【技术实现步骤摘要】
一种基于产量差的作物产量预测方法及装置
[0001]本专利技术涉及农业遥感
,尤其涉及一种基于产量差的作物产量预测方法及装置。
技术介绍
[0002]随着数据科学的最新进展,深度学习和大数据技术的发展,遥感大数据为农业应用提供了信息化和智能化的发展途径,将推动农业遥感估产技术的进步。及时、准确、大范围的农作物产量估算对指导科学生产,保障农民收益,保证地区粮食安全均有非常重要的现实意义。
[0003]目前常用的作物估产方法大致可以分为两类,一类是理论驱动型,另一类是数据驱动型。机理性模型,通过对作物的生长发育及产量形成过程进行定量模拟,模型参数的获取和量化方法均存在问题,数据处理过程复杂,预测的精度和效率还有待提高。而数据驱动型的估产方法,完全依赖于可用的标记数据建立驱动变量与产量间的映射,存在机理性不足,时空普适性弱,模型的泛化能力不足等问题。
[0004]过程模型和深度学习模型通常被视为两个不同的领域,它们有着非常不同的科学范式,前者为理论驱动和后者数据驱动。其中,物理方法原则上是直接可解释的,并且提供了超越观测条件的外推潜力,而数据驱动方法在适应数据方面是高度灵活的。因此,耦合两种方法用于作物产量预测能够充分利用物理知识和数据分析的潜力。
[0005]现有遥感数据应用于作物估产的方法中,多是以光谱数据或光谱组合的植被指数为指标对作物的生物量和产量的形成进行模拟,由于作物的生长过程复杂,通常此类方法的反演能力不足;遥感数据对作物生长过程中受到的胁迫因素(如干旱、冻害等)有较好的表征,而 ...
【技术保护点】
【技术特征摘要】
1.一种基于产量差的作物产量预测方法,其特征在于,包括:步骤S1,收集研究区域内待预测作物的生育期内样地的田间观测数据和对应的气象数据,采用基于贝叶斯理论的马尔科夫链
‑
蒙特卡洛方法对WOFOST作物模型参数进行标定;步骤S2,将所述样地在所述待预测作物的生育期内的气象数据输入已标定的WOFOST模型中,输出所述待预测作物的潜在产量;步骤S3,利用步骤S2中所述待预测作物的潜在产量与所述待预测作物的田间观测产量相减,获取所述待预测作物的实际产量差;步骤S4,以所述待预测作物的生育期内的卫星遥感植被指数数据、气象数据和步骤S2中所述待预测作物的潜在产量作为输入样本变量,以步骤S3中所述待预测作物的实际产量差为标签,搭建基于过程模型的神经网络模型;步骤S5,由WOFOST模型生成目标区域的每个作物格网中待预测作物的潜在产量,与对应的生育期内的气象数据、卫星遥感植被指数一同输入步骤S4中搭建的神经网络模型,生成每个作物格网中待预测作物的预测产量差;步骤S6,逐个作物格网运行步骤S5,将所述待预测作物的潜在产量减去预测产量差,输出每个作物格网中待预测作物的最终预测产量。2.根据权利要求1所述的基于产量差的作物产量预测方法,其特征在于,所述采用基于贝叶斯理论的马尔科夫链
‑
蒙特卡洛方法对WOFOST作物模型参数进行标定,包括:基于贝叶斯理论的马尔科夫链
‑
蒙特卡洛方法,根据所述样地内待预测作物的生育期内的LAI、观测产量和所述WOFOST模型的参数的先验分布得到所述WOFOST模型的参数的后验分布;所述后验分布的后验概率密度函数表达式为:其中,θ和y分别代表所述WOFOST模型的参数和模拟输出值;x代表输入所述WOFOST模型的气象数据;p(θ/x,y)为所述参数的后验概率密度函数;f(y/θ,x)为观测值似然函数;g(θ)为所述参数的先验分布;将每个参数的后验分布的中值或均值作为每个参数的标定结果。3.根据权利要求1所述的基于产量差的作物产量预测方法,其特征在于,对所述基于过程模型的神经网络模型进行训练的目标函数的公式为:程模型的神经网络模型进行训练的目标函数的公式为:R(W)=λ1‖W‖1+λ2‖W‖2;其中,为所述研究区域对应的预测产量差和实际产量差Y之间的损失值,n为所述研究区域中待预测作物田间观测记录的数量,y
i
为待预测作物第i个观测记录对应的实际产量差,为待预测作物第i个观测记录对应的预测产量差,W为正则化项,λ1和λ2为预设系数。4.根据权利要求1所述的基于产量差的作物产量预测方法,其特征在于,所述由WOFOST
模型生成目标区域的每个作物格网中待预测作物的潜在产量,与对应的生育期内的气...
【专利技术属性】
技术研发人员:黄健熙,李仕冀,李雪草,黄海,苏伟,刘峻明,李俐,
申请(专利权)人:中国农业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。