CN115018105A - 一种冬小麦气象产量预测方法及*** - Google Patents
一种冬小麦气象产量预测方法及*** Download PDFInfo
- Publication number
- CN115018105A CN115018105A CN202110237189.6A CN202110237189A CN115018105A CN 115018105 A CN115018105 A CN 115018105A CN 202110237189 A CN202110237189 A CN 202110237189A CN 115018105 A CN115018105 A CN 115018105A
- Authority
- CN
- China
- Prior art keywords
- winter wheat
- meteorological
- wofost
- remote sensing
- 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.)
- Pending
Links
- 241000209140 Triticum Species 0.000 title claims abstract description 187
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 187
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000011160 research Methods 0.000 claims abstract description 47
- 230000007613 environmental effect Effects 0.000 claims abstract description 23
- 238000007726 management method Methods 0.000 claims description 24
- 238000004519 manufacturing process Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 230000004069 differentiation Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 101000583150 Homo sapiens Membrane-associated phosphatidylinositol transfer protein 3 Proteins 0.000 claims description 9
- 102100030351 Membrane-associated phosphatidylinositol transfer protein 3 Human genes 0.000 claims description 9
- DZSYJVXGONVNKA-UHFFFAOYSA-L NIR-1 dye Chemical compound [K+].[K+].C1=CC2=C(S([O-])(=O)=O)C=C(S([O-])(=O)=O)C=C2C(C2(C)C)=C1[N+](CC)=C2C=CC=CC=CC=C1C(C)(C)C2=CC(C(O)=O)=CC=C2N1CCCCS([O-])(=O)=O DZSYJVXGONVNKA-UHFFFAOYSA-L 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 101000583145 Homo sapiens Membrane-associated phosphatidylinositol transfer protein 1 Proteins 0.000 claims description 6
- 102100030353 Membrane-associated phosphatidylinositol transfer protein 1 Human genes 0.000 claims description 6
- AUQMGYLQQPSCNH-UHFFFAOYSA-L NIR-2 dye Chemical compound [K+].[K+].C1=CC2=C(S([O-])(=O)=O)C=C(S([O-])(=O)=O)C=C2C(C2(C)C)=C1[N+](CC)=C2C=CC=CC=C1C(C)(C)C2=CC(C(O)=O)=CC=C2N1CCCCS([O-])(=O)=O AUQMGYLQQPSCNH-UHFFFAOYSA-L 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 230000004807 localization Effects 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 238000013277 forecasting method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 11
- 238000012795 verification Methods 0.000 description 8
