CN116579521B - 产量预测时间窗口确定方法、装置、设备及可读存储介质 - Google Patents
产量预测时间窗口确定方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN116579521B CN116579521B CN202310538702.4A CN202310538702A CN116579521B CN 116579521 B CN116579521 B CN 116579521B CN 202310538702 A CN202310538702 A CN 202310538702A CN 116579521 B CN116579521 B CN 116579521B
- Authority
- CN
- China
- Prior art keywords
- predicted
- data
- planting area
- climatic
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 230000007613 environmental effect Effects 0.000 claims abstract description 88
- 238000012216 screening Methods 0.000 claims abstract description 7
- 230000001419 dependent effect Effects 0.000 claims abstract description 6
- 238000003908 quality control method Methods 0.000 claims description 24
- 238000011835 investigation Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 12
- 239000002689 soil Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000001556 precipitation Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 230000000873 masking effect Effects 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 6
- 240000008042 Zea mays Species 0.000 description 5
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 5
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 5
- 235000005822 corn Nutrition 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000005070 ripening Effects 0.000 description 2
- 238000009331 sowing Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003851 biochemical process Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012950 reanalysis Methods 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Animal Husbandry (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Agronomy & Crop Science (AREA)
- Educational Administration (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请属于农作物产量预测的技术领域,公开了一种产量预测时间窗口确定方法、装置、设备及可读存储介质,该方法包括:获取待预测作物在目标种植区域的第一环境数据;对待预测作物进行物候阶段划分,并基于第一环境数据与划分的物候阶段确定目标种植区域中待预测作物在不同物候阶段对应的第二环境数据;将第二环境数据作为自变量,目标种植区域中待预测作物的单位面积产量值作为因变量,构建得到目标种植区域中待预测作物在不同物候阶段的产量预测模型;对比各产量预测模型的精度,并筛选得到精度超过预设精度的目标产量预测模型;将目标产量预测模型中对应的最早物候阶段确定为最佳时间窗口。本申请可以确定作物产量预测精度高的最佳时间窗口。
Description
技术领域
本申请涉及农作物产量预测的技术领域,尤其涉及一种产量预测时间窗口确定方法、装置、设备及可读存储介质。
背景技术
粮食是人类生存发展的基础,未来的粮食发展必然会向着区域化、集约化、科学化、机械化、高效化及智能化等方向发展,其中,及时准确地掌握作物的种植和产量信息,对农作物生产资源管理有重要意义。作物产量的形成与积累是一个复杂的过程,涉及到多个生理生化过程,受诸多因素的影响,如气象条件、土壤条件、田间管理等。近年来,作物生长模型和机器学习这两种方法都被广泛地应用于作物产量预估。
然而现有大部分使用机器学习进行产量预测的方法,忽略了作物物候的影响,只有小部分方法简单地将物候作为输入变量纳入模型进行产量建模。物候是一个时间尺度信息,简单将其作为一个变量纳入模型进行产量建模,并不能很好表征物候对产量的影响。此外,由于没有考虑物候因素,现有方法缺乏将整个生长周期划分的依据,大部分研究只能默认使用整个生长季进行建模,小部分研究只能简单地按月份进行简单的划分。使用整个生长季的数据进行建模,在需要获取大量的冗余数据的同时,也无法达到***的目的。而即使是按照月份划分生长季,由于不同年份不同区域不同作物会受环境或者人为因素的影响,播种时间以及作物进入不同生长阶段的时间也并不相同,导致了按月划分很难具有实际意义,且在一定程度上限制了建模精度。
