) * | 2021-09-15 | 2021-12-03 | 二十一世纪空间技术应用股份有限公司 | 农作物估产的方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106951979A (zh) * | 2017-02-20 | 2017-07-14 | 中国农业大学 | 遥感、作物模型与气象预报融合的作物成熟期预测方法 |
CN108984803A (zh) * | 2018-10-22 | 2018-12-11 | 北京师范大学 | 一种农作物产量空间化的方法及*** |
CN108985588A (zh) * | 2018-06-28 | 2018-12-11 | 中国科学院遥感与数字地球研究所 | 一种农作物单产遥感估算方法、装置与*** |
US20190228477A1 (en) * | 2018-01-22 | 2019-07-25 | Weather Analytics Llc | Method and System For Forecasting Crop Yield |
CN111027752A (zh) * | 2019-11-19 | 2020-04-17 | 浙江大学 | 一种深度时空特征联合学习的农作物产量估测方法 |
-
2021
- 2021-02-22 CN CN202110198175.8A patent/CN113052433B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106951979A (zh) * | 2017-02-20 | 2017-07-14 | 中国农业大学 | 遥感、作物模型与气象预报融合的作物成熟期预测方法 |
US20190228477A1 (en) * | 2018-01-22 | 2019-07-25 | Weather Analytics Llc | Method and System For Forecasting Crop Yield |
CN108985588A (zh) * | 2018-06-28 | 2018-12-11 | 中国科学院遥感与数字地球研究所 | 一种农作物单产遥感估算方法、装置与*** |
CN108984803A (zh) * | 2018-10-22 | 2018-12-11 | 北京师范大学 | 一种农作物产量空间化的方法及*** |
CN111027752A (zh) * | 2019-11-19 | 2020-04-17 | 浙江大学 | 一种深度时空特征联合学习的农作物产量估测方法 |
Non-Patent Citations (1)
Title |
---|
徐新刚;吴炳方;蒙继华;***子;黄文江;刘良云;王纪华;: "农作物单产遥感估算模型研究进展", 农业工程学报, no. 02, pages 290 - 298 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743819A (zh) * | 2021-09-15 | 2021-12-03 | 二十一世纪空间技术应用股份有限公司 | 农作物估产的方法、装置、电子设备及存储介质 |
CN113743819B (zh) * | 2021-09-15 | 2024-03-26 | 二十一世纪空间技术应用股份有限公司 | 农作物估产的方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113052433B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Assimilating a synthetic Kalman filter leaf area index series into the WOFOST model to improve regional winter wheat yield estimation | |
CN110751094B (zh) | 一种基于gee综合遥感影像和深度学习方法的作物估产方法 | |
CN109711102B (zh) | 一种作物灾害损失快速评估方法 | |
CN110909933B (zh) | 一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法 | |
Kazmierski et al. | Temporal stability of within-field patterns of NDVI in non irrigated Mediterranean vineyards | |
CN106372277B (zh) | 森林立地指数时空估测中的变异函数模型优化方法 | |
CN106845428A (zh) | 一种作物产量遥感估算方法及*** | |
CN115829162B (zh) | 作物产量预测方法、装置、电子设备及介质 | |
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 | |
CN116665073A (zh) | 一种基于多源数据的玉米产量遥感估测方法 | |
CN109325433A (zh) | 引入地形因子的黑土区大豆生物量多时相遥感反演方法 | |
CN108205718B (zh) | 一种粮食作物抽样测产方法及*** | |
Tatsumi | Effects of automatic multi-objective optimization of crop models on corn yield reproducibility in the USA | |
O’Sullivan et al. | Integrating terrestrial laser scanning with functional–structural plant models to investigate ecological and evolutionary processes of forest communities | |
Zhu et al. | Spatial optimization of cotton cultivation in Xinjiang: A climate change perspective | |
CN109034462B (zh) | 玉米群体种植结构优化方法及装置 | |
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 | |
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 | |
CN101276446B (zh) | 一种区域作物需水量测算方法 | |
Knapp‐Wilson et al. | Three‐dimensional phenotyping of peach tree‐crown architecture utilizing terrestrial laser scanning | |
CN102749290B (zh) | 一种樱桃树冠层树枝生长状态的检测方法 | |
Liu et al. | An approach for multi-depth soil moisture prediction in alfalfa based on a dual-branch combined model | |
Wang et al. | Multiobjective optimization of regional irrigation and nitrogen schedules by using the CERES-Maize model with crop parameters determined from the remotely sensed leaf area index | |
MORRIS et al. | Using a process-based forest model to estimate the potential productivity of Eucalyptus plantations in southern China | |
CN117454074A (zh) | 作物面积的估算方法及其装置 |
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 |