- 230000001766 physiological effect Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 239000002689 soil Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 208000036855 Left sided atrial isomerism Diseases 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004069 plant analysis Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Marine Sciences & Fisheries (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种冬小麦气象产量预测方法及***,该方法包括:对基于预设时间序列的冬小麦MODIS遥感数据进行波段运算,获取冬小麦目标研究区域的MODIS遥感信息特征;根据预设时间序列划分时间段,采集所述冬小麦目标研究区域的环境数据和管理数据,并输入到WOFOST模型中,获取在不同时间段中冬小麦生长时期的WOFOST模拟量特征;将MODIS遥感数据和WOFOST模拟量特征输入到训练好的冬小麦气象产量预测模型中,获取冬小麦气象产量预测结果。本发明加入WOFOST作物模型拔节到抽穗期的模拟量,构建融合WOFOST和LSTM的产量预测模型,提高了产量预测效果。
Description
技术领域
本发明涉及农业遥感技术领域,尤其涉及一种冬小麦气象产量预测方法及***。
背景技术
近年来,小麦产量问题受到社会广泛关注,有效地把握小麦的生长过程信息并进行产量预测,对于小麦种植结构的调整、相关部门农业决策的制定具有重要意义。
遥感数据具有分辨率较高、成本较低、区域覆盖广等优点,被应用于产量预测研究中,许多研究将遥感数据重采样到月规模,采用不同类型遥感数据来预测农作物产量。此外,深度学习在人工智能中占据重要角色,通过设置复杂的网络使其具备较高的特征分析能力,其速度快、精度高,在处理多维特征上存在明显的优势。
随着遥感数据、深度学习的不断发展,国内外研究者将两者相结合对作物产量进行预测。许多研究将不同的农作物生育期、不同生育期组合以及直方图等方式的遥感数据纳入到深度学习产量预测模型中,然而深度学习的效果依赖于特征样本,特征样本容易受到不同时期农作物生长环境的影响,从而导致对农作物产量的预测效果不够准确。因此,现在亟需一种冬小麦气象产量预测方法及***来解决上述问题。
发明内容
针对现有技术存在的问题,本发明提供一种冬小麦气象产量预测方法及***。
本发明提供一种冬小麦气象产量预测方法,包括:
对基于预设时间序列的冬小麦MODIS遥感数据进行波段运算,获取冬小麦目标研究区域的MODIS遥感信息特征;
根据所述预设时间序列划分时间段,采集所述冬小麦目标研究区域的环境数据和管理数据,并输入到WOFOST模型中,获取在不同时间段中冬小麦生长时期的WOFOST模拟量特征;
将所述MODIS遥感信息特征和所述WOFOST模拟量特征输入到训练好的冬小麦气象产量预测模型中,获取所述冬小麦目标研究区域的产量预测结果,其中,所述训练好的冬小麦气象产量预测模型是由样本MODIS遥感信息特征、样本WOFOST模拟量特征和样本气象产量特征,对长短时记忆神经网络进行训练得到的。
根据本发明提供的一种冬小麦气象产量预测方法,所述训练好的冬小麦气象产量预测模型通过以下步骤训练得到:
对基于预设时间序列的MODIS遥感数据进行波段运算,得到归一化植被指数和归一化植被水分指数,并绘制频率直方图,获取所述频率直方图的频率值,构建样本MODIS遥感信息特征;
根据所述预设时间序列划分时间段,提取得到每个时间段对应的冬小麦拔节到抽穗期中各个穗分化期的WOFOST模拟量,构建样本WOFOST模拟量特征,所述样本WOFOST模拟量特征包括作物生长进程、叶面积指数、干物质量和生理作用特征;
根据气象产量数据,构建样本气象产量特征;
将所述样本MODIS遥感信息特征、样本WOFOST模拟量特征和样本气象产量特征输入冬小麦气象产量预测模型进行训练,得到训练好的冬小麦气象产量预测模型。
根据本发明提供的一种冬小麦气象产量预测方法,所述根据气象产量数据,构建样本气象产量特征,包括:
根据5a滑动平均法,对冬小麦实际单产样本数据进行去趋势处理,得到趋势产量;
根据所述实际单产样本数据与所述趋势产量之差,获取气象产量数据,构建样本气象产量特征。
根据本发明提供的一种冬小麦气象产量预测方法,在所述根据所述预设时间序列划分时间段,采集所述冬小麦目标研究区域的环境数据和管理数据,并输入到WOFOST模型中,获取在不同时间段中冬小麦生长时期的WOFOST模拟量特征之前,所述方法还包括:对WOFOST模型进行本地化标定。
根据本发明提供的一种冬小麦气象产量预测方法,所述长短时记忆神经网络包括1个输入层、5个隐藏层、1个全连接层和1个输出层,其中,所述输入层通过中心化对数据进行标准化处理,将数据转换为标准正态分布。
根据本发明提供的一种冬小麦气象产量预测方法,所述对基于预设时间序列的冬小麦MODIS遥感数据进行波段运算之前,所述方法还包括:
对基于预设时间序列的冬小麦MODIS遥感数据进行镶嵌、投影和裁剪处理。
根据本发明提供的一种冬小麦气象产量预测方法,所述对基于预设时间序列的MODIS遥感数据进行波段运算,得到归一化植被指数和归一化植被水分指数,包括:
根据MOD09A1中近红外波段1的像素值和红光波段的像素值,得到归一化植被指数,公式为:
NDVI=(NIR1-R)/(NIR1+R);
根据MOD09A1中近红外波段1的像素值和近红光波段2的像素值,得到归一化植被水分指数,公式为:
NDWI=(NIR1-NIR2)/(NIR1+NIR2);
其中,NDVI表示归一化植被指数,NDWI表示归一化植被水分指数;R表示红光波段的像素值,对应MOD09A1第1波段原始有效值;NIR1表示近红外波段1的像素值,对应MOD09A1第2波段原始有效值;NIR2表示近红外波段2的像素值,对应MOD09A1第5波段原始有效值。
本发明还提供一种冬小麦气象产量预测***,包括:
遥感信息特征获取模块,用于对基于预设时间序列的冬小麦MODIS遥感数据进行波段运算,获取冬小麦目标研究区域的MODIS遥感信息特征;
模拟量特征获取模块,用于根据所述预设时间序列划分时间段,采集所述冬小麦目标研究区域的环境数据和管理数据,并输入到WOFOST模型中,获取在不同时间段中冬小麦生长时期的WOFOST模拟量特征;
气象产量预测模块,用于将所述MODIS遥感信息特征和所述WOFOST模拟量特征输入到训练好的冬小麦气象产量预测模型中,获取所述冬小麦目标研究区域的产量预测结果,其中,所述训练好的冬小麦气象产量预测模型是由样本MODIS遥感信息特征、样本WOFOST模拟量特征和样本气象产量特征,对长短时记忆神经网络进行训练得到的。