发明内容
本申请提供了一种产量预测时间窗口确定方法、装置、设备及可读存储介质,可以确定作物产量预测精度高的最佳时间窗口。
第一方面,本申请实施例提供了一种产量预测时间窗口确定方法,该方法包括:
获取待预测作物在目标种植区域的第一环境数据;
对待预测作物进行物候阶段划分,并基于第一环境数据与划分的物候阶段确定目标种植区域中待预测作物在不同物候阶段对应的第二环境数据;
将第二环境数据作为自变量,目标种植区域中待预测作物的单位面积产量值作为因变量,构建得到目标种植区域中待预测作物在不同物候阶段的产量预测模型;
对比待预测作物在不同物候阶段的产量预测模型的精度,并筛选得到精度超过预设精度的目标产量预测模型;
将目标产量预测模型中对应的最早物候阶段确定为最佳时间窗口。
进一步的,所述获取待预测作物在目标种植区域的第一环境数据的步骤包括:
获取全球尺度遥感云计算平台的环境数据,所述环境数据包括植被指数、空气温度、土壤属性、降水数据和蒸散发数据;
基于待预测作物的目标种植区域对从全球尺度遥感云计算平台获取的环境数据进行掩膜,得到待预测作物在目标种植区域的第一环境数据。
进一步的,所述对待预测作物进行物候阶段划分,并基于第一环境数据与划分的物候阶段确定目标种植区域中待预测作物在不同物候阶段对应的第二环境数据的步骤包括:
基于地面物候调查数据,将目标种植区域中待预测作物的整个生长季划分为不同物候阶段,其中,地面物候调查数据包括基于农业气象站点的数据与行政区划的报告;
基于目标种植区域中待预测作物的物候阶段划分对第一环境数据进行统计计算,得到目标种植区域中待预测作物在不同物候阶段对应的第二环境数据。
更进一步的,当地面物候调查数据为基于农业气象站点的数据时,所述基于地面物候调查数据,将目标种植区域中待预测作物的整个生长季划分为不同物候阶段的步骤包括:
剔除非预设质量控制码的站点数据,其中,预设质量控制码对应的站点数据正确,非预设质量控制码对应的站点数据可疑、错误、缺测、非观测任务或未进行质量控制;
将预设个时间点的站点数据进行反距离加权空间插值,生成预设个时间点的栅格数据;
将预设个时间点的栅格数据聚合至目标种植区域对应的行政区划尺度,得到目标种植区域中待预测作物的对应物候阶段。
更进一步的,当地面物候调查数据为行政区划的报告时,所述基于地面物候调查数据,将目标种植区域中待预测作物的整个生长季划分为不同物候阶段的步骤包括:
基于每周行政区划的报告中的待预测作物数据确定每周进入同一物候阶段的待预测作物在目标种植区域的面积占比;
将面积占比超过一半的物候阶段作为目标种植区域中待预测作物的对应物候阶段,并将面积占比超过一半的起始周作为对应物候阶段的起始时间点,直到确定待预测作物在整个生长季中的预设个起始时间点;
基于预设个起始时间点对目标种植区域中待预测作物的整个生长季进行物候阶段划分。
进一步的,所述产量预测模型基于机器学习算法构建,所述机器学习算法包括XGBoost与随机森林回归模型。
进一步的,在所述将目标产量预测模型中对应的最早物候阶段确定为最佳时间窗口的步骤之后包括:
对所述最佳时间窗口的环境数据进行建模,得到最佳时间窗口预测模型;
基于最佳时间窗口预测模型预测得到目标种植区域中待预测作物的单位面积产量值。
第二方面,本申请实施例还提供一种产量预测时间窗口确定装置,该装置包括:
获取模块,用于获取待预测作物在目标种植区域的第一环境数据;
第一确定模块,用于对待预测作物进行物候阶段划分,并基于第一环境数据与划分的物候阶段确定目标种植区域中待预测作物在不同物候阶段对应的第二环境数据;
构建模块,用于将第二环境数据作为自变量,目标种植区域中待预测作物的单位面积产量值作为因变量,构建得到目标种植区域中待预测作物在不同物候阶段的产量预测模型;
对比模块,用于对比待预测作物在不同物候阶段的产量预测模型的精度,并筛选得到精度超过预设精度的目标产量预测模型;
第二确定模块,用于将目标产量预测模型中对应的最早物候阶段确定为最佳时间窗口。
进一步的,所述获取模块,用于:
获取全球尺度遥感云计算平台的环境数据,所述环境数据包括植被指数、空气温度、土壤属性、降水数据和蒸散发数据;
基于待预测作物的目标种植区域对从全球尺度遥感云计算平台获取的环境数据进行掩膜,得到待预测作物在目标种植区域的第一环境数据。
进一步的,所述第一确定模块,用于:
基于地面物候调查数据,将目标种植区域中待预测作物的整个生长季划分为不同物候阶段,其中,地面物候调查数据包括基于农业气象站点的数据与行政区划的报告;
基于目标种植区域中待预测作物的物候阶段划分对第一环境数据进行统计计算,得到目标种植区域中待预测作物在不同物候阶段对应的第二环境数据。
更进一步的,当地面物候调查数据为基于农业气象站点的数据时,所述第一确定模块,还具体用于:
剔除非预设质量控制码的站点数据,其中,预设质量控制码对应的站点数据正确,非预设质量控制码对应的站点数据可疑、错误、缺测、非观测任务或未进行质量控制;
将预设个时间点的站点数据进行反距离加权空间插值,生成预设个时间点的栅格数据;
将预设个时间点的栅格数据聚合至目标种植区域对应的行政区划尺度,得到目标种植区域中待预测作物的对应物候阶段。
更进一步的,当地面物候调查数据为行政区划的报告时,所述第一确定模块,还具体用于:
基于每周行政区划的报告中的待预测作物数据确定每周进入同一物候阶段的待预测作物在目标种植区域的面积占比;
将面积占比超过一半的物候阶段作为目标种植区域中待预测作物的对应物候阶段,并将面积占比超过一半的起始周作为对应物候阶段的起始时间点,直到确定待预测作物在整个生长季中的预设个起始时间点;
基于预设个起始时间点对目标种植区域中待预测作物的整个生长季进行物候阶段划分。
进一步的,所述产量预测模型基于机器学习算法构建,所述机器学习算法包括XGBoost与随机森林回归模型。
进一步的,所述装置还包括预测模块,用于:
对所述最佳时间窗口的环境数据进行建模,得到最佳时间窗口预测模型;
基于最佳时间窗口预测模型预测得到目标种植区域中待预测作物的单位面积产量值。
