一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法技术

本发明专利技术公开了一种基于高分辨率卫星遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法，包括：实现模型的本地化；利用GEE平台对遥感数据与地面数据进行空间匹配；设计多种模拟情景；将作物的生育期以返青期为节点分为前后两个时间窗口，并计算全生育期各种气象要素；构建回归方程，建立所有生育期内每天的回归方程；逐像元提取每年前后两个时间窗口的卫星遥感观测植被指数最大值及其对应的日期,并将提取到的植被指数最大值通过经验公式转化为回归方程的自变量LAI；以及以提取前后两个时间窗口观测日期为参照，利用对应组合日期的回归方程进行逐像元计算，在完成所有像元上的运行后，获得作物模拟产量。

A Cross-scale and High Precision Dynamic Crop Growth Monitoring and Yield Estimation Method Based on High Resolution Remote Sensing Data and Crop Model

The invention discloses a cross-scale and high-precision dynamic crop growth monitoring and yield estimation method based on high-resolution satellite remote sensing data and crop model, which includes: localization of the model; spatial matching of remote sensing data and ground data using GEE platform; design of various simulation scenarios; dividing the crop growth period into two time windows before and after the green-back period as a node, and counting. Calculating meteorological factors of whole growth period; constructing regression equation and establishing daily regression equation of all growth periods; extracting maximum vegetation index and its corresponding date from satellite remote sensing observation in two time windows before and after each year by pixel, and transforming the maximum vegetation index extracted into independent variable LAI of regression equation through empirical formula; and extracting two time windows before and after each year. The observed date was taken as a reference, and the regression equation of the corresponding combination date was used to calculate pixel by pixel. After the operation of all pixels, the simulated crop yield was obtained.