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如上述任一种所述冬小麦气象产量预测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,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如上述任一种所述冬小麦气象产量预测方法的步骤。
本发明提供的冬小麦气象产量预测方法及***,通过对冬小麦MODIS遥感数据进行波段运算,得到冬小麦目标研究区域的MODIS遥感信息特征,利用WOFOST模型获取在不同时间段中冬小麦生长时期的WOFOST模拟量特征,然后将MODIS遥感数据和WOFOST模拟量特征输入到训练好的冬小麦气象产量预测模型中,得到冬小麦目标研究区域的气象产量预测结果,与传统冬小麦产量预测方法相比,通过借鉴数据同化的思想,在基于MODIS遥感信息的LSTM深度学习的基础上,加入WOFOST作物模型拔节到抽穗期的模拟量,构建融合WOFOST和LSTM的产量预测模型,提高了产量预测效果。
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为本发明提供的冬小麦气象产量预测方法的流程示意图;
图2为本发明提供的冬小麦气象产量预测模型中采用作物生长进程、总干物质重、生理作用模拟量组合作为特征变量的预测结果示意图;
图3为本发明提供的冬小麦气象产量预测模型在不同气温区间与未加入WOFOST模拟量的结果对比示意图;
图4为本发明提供的冬小麦气象产量预测模型中的LSTM结构示意图;
图5为本发明提供的冬小麦气象产量预测***的结构示意图;
图6为本发明提供的电子设备的结构示意图。
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。
图1为本发明提供的冬小麦气象产量预测方法的流程示意图,如图1所示,本发明提供了一种冬小麦气象产量预测方法,包括:
步骤101,对基于预设时间序列的冬小麦MODIS遥感数据进行波段运算,获取冬小麦目标研究区域的MODIS遥感信息特征;
步骤102,根据所述预设时间序列划分时间段,采集所述冬小麦目标研究区域的环境数据和管理数据,并输入到WOFOST模型中,获取在不同时间段中冬小麦生长时期的WOFOST模拟量特征;
步骤103,将所述MODIS遥感信息特征和所述WOFOST模拟量特征输入到训练好的冬小麦气象产量预测模型中,获取所述冬小麦目标研究区域的产量预测结果,其中,所述训练好的冬小麦气象产量预测模型是由样本MODIS遥感信息特征、样本WOFOST模拟量特征和样本气象产量特征,对长短时记忆神经网络进行训练得到的。
在本发明中,步骤101中,获取不同生长阶段的冬小麦中分辨率成像光谱仪(Moderate-resolution Imaging Spectroradiometer,简称MODIS)遥感数据,对冬小麦MODIS遥感数据按照时间序列的顺序进行波段运算,得到所需的归一化植被指数(Normalized Difference Vegetation Index,简称NDVI)和归一化植被水分指数(Normalized Difference Water Index,简称NDWI),并绘制频率直方图,得到冬小麦目标研究区域的MODIS遥感信息特征。可选地,按照时间序列的顺序是根据冬小麦从拔节到抽穗期的生长阶段,对以8天合成的MODIS遥感数据的时间排列出先后顺序。
进一步地,步骤102中,将预设时间序列划分多个时间段,每个时间段与冬小麦各穗分化期相对应,将作物、土壤、气象、管理数据作为世界粮食研究(World Food Studies,简称WOFOST)作物模型的输入数据,获取在不同时间段中冬小麦生长时期的WOFOST模拟量特征。
其中,作物数据包括选择的模拟的作物品种,土壤数据包括土壤的类型以及设定有关的土壤水文特性,气象数据包括气象数据格式、可利用站点、降雨、温度等数据;管理数据为作物模拟的开始时间、作物模拟的结束时间、作物周期的最大持续时间。
进一步地,步骤103中,将MODIS遥感信息特征的影像直方图频率值和WOFOST多类型模拟量特征进行结合,作为特征变量输入到冬小麦气象产量预测模型中,通过训练好的冬小麦气象产量预测模型进行预测,获取所述冬小麦目标研究区域的产量预测结果。其中,冬小麦气象产量预测模型为长短时记忆神经网络(Long Short-term Memory Networks,简称LSTM)模型。
本发明提供的冬小麦气象产量预测方法,通过对冬小麦MODIS遥感数据进行波段运算,得到冬小麦目标研究区域的MODIS遥感信息特征,利用WOFOST模型获取在不同时间段中冬小麦生长时期的WOFOST模拟量特征,然后将MODIS遥感信息特征和WOFOST模拟量特征输入到训练好的冬小麦气象产量预测模型中,得到冬小麦目标研究区域的气象产量预测结果,与传统冬小麦产量预测方法相比,通过借鉴数据同化的思想,在基于MODIS遥感信息的LSTM深度学习的基础上,加入WOFOST作物模型拔节到抽穗期的模拟量,构建融合WOFOST和LSTM的产量预测模型,提高了产量预测效果。
在上述实施例的基础上,所述训练好的冬小麦气象产量预测模型通过以下步骤训练得到:
步骤201,对基于预设时间序列的MODIS遥感数据进行波段运算,得到归一化植被指数和归一化植被水分指数,并绘制频率直方图,获取所述频率直方图的频率值,构建样本MODIS遥感信息特征;
步骤202,根据所述预设时间序列划分时间段,提取得到每个时间段对应的冬小麦拔节到抽穗期中各个穗分化期的WOFOST模拟量,构建样本WOFOST模拟量特征,所述样本WOFOST模拟量特征包括作物生长进程、叶面积指数、干物质量和生理作用特征;
步骤203,根据气象产量数据,构建样本气象产量特征;
步骤204,将所述样本MODIS遥感信息特征、样本WOFOST模拟量特征和样本气象产量特征输入冬小麦气象产量预测模型进行训练,得到训练好的冬小麦气象产量预测模型。