第三方面,本申请实施例还提供一种产量预测时间窗口确定设备,所述产量预测时间窗口确定设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的产量预测时间窗口确定程序,其中所述产量预测时间窗口确定程序被所述处理器执行时,实现如上述所述的产量预测时间窗口确定方法的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有产量预测时间窗口确定程序,其中所述产量预测时间窗口确定程序被处理器执行时,实现如上述所述的产量预测时间窗口确定方法的步骤。
综上,与现有技术相比,本申请实施例提供的技术方案带来的有益效果至少包括:
本申请实施例提供的一种产量预测时间窗口确定方法、装置、设备及可读存储介质,可以确定作物产量预测精度高的最佳时间窗口。
附图说明
图1为本申请一个实施例提供的产量预测时间窗口确定方法的流程示意图。
图2为本申请一个实施例提供的产量预测时间窗口确定装置的功能模块示意图。
图3为本申请一个实施例方案中涉及的产量预测时间窗口确定设备的硬件结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
请参见图1,本申请实施例提供了产量预测时间窗口确定方法,该方法具体包括:
步骤S10,获取待预测作物在目标种植区域的第一环境数据;
步骤S20,对待预测作物进行物候阶段划分,并基于第一环境数据与划分的物候阶段确定目标种植区域中待预测作物在不同物候阶段对应的第二环境数据;
步骤S30,将第二环境数据作为自变量,目标种植区域中待预测作物的单位面积产量值作为因变量,构建得到目标种植区域中待预测作物在不同物候阶段的产量预测模型;
步骤S40,对比待预测作物在不同物候阶段的产量预测模型的精度,并筛选得到精度超过预设精度的目标产量预测模型;
步骤S50,将目标产量预测模型中对应的最早物候阶段确定为最佳时间窗口。
本实施例中,在构建产量预测模型前会先确定需要进行预测的待预测作物以及待预测作物的目标种植区域,再获取待预测作物在目标种植区域的第一环境数据。其中,作物产量预测的影响因素较多,因此本实施例方案中所获取的第一环境数据为多源数据,包括来源于气象站点或者其他遥感手段获取的气温、降水、蒸散发、土壤属性、植被指数等,以使得后续确定的最佳预测时间窗口适用性更广。
考虑到物候对作物产量预估的影响,本实施方案在建模前,还会对目标种植区域中的待预测作物进行物候阶段划分,将待预测作物原本整个生长季对应的冗长生长周期划分为多个小的物候阶段。在物候阶段划分后,再对第一环境数据基于划分出的物候阶段进行时间尺度上细化,可得到目标种植区域中待预测作物在不同物候阶段分别对应的第二环境数据。再将该第二环境数据作为自变量,目标种植区域中待预测作物的单位面积产量值作为因变量,可构建得到目标种植区域中待预测作物在不同物候阶段的产量预测模型。构建不同物候阶段的产量预测模型之后,再综合对比不同物候阶段对应的产量预测模型精度的精度与***的物候阶段时间。其中,模型精度通过十折交叉验证法进行多次验证再求其均值,作为对算法准确性的估计。模型精度的评判指标为R2和RMSE,R2衡量的是预测值对于真值的拟合程度,RMSE为标准误差。R2越高,RMSE越低,模型精度越高。将精度超过预设精度的目标产量预测模型中对应的最早物候阶段确定为作物产量预测精度高的最佳时间窗口,后续采用该最佳预测时间窗口即可对作物产量提前进行较好的预测。
通过上述方式所确定的最佳时间窗口,将原本需要的整个生长季或者生长季中每个月份的环境数据,缩减为最佳时间窗口内(几周)的环境数据,极大地减少了后续对作物产量进行预测建模时所需要的数据量,构建所得的模型精度也相应提升,达到了提前对作物产量进行高精度预测的目的,且提高了大范围尺度作物产量预测的效率。
进一步地,一实施例中,所述步骤S10包括:
获取全球尺度遥感云计算平台的环境数据,所述环境数据包括植被指数、空气温度、土壤属性、降水数据和蒸散发数据;
基于待预测作物的目标种植区域对从全球尺度遥感云计算平台获取的环境数据进行掩膜,得到待预测作物在目标种植区域的第一环境数据。
本实施例中,环境数据可以通过Google Earth engine(GEE)等全球尺度遥感云计算平台来获取得到,其中环境数据包括植被指数、空气温度、土壤属性、降水和蒸散发等。例如,通过代码在GEE平台上处理和调用MODIS(Moderate Resolution ImagingSpectroradiometer)产品的MOD09GA数据集生成EVI和NDVI指数,MYD11A2数据集获取地表温度数据,使用MOD16A2数据集获取蒸散发数据;调用TerraClimate产品获取温度和降水数据;调用ERA-5(ECMWF Reanalysis v5)产品获取土壤温湿度数据;调用SRTM(ShuttleRadar Topography Mission)产品获取高程与坡度数据。
在通过全球尺度遥感云计算平台获取得到环境数据后,由于所获取的数据为一幅幅的遥感影像,没有具体的边界,因此此时需要使用待预测作物的种植区域数据来对遥感影像进行掩膜处理,以确定所需环境数据对应的遥感影像边界,从而得到在待预测作物在目标种植区域的第一环境数据。其中,由于每一年的待预测作物种植区域不同,所以掩膜时,会基于不同年份对应的不同目标种植区域进行。
进一步地,一实施例中,所述步骤S20包括:
基于地面物候调查数据,将目标种植区域中待预测作物的整个生长季划分为不同物候阶段,其中,地面物候调查数据包括基于农业气象站点的数据与行政区划的报告;
基于目标种植区域中待预测作物的物候阶段划分对第一环境数据进行统计计算,得到目标种植区域中待预测作物在不同物候阶段对应的第二环境数据。
本实施例中,根据地面物候调查数据,可以将待预测作物的整个生长季划分为不同的物候阶段。其中,地面物候调查数据一般分为两类,一类是基于农业气象站点的数据,例如中国主要农作物生长发育数据集(V2.0);另一类是基于行政区划的报告,如美国农业部州级的作物进展报告——Crop Progress Report。使用两类不同的数据,物候阶段的划分方法存在着一定的差异。而在对物候阶段进行划分后,不同年份不同的县尺度上都会有对应的物候阶段时间序列。基于目标种植区域中待预测作物的物候阶段划分将获取到的第一环境数据按其性质进行统计计算,可以获得目标种植区域中待预测作物在不同物候阶段对应的第二环境数据。其中,对第一环境数据的统计计算例如,统计平均温度时,计算不同物候阶段内温度的平均值;统计最高温度时,计算不同物候阶段内的最高温度;统计累计降雨时,计算不同物候阶段内的降雨量总和。