【技术实现步骤摘要】
一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法
本专利技术涉及农业遥感
，更具体涉及一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法。
技术介绍
传统的农作物估产方法主要分为基于农学统计数据、基于农业气象统计数据、基于经济统计数据和基于作物模型的预报方法等。这些方法由于高昂的时间、人力和物力以及作物模型本身的局限性都难以实现区域作物的高精度估产，尤其是田块尺度的估产。遥感技术具有快速、宏观、动态三个重要特点，可以快速获取大范围的地表信息，在大范围作物生长监测和产量预报发挥着巨大的作用，在区域估产和预测上具有得天独厚的优势，将遥感数据应用到作物估产模型上能够实现区域估产的目的。国内外遥感作物估产模型主要分为遥感植被指数统计估产模型、光能利用率模型、遥感和作物生长耦合模型。遥感数据统计估产模型主要以遥感数据为基础，利用统计学的相关分析方法，建立遥感波段或波段组合数据与作物产量之间的关系，进而实现区域农作物估产；光能利用率模型主要是利用遥感估算生物量或作物的净初级生产力，加上修正的收获指数，进而得到作物的单产估算结果。目前遥感和作物生长耦合模型主要是以同化技术为主，将利用遥感技术获取的关键生物物理化学参数叶面积指数(LAI)、土壤水含量、叶片氮磷含量和地面生物量(AGB)等参数与基于作物光合、呼吸、蒸腾、营养等机理过程的作物模型结合进而达到区域高精度作物估产的目的，遥感与作物生长模型的耦合是目前国内外农业遥感估产的研究热点，这类模型能够结合作物模型的点模拟和遥感观测在面上的模拟优势。基于遥感数据的统计估产模型虽然简单易用，但是局限于特定的时间，地点和年份，不具有时空外推性，且缺乏对作物生长的机理性认识。光能利用率参数模型虽对作物生长机理有一定的涉及，但部分参数量化(如光能利用效率、收获指数等)需要进一步加强研究；此外，光能利用率模型很难考虑到人为因素的影响，这在一定程度上制约了模型在农作物估产的精度。利用遥感数据同化模型虽然能够实现遥感数据和点尺度作物生长模型优势结合，但是存在着输入数据繁杂且难以获取，计算成本高和算法不确定性的缺点，该类研究主要利用中低分辨率遥感数据，研究结果难以实现田块间的估产研究。因此，需要新的技术以至少部分解决现有技术中存在的局限。
技术实现思路
为解决现有作物估产存在的地面实测数据需求高、难以获取，模型空间应用能力较弱、同化算法不确定性和计算成本高等问题，本专利技术提供了一种基于GoogleEarthEngine(GEE)和作物生长模型高精度的农业估产方法，基于校准的CERES系列作物模型，根据当地实际的田间管理措施和作物环境设置不同的模拟情景，结合高时空分辨率遥感数据，构建产量与植被指数和气象要素的模型，逐像元模拟完成由点到面的产量估算。根据本专利技术的一方面，提供一种基于高分遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法，包括如下步骤：S1:选择一定的研究区，对作物模型进行参数优化和验证，实现模型的本地化；S2：利用GEE平台对遥感数据进行预处理，包括遥感数据的大气矫正、辐射矫正和去云处理；S3:获取研究区内多年田间管理措施记录，依据该记录设计多种模拟情景，所述模拟情景包括种植日期、种植密度、灌溉和施肥；S4：将作物的生育期以返青期为节点分为前后两个时间窗口，并且计算全生育期各种气象要素，所述气象要素包括研究区逐栅格点全生育期内的平均温度，平均降雨量和累积太阳辐射量；S5:基于设定的田间管理模拟情景，多次运行作物生长模型以获得模拟的多条LAI曲线和每条LAI曲线对应的作物产量；以每次模拟的产量为因变量，以所述前后两个时间窗口中各取任意一个LAI以及生育期气象要素为自变量，构建回归方程，其中包括建立生育期内前后两个时间窗口内所有组合的回归方程，并存储全部的回归方程和相关系数；S6：逐像元提取每年前后两个时间窗口的卫星遥感观测植被指数最大值及其对应的日期,并将提取到的最大植被指数通过经验公式转化为S5步骤中回归方程的自变量LAI；S7:以S6步骤中提取前后两个时间窗口观测日期为参照，利用S6步骤中对应组合日期的回归方程进行逐像元计算，在完成所有像元上的运行后，获得区域作物模拟产量。根据本专利技术的一个实施方案，其中步骤S1中所述作物模型为CERES(cropestimationthroughresourceandenvironmentalsynthesis)作物模型。根据本专利技术的一个实施方案，其中所述对作物模型进行参数优化和验证包括：采集研究区内站点尺度的土壤参数、气象参数、生育期参数和田间管理参数；对品种参数(遗传系数)进行逐步校准:(i)根据品种所需积温来优化影响开花和成熟的遗传系数；(ii)校准决定产量的遗传系数；采用均方根误差(RMSE)和相对均方根误差(RRMSE)对生育期和产量的模拟值与实测值的偏差进行估计，其中所述均方根误差的计算公式为式(1)，相对均方根误差的计算公式为式(2)：其中，Oi和Si分别为观测值和模拟值,Oavg为观测的平均值；n为样本量。根据本专利技术的一个实施方案，其中步骤S2中，所述大气矫正利用GEE平台的FLAASH模型进行，所述辐射矫正采用陆地卫星生态系统干扰自适应处理模型(landsatecosystemdisturbanceadaptiveprocessingsystem,LEDAPS)进行，将辐射值转化为反射率；所述去云处理利用GEE平台的云概率计算(SimpleCloudScore)算法得出云概率，其中，所述云概率计算的公式如下:其中，b1、b2、b3、b4、b5和b7分别代表遥感影像的蓝波段、绿波段、红波段、近红外波段、短波红外1波段和短波红外2波段，thermal表示热红外波段,clamp函数是指返回该像元是云的概率的函数，其中,返回的概率在0-1之间，大于0.2的像元被认为是云，需要将该类像元去掉。根据本专利技术的一个实施方案，其中步骤S5中，所述回归方程为：Yield＝β0+β1×W+β2LAI1+β3×LAI2(4)其中Yield代表每次模型模拟的产量；W代表生育内天气向量属性，包括降雨，温度和太阳辐射；d代表生育期内的日期，LAI1代表前时间窗口所取得叶面积指数值，LAI2代表后时间窗口所取得叶面积指数，，β1，β2和β3分别表示天气因子、前时间窗口LAI和后时间窗口LAI对产量的贡献系数，β0代表误差项。根据本专利技术的一个实施方案，其中步骤S6中，所述植被指数是指遥感观测的宽动态范围植被指数(WDRVI)。根据本专利技术的一个实施方案，其中所述WRDVI的计算公式为：其中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。根据本专利技术的一个实施方案，其中所述经验公式为：WDRVI＝-0.681+1.437(1-e-0.351LAI)(6)本专利技术结合高分辨率遥感观测数据例如哨兵2号(sentinel-2)，气象数据和作物模型，创建了一种由点扩展到区域的作物估产新方法，该方法可以通过大致了解该区域的种植环境和田间管理措施，不需要大量的地面实测数据，模型易操作且空间应用能力强，不受地面实测数据的难以获取的限制，能够估算县级甚至田块间的收益，可动态评估产量在时间本文档来自技高网...