在本发明中,步骤201中,基于500m分辨率的MOD09A1产品获取2004-2017年拔节到抽穗期以8天合成MODIS遥感数据,该产品是从LAADS Web中获取的。对冬小麦拔节到抽穗期间以8天合成的MODIS遥感数据进行波段运算,得到归一化植被指数和归一化植被水分指数,具体方法如下:
根据MOD09A1中近红外波段1的像素值和红光波段的像素值,得到归一化植被指数,公式表示为:
NDVI=(NIR1-R)/(NIR1+R);
根据MOD09A1中近红外波段1的像素值和近红光波段2的像素值,得到归一化植被水分指数,公式为:
NDWI=(NIR1-NIR2)/(NIR1+NIR2);
其中,NDVI表示归一化植被指数,NDWI表示归一化植被水分指数;MOD09A1表示提供波段1-7的500m分辨率8天合成的数据产品,用于估计研究区域的地表面波谱反射;R表示红光波段的像素值,对应MOD09A1第1波段原始有效值;NIR1表示近红外波段1的像素值,对应MOD09A1第2波段原始有效值;NIR2表示近红外波段2的像素值,对应MOD09A1第5波段原始有效值。
进一步地,为解决不同县域冬小麦种植面积的形状和范围不一致等问题,采用频率直方图的方式对各县域遥感影像的像素值进行统计。统计可知,NDVI介于0到1内,NDWI介于-0.25到0.25内,本发明将拔节到抽穗期7个时间段的NDVI按照0.2的间隔划分为5个区间,将NDWI按照0.1为间隔划分为5个区间,选用每个影像直方图生成的各区间频率值作为特征值,共计70个特征变量,完成MODIS遥感信息样本特征的构建。
在本发明中,步骤202中,为了与以8天合成的MODIS遥感数据相匹配,将拔节到抽穗期S1步骤获得的以8天为单位划分为7个时间段,各时间段与各穗分化期相对应,提取拔节到抽穗期各穗分化期的WOFOST模拟量,主要分为四个方面:作物生长进程、叶面积指数、干物质重、生理作用,完成WOFOST模拟信息样本特征的构建。
其中,选取3月14日至5月8日河南省冬小麦易发生晚霜冻的平均拔节到抽穗期阶段,将拔节到抽穗期以8天为单位划分为7个时间段,各时间段与各穗分化期相对应,如表1所示:
表1
时间段 | 日期 | 穗分化期 |
1 | 3/14-3/21 | 小花分化前期 |
2 | 3/22-3/29 | 小花分化后期 |
3 | 3/30-4/6 | 雌雄蕊分化期 |
4 | 4/7-4/14 | 药隔前期 |
5 | 4/15-4/22 | 药隔后期 |
6 | 4/23-4/30 | 四分体时期 |
7 | 5/1-5/8 | 抽穗开花期 |
在本发明中,步骤203中,农作物的产量是在各种自然和非自然因素综合影响下形成的,一般将作物的实际产量分解为趋势产量、气象产量和随机产量。由于年际间气象条件的差异造成作物产量的波动,相应的产量分量称为气象产量。选取2004-2017多个年份的气象产量数据,构建样本气象产量特征。
在本发明中,步骤204中,将步骤201获得的影像直方图的频率值分别与步骤202获得的7个穗分化期的作物生长进程、叶面积指数、各干物质重、生理作用相关变量作为特征变量,以步骤203获得的气象产量作为目标变量,构建LSTM气象产量预测模型,并与仅使用遥感信息的结果进行对比。
其中,模型以2004-2014年作为训练数据,2015-2017年作为验证数据。采用R2、RMSE和MAE 3个指标作为河南冬小麦气象产量预测精度的评估指标:1)R2被用来作为评价模型预测值和实测值相关性的标准,R2越接近1,表示模型中自变量对因变量的诠释性越好;2)RMSE用于评估样本的聚集度,RMSE越接近0,表示样本聚集度越高;3)MAE用来作为评价预测值与实测值误差的标准,MAE越接近0,表示估算结果精确度越高。具体公式如下:
WOFOST模拟量划分及精度对比见附表2:
表2
根据表2可见,使用DVS、总干物质重、生理作用模拟量组合构建的模型精度最高。仅使用遥感信息的模型R2达到0.707,RMSE达到765.452kg/ha,MAE达到588.977kg/ha;使用DVS构建的模型R2达到0.758,RMSE达到702.565kg/ha,MAE达到537.788kg/ha;使用总干物质重构建的模型R2达到0.754,RMSE达到743.953kg/ha,MAE达到553.239kg/ha;使用生理作用模拟量组合构建的模型R2达到0.762,RMSE达到706.099kg/ha,MAE达到529.092kg/ha。
进一步地,选择精度较高的作物生长进程、总干物质重、生理作用模拟量组合组成的多类型模拟量组合作为特征变量,结合影像直方图的频率值,以气象产量作为目标变量,构建LSTM气象产量预测模型,并与仅使用遥感信息进行对比。模型以2004-2014年作为训练数据,2015-2017年作为验证数据。采用R2、RMSE和MAE进行精度评定。
图2为本发明提供的冬小麦气象产量预测模型中采用作物生长进程、总干物质重、生理作用模拟量组合构成的多类型模拟量组合作为特征变量的预测结果示意图。如图2中的(a)所示,多类型模拟量组合的模型R2达到0.773,RMSE达到709.278kg/ha,MAE达到531.324kg/ha,相比于图2中(b)仅使用RS作为特征变量,采用作物生长进程、总干物质重、生理作用模拟量组合构成的多类型模拟量组合作为特征变量的R2均有所提高,RMSE和MAE均降低,从而冬小麦气象产量预测模型的预测精准度也有所提高。
进一步地,基于上述精度较高的多类型模拟量组合构建的模型,在不同最低气温区间下对冬小麦产量预测的能力进行分析,并与仅使用遥感数据的结果进行对比,采用R2、RMSE和MAE进行精度评定。具体方法如下:
提取融合多类型模拟量组合和影像直方图的频率值构建的LSTM产量模型在2015-2017年中共计300个验证样本。以河南省平均拔节到抽穗期的最低气温作为指标,根据《中华人民共和国气象行业标准:作物霜冻害等级(QX/T 88-2008)》中的冬小麦霜冻害等级指标以及考虑验证样本分布的均衡性,将最低气温划分为3个区间:小于-1℃、(-1℃,0℃]和(0℃,2℃]。其中,小于-1℃区间内共计120个验证样本,(-1℃,0℃]区间内共计94个验证样本,(0℃,2℃]区间内共计86个验证样本,根据不同区间的验证样本评估冬小麦气象产量预测模型在晚霜冻影响下进行产量预测的精度,并与未加入WOFOST模拟量的结果进行对比。