更进一步地,一实施例中,当地面物候调查数据为基于农业气象站点的数据时,所述基于地面物候调查数据,将目标种植区域中待预测作物的整个生长季划分为不同物候阶段的步骤包括:
剔除非预设质量控制码的站点数据,其中,预设质量控制码对应的站点数据正确,非预设质量控制码对应的站点数据可疑、错误、缺测、非观测任务或未进行质量控制;
将预设个时间点的站点数据进行反距离加权空间插值,生成预设个时间点的栅格数据;
将预设个时间点的栅格数据聚合至目标种植区域对应的行政区划尺度,得到目标种植区域中待预测作物的对应物候阶段。
本实施例中,当地面物候调查数据为基于农业气象站点的数据,在对待预测作物进行物候阶段划分时,首先需要进行站点数据的数据质量控制,剔除掉质量控制码为1(数据可疑)、2(数据错误)、7(无观测任务)、8(数据缺测)、9(数据未进行质量控制)的站点数据,仅保留控制码为0(数据正确)的站点数据,以保障站点数据的可靠性。数据质量控制筛选出的站点数据包含预设个时间点的点数据,其中,点数据的属性信息为不同物候期起始的时间信息。
由于点数据在遥感图像上只是若干个点,其他非点区域没有属性值,因此此时可以将预设个时间点的站点数据进行反距离加权空间插值IDW(Inverse DistanceWeighted),使得遥感图像上所有区域均具有属性值。具体地,可以通过Arcgis软件进行插值,生成预设个时间点的栅格数据。栅格数据中的每个格子都有属性值,将预设个时间点的栅格数据聚合至目标种植区域对应的行政区划尺度,可以计算得到此行政区划的目标种植区域内所有格子属性的均值,从而可以确定待预测作物当前所处的物候阶段,以将目标种植区域中待预测作物的整个生长季划分为多个物候阶段。以待预测作物为玉米为例,站点数据包括玉米播种、出苗、三叶、七叶、拔节、抽雄、开花、吐丝、乳熟和成熟这10个时间点的点数据。将10个时间点的点数据进行插值得到栅格数据后,再根据行政区划上10个时间点的栅格数据,便可以将整个玉米作物的生长季划分为9个物候阶段。
更进一步地,一实施例中,当地面物候调查数据为行政区划的报告时,所述基于地面物候调查数据,将目标种植区域中待预测作物的整个生长季划分为不同物候阶段的步骤包括:
基于每周行政区划的报告中的待预测作物数据确定每周进入同一物候阶段的待预测作物在目标种植区域的面积占比;
将面积占比超过一半的物候阶段作为目标种植区域中待预测作物的对应物候阶段,并将面积占比超过一半的起始周作为对应物候阶段的起始时间点,直到确定待预测作物在整个生长季中的预设个起始时间点;
基于预设个起始时间点对目标种植区域中待预测作物的整个生长季进行物候阶段划分。
本实施例中,当地面物候调查数据为行政区划的报告时,不需要插值处理,每周的报告会记录行政区划内,进入某一物候阶段的在待预测作物在目标种植区域的面积占比。若此面积占比大于50%,则认为此行政区划已进入此物候阶段,将面积占比大于50%的起始周作为对应物候阶段的起始时间点,直到确定待预测作物在整个生长季中的预设个起始时间点,再基于预设个起始时间点即可对目标种植区域中待预测作物的整个生长季进行物候阶段划分。其中,以待预测作物为玉米为例,通过行政区划的报告可以提取整个玉米生长季中的7个时间点,分别为:planted(种植)、emerged(出苗)、silking(抽丝)、dough(乳熟)、dented(腊熟)、mature(成熟)和harvest(收获),并据此分为6个物候阶段。
进一步地,一实施例中,所述产量预测模型基于机器学习算法构建,所述机器学习算法包括XGBoost与随机森林回归模型。
本实施例中,将第二环境数据作为自变量,目标种植区域中待预测作物的单位面积产量值作为因变量,构建得到目标种植区域中待预测作物在不同物候阶段的产量预测模型时,产量预测模型基于机器学***均值,得到整个森林的回归预测结果。XGBoost则是一个优化的分布式梯度增强库,是对梯度提升算法的改进。求解XGBoost的损失函数极值时使用了牛顿法,将损失函数泰勒展开到二阶,另外损失函数中加入了正则化项。训练时的目标函数由两部分构成,第一部分为梯度提升算法损失函数,第二部分为正则化项。
在基于机器学习算法构建产量预测模型时,由于自变量为第二环境数据,其包括多个环境变量,因此是将第二环境数据中包括的多个环境变量一同输入XGBoost或随机森林回归模型中,通过机器学习算法确定多个环境变量对单位面积产量值的影响重要性排序,以得到目标种植区域中待预测作物在不同物候阶段的产量预测模型。
进一步地,一实施例中,在所述步骤S50之后包括:
对所述最佳时间窗口的环境数据进行建模,得到最佳时间窗口预测模型;
基于最佳时间窗口预测模型预测得到目标种植区域中待预测作物的单位面积产量值。
本实施例中,对所述最佳时间窗口的环境数据进行建模,即可得到最佳时间窗口预测模型,再基于最佳时间窗口预测模型预测可得到目标种植区域中待预测作物的单位面积产量值。通过上述方式在保证所构建的预测模型精度的同时减少了所需要的数据量,提高了建模效率。
本申请实施例还提供一种产量预测时间窗口确定装置。
参照图2,产量预测时间窗口确定装置第一实施例的功能模块示意图。
本实施例中,所述产量预测时间窗口确定装置包括:
获取模块10,用于获取待预测作物在目标种植区域的第一环境数据;
第一确定模块20,用于对待预测作物进行物候阶段划分,并基于第一环境数据与划分的物候阶段确定目标种植区域中待预测作物在不同物候阶段对应的第二环境数据;
构建模块30,用于将第二环境数据作为自变量,目标种植区域中待预测作物的单位面积产量值作为因变量,构建得到目标种植区域中待预测作物在不同物候阶段的产量预测模型;
对比模块40,用于对比待预测作物在不同物候阶段的产量预测模型的精度,并筛选得到精度超过预设精度的目标产量预测模型;
第二确定模块,用于将目标产量预测模型中对应的最早物候阶段确定为最佳时间窗口。
进一步的,所述获取模块10,用于:
获取全球尺度遥感云计算平台的环境数据,所述环境数据包括植被指数、空气温度、土壤属性、降水数据和蒸散发数据;