【技术保护点】
1.一种基于高分遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法，包括如下步骤：S1:选择一定的研究区，对作物模型进行参数优化和验证，实现模型的本地化；S2：利用GEE平台对遥感数据与地面数据进行数据预处理，包括遥感数据的大气矫正、辐射矫正和去云处理；S3:获取研究区内多年田间管理措施记录，依据该记录设计多种模拟情景，所述模拟情景包括种植日期、种植密度、灌溉和施肥；S4：将作物的生育期以返青期为节点分为前后两个时间窗口，并且计算全生育期各种气象要素，所述气象要素包括研究区逐栅格点全生育期内的平均温度，平均降雨量和累积太阳辐射量；S5:基于设定的田间管理模拟情景，多次运行作物生长模型以获得模拟的多条LAI曲线和每条LAI曲线对应的作物产量；以每次模拟的产量为因变量，以所述前后两个时间窗口中各取任意一个LAI以及生育期气象要素为自变量，构建回归方程，其中包括建立生育期内前后两个时间窗口内所有组合的回归方程，并存储全部的回归方程和相关系数；S6：逐像元提取每年前后两个时间窗口的卫星遥感观测植被指数最大值及其对应的日期,并将提取到的植被指数最大值通过经验公式转化为S5步骤中回归方程的自变量LAI；S7:以S6步骤中提取前后两个时间窗口观测日期为参照，利用S5步骤中对应组合日期的回归方程进行逐像元计算，在完成所有像元上的运行后，获得区域作物模拟产量。...

【技术特征摘要】
1.一种基于高分遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法，包括如下步骤：S1:选择一定的研究区，对作物模型进行参数优化和验证，实现模型的本地化；S2：利用GEE平台对遥感数据与地面数据进行数据预处理，包括遥感数据的大气矫正、辐射矫正和去云处理；S3:获取研究区内多年田间管理措施记录，依据该记录设计多种模拟情景，所述模拟情景包括种植日期、种植密度、灌溉和施肥；S4：将作物的生育期以返青期为节点分为前后两个时间窗口，并且计算全生育期各种气象要素，所述气象要素包括研究区逐栅格点全生育期内的平均温度，平均降雨量和累积太阳辐射量；S5:基于设定的田间管理模拟情景，多次运行作物生长模型以获得模拟的多条LAI曲线和每条LAI曲线对应的作物产量；以每次模拟的产量为因变量，以所述前后两个时间窗口中各取任意一个LAI以及生育期气象要素为自变量，构建回归方程，其中包括建立生育期内前后两个时间窗口内所有组合的回归方程，并存储全部的回归方程和相关系数；S6：逐像元提取每年前后两个时间窗口的卫星遥感观测植被指数最大值及其对应的日期,并将提取到的植被指数最大值通过经验公式转化为S5步骤中回归方程的自变量LAI；S7:以S6步骤中提取前后两个时间窗口观测日期为参照，利用S5步骤中对应组合日期的回归方程进行逐像元计算，在完成所有像元上的运行后，获得区域作物模拟产量。2.根据权利要求1所述的方法，其特征在于，步骤S1中所述作物模型为CERES(cropestimationthroughresourceandenvironmentalsynthesis)作物模型。3.根据权利要求2所述的方法，其特征在于，所述对作物模型进行参数优化和验证包括：采集研究区内站点尺度的土壤参数、气象参数、生育期参数和田间管理参数；对品种参数(遗传系数)进行逐步校准:(i)根据品种所需积温来优化影响开花和成熟的遗传系数；(ii)校准决定产量的遗传系数；采用均方根误差(RMSE)和相对均方根误差(RRMSE)对生育期和产量的模拟值与实测值的偏差进行估计，其...

【专利技术属性】
技术研发人员：张朝，曹娟，陶福禄，骆玉川，李子悦，
申请(专利权)人：北京师范大学，
类型：发明
国别省市：北京,11