图3为本发明提供的冬小麦气象产量预测模型在不同气温区间与未加入WOFOST模拟量的结果对比示意图。如图3所示,加入WOFOST模拟量的模型在小于-1℃区间下的R2达到0.839,RMSE达到626.013kg/ha,MAE达到450.124kg/ha;在(-1℃,0℃]下的模型R2达到0.717,RMSE达到767.957kg/ha,MAE达到554.500kg/ha;在(0℃,2℃]下的模型R2达到0.722,RMSE达到750.645kg/ha,MAE达到619.295kg/ha;模型在小于-1℃区间下R2显著提升,RMSE和MAE显著下降,说明模型在小于-1℃区间下的产量预测精度更高、敏感性更强,本发明的冬小麦气象产量预测模型可以有效地监测晚霜冻影响下的冬小麦产量。
在上述实施例的基础上,所述根据气象产量数据,构建样本气象产量特征,包括:
根据5a滑动平均法,对冬小麦实际单产样本数据进行去趋势处理,得到趋势产量;
根据所述实际单产样本数据与所述趋势产量之差,获取气象产量数据,构建样本气象产量特征。
具体地,作物的实际单产包括气象产量、趋势产量和随机产量。气象产量指由于天气气候的变化而影响的产量,具有脉动的特点;趋势产量表示由于社会发展、科技创新导致的产量;随机产量是指因地震、社会变革的随机因子影响的产量改变。本发明采用5a滑动平均法对实际单产样本数据进行去趋势处理,得到趋势产量,根据产量计算公式得到气象产量。具体公式如下:
y=yt+yc+e;
其中,y为实际单产,yt为趋势产量,yc为气象产量,e为随机产量。
由于随机产量基本无规律可循,在本发明中忽略随机产量,故不将随机产量计入方程中。由此,计算实际单产样本数据与趋势产量之差,即可获取气象产量数据。
在上述实施例的基础上,在所述根据所述预设时间序列划分时间段,采集所述冬小麦目标研究区域的环境数据和管理数据,并输入到WOFOST模型中,获取在不同时间段中冬小麦生长时期的WOFOST模拟量特征之前,所述方法还包括:对WOFOST模型进行本地化标定。
在本发明中,收集冬小麦研究区内的2004-2017年的作物、土壤、气象、管理数据作为WOFOST模型的输入数据,2004-2017年气象数据从NASA网站中获取,包括最低气温、总辐射、最高气温、风速、水汽压、降水量。为达到更好地模拟效果,对模型进行本地化标定,完成对WOFOST模型的模拟。
其中,WOFOST模型中的TSUMEM、TSUM1、TSUM2参数根据各站点多年发育期资料和气温资料计算并经过模型校准进行调整得到;LAIEM和SPAN影响LAI的初始增长和增长进程,进而影响光截获率,通过查阅文献并经过模型校准进行确定,TSUMEM、TSUM1、TSUM2、LAIEM和SPAN最终本地化参数值分别为120.5(℃﹒d-1)、1480.3(℃﹒d-1)、704.2(℃﹒d-1)、0.131和35.0(d)。
通过对WOFOST模型进行本地化标定,使得模型更适应当地的气候环境情形,从而更好地实现动态模拟作物生长发育过程的效果。
在上述实施例的基础上,所述长短时记忆神经网络包括1个输入层、5个隐藏层、1个全连接层和1个输出层,其中,所述输入层通过中心化对数据进行标准化处理,将数据转换为标准正态分布。
图4为本发明提供的冬小麦气象产量预测模型中的LSTM结构示意图。如图4所示,在本发明中,选择LSTM来建立冬小麦气象产量预测模型。其结构包括:1个输入层、5个隐藏层、1个全连接层和1个输出层。输入层主要由遥感信息和WOFOST模拟信息两部分构成,由于输入数据较多且复杂,需要进行标准化处理,通过中心化的方式将数据转换为标准正态分布来避免异常值对模型造成影响。具体公式如下:
其中,μ表示训练样本的均值,s表示标准差。
输入层后面接隐藏层,可以学习冬小麦拔节到抽穗期的时序信息,在隐含层中加入将网络单元按比率移除的Dropout来避免过拟合;最后,通过全连接层将学到的信息特征相结合输出到1维空间,得到输出层的预测结果;为了提高模型的收敛速度,使用随机梯度下降法(Stochastic Gradient Descent,简称SGD)对模型进行优化。根据多次试验并调优,模型最终超参数设置如下:一次训练所选取的样本数为50,移除神经网络单元的比率为0.2,学习率为0.01,向前和向后传播中所有批次的单次训练迭代数为700。
通过LSTM模型,对输入的遥感信息特征和WOFOST模拟量特征进行处理分析,加快了对多维特征处理的速度,根据随机梯度下降法对模型进行优化,能提高冬小麦气象产量预测模型的收敛速度,从而有效提升冬小麦气象产量预测模型的预测精准度。
在上述实施例的基础上,所述对基于预设时间序列的冬小麦MODIS遥感数据进行波段运算之前,所述方法还包括:
对基于预设时间序列的冬小麦MODIS遥感数据进行镶嵌、投影和裁剪处理。
在本发明中,对冬小麦MODIS遥感数据进行镶嵌处理,将多于两景的影像进行无缝拼接,形成完整的目标区域,改变遥感数据影像的透明度和羽化半径,使得影像镶嵌的地方更好的融合;
对冬小麦MODIS遥感数据进行投影处理,根据遥感数据需求进行自定义投影设置,或根据应用要求将其转为需要的投影信息;
对冬小麦MODIS遥感数据进行裁剪处理,保留冬小麦目标研究区域的影像,保证裁剪部分信息丰富。
通过对冬小麦MODIS遥感数据进行上述预处理,纠正遥感成像过程中因姿态的变化、高度、速度、大气干扰等因素造成的遥感影像的几何畸变与信息误差。
图5为本发明提供的冬小麦气象产量预测***的结构示意图,如图5所示,本发明提供了一种冬小麦气象产量预测***,包括遥感信息特征获取模块501、模拟量特征获取模块502和气象产量预测模块503,其中,遥感信息特征获取模块501用于对基于预设时间序列的冬小麦MODIS遥感数据进行波段运算,获取冬小麦目标研究区域的MODIS遥感信息特征;模拟量特征获取模块502用于根据所述预设时间序列划分时间段,采集所述冬小麦目标研究区域的环境数据和管理数据,并输入到WOFOST模型中,获取在不同时间段中冬小麦生长时期的WOFOST模拟量特征;气象产量预测模块503用于将所述MODIS遥感信息特征和所述WOFOST模拟量特征输入到训练好的冬小麦气象产量预测模型中,获取所述冬小麦目标研究区域的气象产量预测结果,其中,所述训练好的冬小麦气象产量预测模型是由样本MODIS遥感信息特征、样本WOFOST模拟量特征和样本气象产量特征,对长短时记忆神经网络进行训练得到的。