基于待预测作物的目标种植区域对从全球尺度遥感云计算平台获取的环境数据进行掩膜,得到待预测作物在目标种植区域的第一环境数据。
进一步的,所述第一确定模块20,用于:
基于地面物候调查数据,将目标种植区域中待预测作物的整个生长季划分为不同物候阶段,其中,地面物候调查数据包括基于农业气象站点的数据与行政区划的报告;
基于目标种植区域中待预测作物的物候阶段划分对第一环境数据进行统计计算,得到目标种植区域中待预测作物在不同物候阶段对应的第二环境数据。
更进一步的,当地面物候调查数据为基于农业气象站点的数据时,所述第一确定模块20,还具体用于:
剔除非预设质量控制码的站点数据,其中,预设质量控制码对应的站点数据正确,非预设质量控制码对应的站点数据可疑、错误、缺测、非观测任务或未进行质量控制;
将预设个时间点的站点数据进行反距离加权空间插值,生成预设个时间点的栅格数据;
将预设个时间点的栅格数据聚合至目标种植区域对应的行政区划尺度,得到目标种植区域中待预测作物的对应物候阶段。
更进一步的,当地面物候调查数据为行政区划的报告时,所述第一确定模块20,还具体用于:
基于每周行政区划的报告中的待预测作物数据确定每周进入同一物候阶段的待预测作物在目标种植区域的面积占比;
将面积占比超过一半的物候阶段作为目标种植区域中待预测作物的对应物候阶段,并将面积占比超过一半的起始周作为对应物候阶段的起始时间点,直到确定待预测作物在整个生长季中的预设个起始时间点;
基于预设个起始时间点对目标种植区域中待预测作物的整个生长季进行物候阶段划分。
进一步的,所述产量预测模型基于机器学习算法构建,所述机器学习算法包括XGBoost与随机森林回归模型。
进一步的,所述装置还包括预测模块,用于:
对所述最佳时间窗口的环境数据进行建模,得到最佳时间窗口预测模型;
基于最佳时间窗口预测模型预测得到目标种植区域中待预测作物的单位面积产量值。
本申请实施例还提供一种产量预测时间窗口确定设备,该产量预测时间窗口确定设备可以是个人计算机(personal computer,PC)、笔记本电脑、服务器等具有数据处理功能的设备。
参照图3,图3为本申请实施例方案中涉及的产量预测时间窗口确定设备的硬件结构示意图。本申请实施例中,产量预测时间窗口确定设备可以包括处理器1001(例如中央处理器Central Processing Unit,CPU),通信总线1002,用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信;用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard);网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真WIreless-FIdelity,WI-FI接口);存储器1005可以是高速随机存取存储器(random access memory,RAM),也可以是稳定的存储器(non-volatilememory),例如磁盘存储器,存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解,图3中示出的硬件结构并不构成对本发明的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
继续参照图3,图3中作为一种计算机可读存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及产量预测时间窗口确定程序。其中,处理器1001可以调用存储器1005中存储的产量预测时间窗口确定程序,并执行本申请实施例提供的产量预测时间窗口确定方法的步骤。
其中,产量预测时间窗口确定程序被执行时所实现的方法可参照本申请产量预测时间窗口确定方法的各个实施例,此处不再赘述。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种产量预测时间窗口确定方法,其特征在于,所述方法包括:
获取待预测作物在目标种植区域的第一环境数据;
基于地面物候调查数据,将目标种植区域中待预测作物的整个生长季划分为不同物候阶段,其中,地面物候调查数据包括基于农业气象站点的数据与行政区划的报告,当地面物候调查数据为行政区划的报告时,包括:
基于每周行政区划的报告中的待预测作物数据确定每周进入同一物候阶段的待预测作物在目标种植区域的面积占比;
将面积占比超过一半的物候阶段作为目标种植区域中待预测作物的对应物候阶段,并将面积占比超过一半的起始周作为对应物候阶段的起始时间点,直到确定待预测作物在整个生长季中的预设个起始时间点;
基于预设个起始时间点对目标种植区域中待预测作物的整个生长季进行物候阶段划分;
基于目标种植区域中待预测作物的物候阶段划分对第一环境数据进行统计计算,得到目标种植区域中待预测作物在不同物候阶段对应的第二环境数据;
将第二环境数据作为自变量,目标种植区域中待预测作物的单位面积产量值作为因变量,构建得到目标种植区域中待预测作物在不同物候阶段的产量预测模型;
对比待预测作物在不同物候阶段的产量预测模型的精度,并筛选得到精度超过预设精度的目标产量预测模型;
将目标产量预测模型中对应的最早物候阶段确定为最佳时间窗口。
2.根据权利要求1所述的方法,其特征在于,所述获取待预测作物在目标种植区域的第一环境数据的步骤包括:
获取全球尺度遥感云计算平台的环境数据,所述环境数据包括植被指数、空气温度、土壤属性、降水数据和蒸散发数据;
基于待预测作物的目标种植区域对从全球尺度遥感云计算平台获取的环境数据进行掩膜,得到待预测作物在目标种植区域的第一环境数据。
3.根据权利要求1所述的方法,其特征在于,当地面物候调查数据为基于农业气象站点的数据时,所述基于地面物候调查数据,将目标种植区域中待预测作物的整个生长季划分为不同物候阶段的步骤包括:
剔除非预设质量控制码的站点数据,其中,预设质量控制码对应的站点数据正确,非预设质量控制码对应的站点数据可疑、错误、缺测、非观测任务或未进行质量控制;
将预设个时间点的站点数据进行反距离加权空间插值,生成预设个时间点的栅格数据;
将预设个时间点的栅格数据聚合至目标种植区域对应的行政区划尺度,得到目标种植区域中待预测作物的对应物候阶段。
