一种季节内作物产量动态预测方法技术

本发明专利技术公开了一种季节内作物产量动态预测方法，属于产量预测技术领域，能够解决现有产量预测方法预测不确定性较大，预测准确性较低的问题。所述方法包括：S1、获取目标区域在研究年份的气候观测数据、气候预报数据和总初级生产力数据；研究年份分为训练年份和预测年份；S2、根据训练年份的气候观测数据和气候预报数据，并利用多种填补方式得到预测年份的多种填补预报数据；S3、利用每种填补预报数据、以及预测年份的气候观测数据和总初级生产力数据分别对目标区域内目标作物的生长期进行分阶段产量预测，得到预测年份中每个预测阶段的多个预测产量。本发明专利技术用于季节内作物产量的动态预测。

【技术实现步骤摘要】

本专利技术涉及一种季节内作物产量动态预测方法，属于产量预测。

技术介绍

1、现有技术通过实地调查或走访调查获取当地作物生长信息，对区域作物产量进行预测，但该方法耗时耗力，且无法在早期生长阶段为决策者提供作物产量的相关信息，因此基于过程的作物机理模型和数理统计方法被广泛应用于作物产量的季内预测中。其中，作物机理模型综合考虑了气象环境、作物发育过程、土壤状况和管理措施等信息，能够实时监测作物的生长情况、水分利用效率和营养状况，实现高分辨率作物产量季节预报。然而，作物机理模型中参数的校准较为复杂，且一般取决于当地的种植特征，在区域范围内应用时具有较大的不确定性。数理统计模型通过构建历史时期作物产量与环境因素之间的回归关系预测未来时期的作物产量，该过程无需参数校准，能够更简便地预测作物产量。

2、近年来，机器学习和深度学习等人工智能方法因其能够处理高维数据及捕捉变量间的复杂关系被广泛用于作物产量季内预测中。但现有人工智能技术大多根据历史气候与作物产量之间的回归关系预测未来的作物产量，没有很好地考虑未知生长阶段气候条件的季节性变化，从而使得现有产量预测方本文档来自技高网...

【技术保护点】

1.一种季节内作物产量动态预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，在所述S3之后，所述方法还包括：

3.根据权利要求1所述的方法，其特征在于，所述S3具体包括：

4.根据权利要求3所述的方法，其特征在于，所述产量预测模型的训练方法为随机森林机器学习方法。

5.根据权利要求1所述的方法，其特征在于，所述S4具体为：

6.根据权利要求1所述的方法，其特征在于，所述S2具体为：

7.根据权利要求1所述的方法，其特征在于，所述S2具体为：

8.根据权利要求1所述的方法，其特...

【技术特征摘要】

1.一种季节内作物产量动态预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，在所述s3之后，所述方法还包括：

3.根据权利要求1所述的方法，其特征在于，所述s3具体包括：

4.根据权利要求3所述的方法，其特征在于，所述产量预测模型的训练方法为随机森林机器学习方法。

5.根据权利要求1所述的方法，其特征在于，所述s4具体为：

6.根据...

【专利技术属性】
技术研发人员：冷国勇，路晨曦，邱嘉丽，廖晓勇，
申请(专利权)人：中国科学院地理科学与资源研究所，
类型：发明
国别省市：