本发明提供的冬小麦气象产量预测***,通过对冬小麦MODIS遥感数据进行波段运算,得到冬小麦目标研究区域的MODIS遥感信息特征,利用WOFOST模型获取在不同时间段中冬小麦生长时期的WOFOST模拟量特征,然后将MODIS遥感数据和WOFOST模拟量特征输入到训练好的冬小麦气象产量预测模型中,得到冬小麦目标研究区域的气象产量预测结果,与传统冬小麦产量预测方法相比,通过借鉴数据同化的思想,在基于MODIS遥感信息的LSTM深度学习的基础上,加入WOFOST作物模型拔节到抽穗期的模拟量,构建融合WOFOST和LSTM的产量预测模型,提高了产量预测效果。
在本发明中,遥感信息特征获取模块501可以根据历史保留数据进行处理得到遥感信息特征变量,也可以实时在线获取研究区域的遥感信息特征变量。
进一步地,模拟量特征获取模块502可以输出单个模拟量到气象产量预测模块503,也可以是精度较高的多类型模拟量的组合到气象产量预测模块503。
进一步地,本发明中的气象产量预测***还可以应用于水稻、玉米和大豆等农作物。
本发明提供的***是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
图6为本发明提供的电子设备的结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行冬小麦气象产量预测方法,该方法包括:对基于预设时间序列的冬小麦MODIS遥感数据进行波段运算,获取冬小麦目标研究区域的MODIS遥感信息特征;根据所述预设时间序列划分时间段,采集所述冬小麦目标研究区域的环境数据和管理数据,并输入到WOFOST模型中,获取在不同时间段中冬小麦生长时期的WOFOST模拟量特征;将所述MODIS遥感信息特征和所述WOFOST模拟量特征输入到训练好的冬小麦气象产量预测模型中,获取所述冬小麦目标研究区域的产量预测结果,其中,所述训练好的冬小麦气象产量预测模型是由样本MODIS遥感信息特征、样本WOFOST模拟量特征和样本气象产量特征,对长短时记忆神经网络进行训练得到的。
此外,上述的存储器630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。
另一方面,本发明还提供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计算机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所提供的冬小麦气象产量预测方法,该方法包括:对基于预设时间序列的冬小麦MODIS遥感数据进行波段运算,获取冬小麦目标研究区域的MODIS遥感信息特征;根据所述预设时间序列划分时间段,采集所述冬小麦目标研究区域的环境数据和管理数据,并输入到WOFOST模型中,获取在不同时间段中冬小麦生长时期的WOFOST模拟量特征;将所述MODIS遥感信息特征和所述WOFOST模拟量特征输入到训练好的冬小麦气象产量预测模型中,获取所述冬小麦目标研究区域的产量预测结果,其中,所述训练好的冬小麦气象产量预测模型是由样本MODIS遥感信息特征、样本WOFOST模拟量特征和样本气象产量特征,对长短时记忆神经网络进行训练得到的。
又一方面,本发明还提供一种非暂态计算机可读存储介质,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提供的冬小麦气象产量预测方法,该方法包括:对基于预设时间序列的冬小麦MODIS遥感数据进行波段运算,获取冬小麦目标研究区域的MODIS遥感信息特征;根据所述预设时间序列划分时间段,采集所述冬小麦目标研究区域的环境数据和管理数据,并输入到WOFOST模型中,获取在不同时间段中冬小麦生长时期的WOFOST模拟量特征;将所述MODIS遥感信息特征和所述WOFOST模拟量特征输入到训练好的冬小麦气象产量预测模型中,获取所述冬小麦目标研究区域的产量预测结果,其中,所述训练好的冬小麦气象产量预测模型是由样本MODIS遥感信息特征、样本WOFOST模拟量特征和样本气象产量特征,对长短时记忆神经网络进行训练得到的。
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 (10)
1.一种冬小麦气象产量预测方法,其特征在于,包括:
对基于预设时间序列的冬小麦MODIS遥感数据进行波段运算,获取冬小麦目标研究区域的MODIS遥感信息特征;
根据所述预设时间序列划分时间段,采集所述冬小麦目标研究区域的环境数据和管理数据,并输入到WOFOST模型中,获取在不同时间段中冬小麦生长时期的WOFOST模拟量特征;
将所述MODIS遥感信息特征和所述WOFOST模拟量特征输入到训练好的冬小麦气象产量预测模型中,获取所述冬小麦目标研究区域的气象产量预测结果,其中,所述训练好的冬小麦气象产量预测模型是由样本MODIS遥感信息特征、样本WOFOST模拟量特征和样本气象产量特征,对长短时记忆神经网络进行训练得到的。
2.根据权利要求1所述的冬小麦气象产量预测方法,其特征在于,所述训练好的冬小麦气象产量预测模型是通过以下步骤训练得到:
对基于预设时间序列的MODIS遥感数据进行波段运算,得到归一化植被指数和归一化植被水分指数,并绘制频率直方图,获取所述频率直方图的频率值,构建样本MODIS遥感信息特征;
根据所述预设时间序列划分时间段,提取得到每个时间段对应的冬小麦拔节到抽穗期中各个穗分化期的WOFOST模拟量,构建样本WOFOST模拟量特征,所述样本WOFOST模拟量特征包括作物生长进程、叶面积指数、干物质量和生理作用特征;
根据气象产量数据,构建样本气象产量特征;
将所述样本MODIS遥感信息特征、样本WOFOST模拟量特征和样本气象产量特征输入长短时记忆神经网络进行训练,得到训练好的冬小麦气象产量预测模型。
3.根据权利要求2所述的冬小麦气象产量预测方法,其特征在于,所述根据气象产量数据,构建样本气象产量特征,包括:
根据5a滑动平均法,对冬小麦实际单产样本数据进行去趋势处理,得到趋势产量;