4.根据权利要求1所述的方法,其特征在于,所述产量预测模型基于机器学习算法构建,所述机器学习算法包括XGBoost与随机森林回归模型。
5.根据权利要求1所述的方法,其特征在于,在所述将目标产量预测模型中对应的最早物候阶段确定为最佳时间窗口的步骤之后,所述方法还包括:
对所述最佳时间窗口的环境数据进行建模,得到最佳时间窗口预测模型;
基于最佳时间窗口预测模型预测得到目标种植区域中待预测作物的单位面积产量值。
6.一种产量预测时间窗口确定装置,其特征在于,所述装置包括:
获取模块,用于获取待预测作物在目标种植区域的第一环境数据;
第一确定模块,用于基于地面物候调查数据,将目标种植区域中待预测作物的整个生长季划分为不同物候阶段,其中,地面物候调查数据包括基于农业气象站点的数据与行政区划的报告,当地面物候调查数据为行政区划的报告时,包括:基于每周行政区划的报告中的待预测作物数据确定每周进入同一物候阶段的待预测作物在目标种植区域的面积占比;将面积占比超过一半的物候阶段作为目标种植区域中待预测作物的对应物候阶段,并将面积占比超过一半的起始周作为对应物候阶段的起始时间点,直到确定待预测作物在整个生长季中的预设个起始时间点;基于预设个起始时间点对目标种植区域中待预测作物的整个生长季进行物候阶段划分;基于目标种植区域中待预测作物的物候阶段划分对第一环境数据进行统计计算,得到目标种植区域中待预测作物在不同物候阶段对应的第二环境数据;
构建模块,用于将第二环境数据作为自变量,目标种植区域中待预测作物的单位面积产量值作为因变量,构建得到目标种植区域中待预测作物在不同物候阶段的产量预测模型;
对比模块,用于对比待预测作物在不同物候阶段的产量预测模型的精度,并筛选得到精度超过预设精度的目标产量预测模型;
第二确定模块,用于将目标产量预测模型中对应的最早物候阶段确定为最佳时间窗口。
7.一种产量预测时间窗口确定设备,其特征在于,所述设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的产量预测时间窗口确定程序,其中所述产量预测时间窗口确定程序被所述处理器执行时,实现如权利要求1至5中任一项所述的产量预测时间窗口确定方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有产量预测时间窗口确定程序,其中所述产量预测时间窗口确定程序被处理器执行时,实现如权利要求1至5中任一项所述的产量预测时间窗口确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310538702.4A CN116579521B (zh) | 2023-05-12 | 2023-05-12 | 产量预测时间窗口确定方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310538702.4A CN116579521B (zh) | 2023-05-12 | 2023-05-12 | 产量预测时间窗口确定方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116579521A CN116579521A (zh) | 2023-08-11 |
CN116579521B true CN116579521B (zh) | 2024-01-19 |
Family
ID=87539098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310538702.4A Active CN116579521B (zh) | 2023-05-12 | 2023-05-12 | 产量预测时间窗口确定方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116579521B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116777081B (zh) * | 2023-08-15 | 2023-11-03 | 吉林省中农阳光数据有限公司 | 一种春玉米产量预测模型获得方法及其产量预测方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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*** |
CN110243406A (zh) * | 2019-06-21 | 2019-09-17 | 武汉思众空间信息科技有限公司 | 农作物估产方法、装置、电子设备及存储介质 |
CN111985728A (zh) * | 2020-09-07 | 2020-11-24 | 浪潮软件股份有限公司 | 一种建立有机高粱产量预测模型的方法 |
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 |
CN114120132A (zh) * | 2021-12-02 | 2022-03-01 | 二十一世纪空间技术应用股份有限公司 | 一种气象和红边波段遥感结合的农作物估产方法和装置 |
CN114254926A (zh) * | 2021-12-22 | 2022-03-29 | 北京尚德智汇科技有限公司 | 基于物候指标的农作物产量遥感估算方法 |
CN114529097A (zh) * | 2022-02-26 | 2022-05-24 | 黑龙江八一农垦大学 | 多尺度农作物物候期遥感降维预测方法 |
CN114782816A (zh) * | 2022-04-28 | 2022-07-22 | 天津大学 | 一种作物复种指数遥感提取方法 |
CN114821349A (zh) * | 2022-03-01 | 2022-07-29 | 南京林业大学 | 顾及谐波模型系数和物候参数的森林生物量估算方法 |
CN114926743A (zh) * | 2022-07-11 | 2022-08-19 | 北京艾尔思时代科技有限公司 | 一种基于动态时间窗口的作物分类方法及*** |
