一种冬小麦气象产量预测方法及系统技术方案

本发明专利技术提供一种冬小麦气象产量预测方法及系统，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。本发明专利技术加入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。产量预测效果。产量预测效果。

【技术实现步骤摘要】
一种冬小麦气象产量预测方法及系统


[0001]本专利技术涉及农业遥感
，尤其涉及一种冬小麦气象产量预测方法及系统。

技术介绍

[0002]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。
[0003]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。
[0004]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系统来解决上述问题。

技术实现思路

[0005]针对现有技术存在的问题，本专利技术提供一种冬小麦气象产量预测方法及系统。
[0006]本专利技术提供一种冬小麦气象产量预测方法，包括：
[0007]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；
[0008]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；
[0009]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。
[0010]根据本专利技术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：
[0011]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；
[0012]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；
[0013]根据气象产量数据，构建样本气象产量特征；
[0014]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。
[0015]根据本专利技术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：
[0016]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；
[0017]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。
[0018]根据本专利技术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。
[0019]根据本专利技术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。
[0020]根据本专利技术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：
[0021]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。
[0022]根据本专利技术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：
[0023]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：
[0024]NDVI＝(NIR1
‑
R)/(NIR1+R)；
[0025]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：
[0026]NDWI＝(NIR1
‑
NIR2)/(NIR1+NIR2)；
[0027]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。
[0028]本专利技术还提供一种冬小麦气象产量预测系统，包括：
[0029]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；
[0030]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；
[0031]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。
[0032]本专利技术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。
[0033]本专利技术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。
[0034]本专利技术提供的冬小麦气象产量预测方法及系统，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，本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：刘峻明，宫娜娜，周舟，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：