根据所述实际单产样本数据与所述趋势产量之差,获取气象产量数据,构建样本气象产量特征。
4.根据权利要求1所述的冬小麦气象产量预测方法,其特征在于,在所述根据所述预设时间序列划分时间段,采集所述冬小麦目标研究区域的环境数据和管理数据,并输入到WOFOST模型中,获取在不同时间段中冬小麦生长时期的WOFOST模拟量特征之前,所述方法还包括:对WOFOST模型进行本地化标定。
5.根据权利要求1所述的冬小麦气象产量预测方法,其特征在于,所述长短时记忆神经网络包括1个输入层、5个隐藏层、1个全连接层和1个输出层,其中,所述输入层通过中心化对数据进行标准化处理,将数据转换为标准正态分布。
6.根据权利要求1所述的冬小麦气象产量预测方法,其特征在于,所述对基于预设时间序列的冬小麦MODIS遥感数据进行波段运算之前,所述方法还包括:
对基于预设时间序列的冬小麦MODIS遥感数据进行镶嵌、投影和裁剪处理。
7.根据权利要求1所述的冬小麦气象产量预测方法,其特征在于,所述对基于预设时间序列的MODIS遥感数据进行波段运算,得到归一化植被指数和归一化植被水分指数,包括:
根据MOD09A1中近红外波段1的像素值和红光波段的像素值,得到归一化植被指数,公式为:
NDVI=(NIR1-R)/(NIR1+R);
根据MOD09A1中近红外波段1的像素值和近红光波段2的像素值,得到归一化植被水分指数,公式为:
NDWI=(NIR1-NIR2)/(NIR1+NIR2);
其中,NDVI表示归一化植被指数,NDWI表示归一化植被水分指数;R表示红光波段的像素值,对应MOD09A1第1波段原始有效值;NIR1表示近红外波段1的像素值,对应MOD09A1第2波段原始有效值;NIR2表示近红外波段2的像素值,对应MOD09A1第5波段原始有效值。
8.一种冬小麦气象产量预测***,其特征在于,包括:
遥感信息特征获取模块,用于对基于预设时间序列的冬小麦MODIS遥感数据进行波段运算,获取冬小麦目标研究区域的MODIS遥感信息特征;
模拟量特征获取模块,用于根据所述预设时间序列划分时间段,采集所述冬小麦目标研究区域的环境数据和管理数据,并输入到WOFOST模型中,获取在不同时间段中冬小麦生长时期的WOFOST模拟量特征;
气象产量预测模块,用于将所述MODIS遥感信息特征和所述WOFOST模拟量特征输入到训练好的冬小麦气象产量预测模型中,获取所述冬小麦目标研究区域的气象产量预测结果,其中,所述训练好的冬小麦气象产量预测模型是由样本MODIS遥感信息特征、样本WOFOST模拟量特征和样本气象产量特征,对长短时记忆神经网络进行训练得到的。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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7任一项所述冬小麦气象产量预测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述冬小麦气象产量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110237189.6A CN115018105A (zh) | 2021-03-03 | 2021-03-03 | 一种冬小麦气象产量预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110237189.6A CN115018105A (zh) | 2021-03-03 | 2021-03-03 | 一种冬小麦气象产量预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115018105A true CN115018105A (zh) | 2022-09-06 |
Family
ID=83064482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110237189.6A Pending CN115018105A (zh) | 2021-03-03 | 2021-03-03 | 一种冬小麦气象产量预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115018105A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578637A (zh) * | 2022-10-17 | 2023-01-06 | 中国科学院空天信息创新研究院 | 一种基于长短期记忆网络的冬小麦估产分析方法和*** |
CN115830442A (zh) * | 2022-11-11 | 2023-03-21 | 中国科学院空天信息创新研究院 | 一种基于机器学习的小麦茎蘖密度遥感估算方法和*** |
CN116151445A (zh) * | 2023-01-31 | 2023-05-23 | 南京信息工程大学 | 一种基于lstm神经网络模型的始花期预测方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2697608A1 (en) * | 2010-03-23 | 2011-09-23 | Dennis Bulani | Method of predicting crop yield |
CN102651096A (zh) * | 2012-04-28 | 2012-08-29 | 中国农业大学 | 同化叶面积指数时序曲线特征的冬小麦估产方法 |
CN104134095A (zh) * | 2014-04-17 | 2014-11-05 | 中国农业大学 | 一种基于尺度转换和数据同化的农作物产量估测方法 |
CN109754125A (zh) * | 2019-01-18 | 2019-05-14 | 中国农业大学 | 基于作物模型、历史和气象预报数据的作物产量预报方法 |
US20200342226A1 (en) * | 2019-04-23 | 2020-10-29 | Farmers Edge Inc. | Yield forecasting using crop specific features and growth stages |