CN115545311A (zh) * | 2022-10-11 | 2022-12-30 | 中国科学院西北生态环境资源研究院 | 一种农作物估产方法、装置、存储介质及电子设备 |
CN115600771A (zh) * | 2022-12-09 | 2023-01-13 | 中化现代农业有限公司(Cn) | 作物产量估测方法、装置、设备及存储介质 |
CN115730523A (zh) * | 2022-11-28 | 2023-03-03 | 华中农业大学 | 一种基于深度学习的区域尺度作物产量近实时预测方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11762125B2 (en) * | 2014-09-12 | 2023-09-19 | Climate Llc | Forecasting national crop yield during the growing season |
EP3701449A1 (de) * | 2017-10-26 | 2020-09-02 | BASF Agro Trademarks GmbH | Ertragsabschätzung beim anbau von kulturpflanzen |
US11222385B2 (en) * | 2018-01-22 | 2022-01-11 | Athenium Llc | Method and system for forecasting crop yield |
US20220067614A1 (en) * | 2018-12-19 | 2022-03-03 | The Board Of Trustees Of The University Of Illinois | Apparatus and method for crop yield prediction |
US20220261928A1 (en) * | 2019-07-08 | 2022-08-18 | Indigo Ag, Inc. | Crop yield forecasting models |
CN111104858B (zh) * | 2019-11-19 | 2022-07-15 | 浙江大学 | 一种基于形态模型法的大范围作物物候提取方法 |
WO2023288068A1 (en) * | 2021-07-16 | 2023-01-19 | Climate Llc | Systems and methods for use in application of treatments to crops in fields |
US20230076104A1 (en) * | 2021-08-26 | 2023-03-09 | Semiosbio Technologies Inc. | Crop phenology characterization method, and system using same |
-
2023
- 2023-05-12 CN CN202310538702.4A patent/CN116579521B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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*** |
CN110243406A (zh) * | 2019-06-21 | 2019-09-17 | 武汉思众空间信息科技有限公司 | 农作物估产方法、装置、电子设备及存储介质 |
CN111985728A (zh) * | 2020-09-07 | 2020-11-24 | 浪潮软件股份有限公司 | 一种建立有机高粱产量预测模型的方法 |
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 |
CN114120132A (zh) * | 2021-12-02 | 2022-03-01 | 二十一世纪空间技术应用股份有限公司 | 一种气象和红边波段遥感结合的农作物估产方法和装置 |
CN114254926A (zh) * | 2021-12-22 | 2022-03-29 | 北京尚德智汇科技有限公司 | 基于物候指标的农作物产量遥感估算方法 |
CN114529097A (zh) * | 2022-02-26 | 2022-05-24 | 黑龙江八一农垦大学 | 多尺度农作物物候期遥感降维预测方法 |
CN114821349A (zh) * | 2022-03-01 | 2022-07-29 | 南京林业大学 | 顾及谐波模型系数和物候参数的森林生物量估算方法 |
CN114782816A (zh) * | 2022-04-28 | 2022-07-22 | 天津大学 | 一种作物复种指数遥感提取方法 |
CN114926743A (zh) * | 2022-07-11 | 2022-08-19 | 北京艾尔思时代科技有限公司 | 一种基于动态时间窗口的作物分类方法及*** |
CN115545311A (zh) * | 2022-10-11 | 2022-12-30 | 中国科学院西北生态环境资源研究院 | 一种农作物估产方法、装置、存储介质及电子设备 |
CN115730523A (zh) * | 2022-11-28 | 2023-03-03 | 华中农业大学 | 一种基于深度学习的区域尺度作物产量近实时预测方法 |
CN115600771A (zh) * | 2022-12-09 | 2023-01-13 | 中化现代农业有限公司(Cn) | 作物产量估测方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
Optimum Sowing Window and Yield Forecasting for Maize in Northern and Western Bangladesh Using CERES Maize Model;Choudhury, Apurba Kanti等;AGRONOMY-BASEL;第11卷(第4期);全文 * |
基于时间窗口与EVI幅度指数的冬小麦物候提取及其时空分析;李娴;中国优秀硕士学位论文全文数据库 农业科技辑(第01期);D047-216 * |
遥感物候学研究进展;陈效逑;王林海;;地理科学进展(第01期);33-40 * |
Also Published As
Publication number | Publication date |
---|---|
CN116579521A (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feng et al. | Dynamic wheat yield forecasts are improved by a hybrid approach using a biophysical model and machine learning technique | |
Georgi et al. | Automatic delineation algorithm for site-specific management zones based on satellite remote sensing data | |
US9953241B2 (en) | Systems and methods for satellite image processing to estimate crop yield | |
US9880140B2 (en) | Continual crop development profiling using dynamical extended range weather forecasting with routine remotely-sensed validation imagery | |
WO2014203664A1 (ja) | 収量予測システムおよび収量予測装置 | |
EP3816880A1 (en) | A yield estimation method for arable crops and grasslands, coping with extreme weather conditions and with limited reference data requirements | |
WO2020132092A1 (en) | Apparatus and method for crop yield prediction | |
JP7176980B2 (ja) | 作物管理システム及び作物管理方法 | |
CN109711102A (zh) | 一种作物灾害损失快速评估方法 | |
Araya-Alman et al. | A new localized sampling method to improve grape yield estimation of the current season using yield historical data | |
WO2023108213A1 (en) | Methods and systems for classifying and benchmarking irrigation performance | |
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 | |
Thierry et al. | Simulating spatially-explicit crop dynamics of agricultural landscapes: The ATLAS simulator | |
CN112712038A (zh) | 基于多光谱卫星影像监测小麦倒伏状况的方法及*** | |
Brinkhoff et al. | Block-level macadamia yield forecasting using spatio-temporal datasets | |
Ohana-Levi et al. | Time-series clustering of remote sensing retrievals for defining management zones in a vineyard | |
CN112308284A (zh) | 作物特性预测***及方法、计算机可读取的存储介质 | |
CN114494909B (zh) | 一种大豆生长季空间分布图的生成方法和*** | |
US20190012749A1 (en) | Dynamic cost function calculation for agricultural users | |
CN107437262B (zh) | 作物种植面积预警方法和*** | |
Sitokonstantinou et al. | A Sentinel based agriculture monitoring scheme for the control of the CAP and food security | |
JP2022538597A (ja) | センサフュージョン | |
Maeda et al. | Monte Carlo simulation and remote sensing applied to agricultural survey sampling strategy in Taita Hills, Kenya | |
Morell-Monzó et al. | Detecting abandoned citrus crops using Sentinel-2 time series. A case study in the Comunitat Valenciana region (Spain) | |
Sevillano Marco et al. | Improvement of existing and development of future Copernicus land monitoring products–the ECOLASS project |
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 |