-
2021
- 2021-03-03 CN CN202110237189.6A patent/CN115018105A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2697608A1 (en) * | 2010-03-23 | 2011-09-23 | Dennis Bulani | Method of predicting crop yield |
CN102651096A (zh) * | 2012-04-28 | 2012-08-29 | 中国农业大学 | 同化叶面积指数时序曲线特征的冬小麦估产方法 |
CN104134095A (zh) * | 2014-04-17 | 2014-11-05 | 中国农业大学 | 一种基于尺度转换和数据同化的农作物产量估测方法 |
CN109754125A (zh) * | 2019-01-18 | 2019-05-14 | 中国农业大学 | 基于作物模型、历史和气象预报数据的作物产量预报方法 |
US20200342226A1 (en) * | 2019-04-23 | 2020-10-29 | Farmers Edge Inc. | Yield forecasting using crop specific features and growth stages |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578637A (zh) * | 2022-10-17 | 2023-01-06 | 中国科学院空天信息创新研究院 | 一种基于长短期记忆网络的冬小麦估产分析方法和*** |
CN115830442A (zh) * | 2022-11-11 | 2023-03-21 | 中国科学院空天信息创新研究院 | 一种基于机器学习的小麦茎蘖密度遥感估算方法和*** |
CN115830442B (zh) * | 2022-11-11 | 2023-08-04 | 中国科学院空天信息创新研究院 | 一种基于机器学习的小麦茎蘖密度遥感估算方法和*** |
CN116151445A (zh) * | 2023-01-31 | 2023-05-23 | 南京信息工程大学 | 一种基于lstm神经网络模型的始花期预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287944B (zh) | 基于深度学习的多光谱遥感影像的农作物虫害监测方法 | |
CN115018105A (zh) | 一种冬小麦气象产量预测方法及*** | |
CN112348812B (zh) | 林分年龄信息测量方法及装置 | |
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 | |
CN113192026A (zh) | 一种基于可见光图像的核桃成熟度检测与预测方法 | |
CN113553697B (zh) | 基于长时序多源数据的煤炭开采植被扰动分析方法 | |
CN108805079B (zh) | 冬小麦的识别方法及装置 | |
CN114529097B (zh) | 多尺度农作物物候期遥感降维预测方法 | |
CN110321774B (zh) | 农作物灾情评估方法、装置、设备及计算机可读存储介质 | |
CN115222100A (zh) | 基于三维循环卷积神经网络和多时相遥感影像的农作物产量预测方法 | |
CN116227758B (zh) | 基于遥感技术和深度学习的农产品成熟度预测方法及*** | |
CN113063739A (zh) | 一种基于机载高光谱传感器的水稻冠层氮含量监测方法 | |
CN111783538A (zh) | 小麦生物量的遥感估算方法、装置、电子设备及存储介质 | |
Bao et al. | Forecasting spring maize yield using vegetation indices and crop phenology metrics from UAV observations | |
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 | |
Liang et al. | CanopyCAM–an edge-computing sensing unit for continuous measurement of canopy cover percentage of dry edible beans | |
Wu et al. | Evaluating the accuracy of ARMA and multi‐index methods for predicting winter wheat maturity date | |
CN117074340A (zh) | 一种基于无人机高光谱遥感图像的小麦氮含量测算方法 | |
CN116151454A (zh) | 一种多光谱无人机预测矮林芳樟精油产量的方法及*** | |
CN114359725B (zh) | 基于作物模型与同化技术的作物长势遥感监测***及方法 | |
CN115661674A (zh) | 一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法 | |
CN112861712B (zh) | 基于人工智能与多时相遥感的农业病虫害监测方法 | |
CN115496999A (zh) | 田间立地秸秆产量估计方法及装置 | |
Shakir | Optimal Deep Learning Driven Smart Sugarcane Crop Monitoring on Remote Sensing Images | |
CN112380497A (zh) | 用于区域玉米的秸秆系数估算方法及*** |
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 |