CN114266388B - 基于历史植被指数时序谱曲线与产量映射模式的大豆产量预测方法 - Google Patents

Abstract

一种基于历史植被指数时序谱曲线与产量映射模式的大豆产量预测方法，包括以下步骤：1)历史植被指数时序谱曲线与历史产量映射模式的构建；2)基于植被指数时序谱曲线的大豆生育期划分；3)基于植被指数时序谱曲线匹配的大豆产量预测；4)基于历史植被指数时序谱曲线与产量映射模式进行时序推进的大豆产量预测；5)大豆产量预测精度验证。该方法从大豆的植被指数时序谱入手获取不同生育期的信息，依据预测当年时序谱曲线与历史时序谱曲线的相似性关系，构建基于历史植被指数时序谱曲线与历史产量映射模式的估产方法，为农作物产量预测精度改善提供了一种新的思路。

Description

基于历史植被指数时序谱曲线与产量映射模式的大豆产量预 测方法

技术领域

本发明涉及一种大豆产量预测方法。

背景技术

粮食安全问题一直是我国高度重视的问题。为了满足14亿人口的温饱需求，国家正在大力发展农业及其相关产业，力求稳定这一国计民生的根基。大豆是一种重要的粮油作物，提供了人类所需的优质蛋白来源。大豆是重要基础性、战略性物资，是最具经济效益的作物。大豆是我国进口量最大的农产品，在农产品贸易方面扮演了举足轻重的角色，涉及到政治和经济等关键领域。如何保证大豆的生产和供应，是我国农业方面的一个重要课题。

目前全球大豆的主产区有美国、巴西、阿根廷和中国，这些地区集中了全世界90％以上的大豆产量。近年来随着转基因大豆商业化生产的普及，大豆种植面积和单产水平均大幅提高，进而推动了大豆产量显著增加。如何利用遥感等信息技术监测庞大的大豆种植区域，准确掌握产量信息，对确定农业发展规划、制定农产品进出口计划及调整种植业结构等方面都有着重要的战略意义。

发明内容

为了充分利用现有获取的海量遥感数据以及大豆产量数据，克服现有遥感数据与产量关联不确定的技术问题，本发明提供一种基于历史植被指数时序谱曲线与产量映射模式的大豆产量预测方法，充分利用海量的历史遥感信息和大豆产量，结合遥感快速、大面积监测能力，能够提供较为准确地区域大豆产量预测。

本发明解决其技术问题所采用的技术方案是：

一种基于历史植被指数时序谱曲线与产量映射模式的大豆产量预测方法，包括以下步骤：

1)历史植被指数时序谱曲线与历史产量映射模式的构建，过程如下：

首先将中高分辨率时间序列反射率数据通过云量分数筛选出云量在10％以下的数据，利用大豆高种植区数据进行掩膜，掩膜后计算时间序列植被指数，以县级行政区为基本单位，计算行政单元植被指数的平均值，构建行政单元植被指数时序谱数据，并利用Beck模型拟合时序谱曲线，利用历史植被指数时序谱曲线与历史大豆产量数据之间关系，建立由历史植被指数时序谱曲线与历史产量映射模式；

式中表示历史植被指数时序谱曲线，Y₁，Y₂，Y_M表示历史大豆产量，VI₁,VI₂……VI_n表示植被指数时序谱中第1到第n个植被指数；

2)基于植被指数时序谱曲线的大豆生育期划分，过程如下：

利用植被指数时序谱数据，将经过曲线一阶导数最大值点且以上升最大速率为斜率的直线定义为生长线，生长线与淡季基准线相交的点定义为出苗期，生长线与高值平台相交的点定义为开花期；此外，将时间序列曲线的最高点作为结荚期，一阶导数最小值点作为转黄期，实现大豆生育期的划分；

3)基于植被指数时序谱曲线匹配的大豆产量预测，过程如下：

采用夹角θ和欧氏距离d两种匹配方法，将待预测年的大豆时序谱曲线与历史时序谱数据集中的所有单一时序谱曲线进行一对一的匹配，匹配算法如下：

其中θ是两个时序谱曲线数据在弧度制下的夹角，d是两个时序谱曲线数据的空间距离，为用于预测大豆产量的时序谱数据，为历史样本时序谱数据；

分别计算θ，d，和θ*d三个变量，以三参数最小原则确定与待预测年匹配性最高的历史时序谱曲线，并将历史时序谱曲线映射的大豆产量赋值为待预测年的产量；

4)基于历史植被指数时序谱曲线与产量映射模式进行时序推进的大豆产量预测，过程如下：

在进行产量预测时，采用一种时序推进的方法，即随着时序数据获取的进度，从出苗期开始，形成出苗期-开花期，出苗期-结荚期，出苗期-转黄期等一系列产量预测结果，开展基于历史植被指数时序谱曲线与历史产量映射模式的随时序推进的大豆产量预测，实现以数据获取时间为序从出苗期开始一系列的产量预测。

进一步，所述方法还包括以下步骤：

5)大豆产量预测精度验证

将待预测年的大豆产量Y_估测与实测产量Y_实测进行精度验证，

式中，PRE为产量预测精度，Y_估测为预测年大豆产量，Y_实测为实测大豆产量。

再进一步，所述步骤1)中，植被指数包括NDVI，EVI，SAVI，DVI，MSAVI。

所述步骤3)中，考虑到历史样本中大豆种植的时间与待预测年大豆种植时间可能存在时间差，进而引起的时序谱匹配误差，采取将待匹配年时序谱前后最大滑动15天开展匹配筛选出相似度最高的曲线作预测大豆产量。

本发明中，首先利用遥感技术获取的农作物反射率信息提取时间序列植被指数，建立起基于历史植被指数时序谱曲线与历史大豆产量之间的映射关系，并随时序推进计算预测年植被指数时序谱曲线与历史时序谱曲线的匹配性，设计出了一种基于历史植被指数时序谱曲线与产量映射模式的大豆产量预测方法，实现县级尺度的农作物精确产量预测。

本发明的有益效果为：利用遥感等信息技术监测庞大的大豆种植区域，较为准确地预测产量信息。

附图说明

图1是伊利诺伊州大豆样本生育期划分示意图。

图2是伊利诺伊州开花期到结荚期以欧氏距离(a)和夹角(b)及两者结合(c)匹配产量预测结果。

图3是美国伊利诺伊州大豆使用NDVI及欧氏距离匹配的产量预测精度随生育期变化图。

图4是基于历史植被指数时序谱曲线与产量映射模式的大豆产量预测方法流程图。

具体实施方式

下面对本发明作进一步描述。本实施例为针对美国伊利诺伊州2020年大豆产量进行预测。

参照图1～图4，一种基于历史植被指数时序谱曲线与产量映射模式的大豆产量预测方法，包括以下步骤：

1)历史植被指数时序谱曲线与历史产量映射模式的构建，过程如下：

首先将2010年-2019年共计10年的MOD09GA数据集按美国伊利诺伊州大豆生长时间过滤，之后按伊利诺伊州县级行政区裁剪，通过影像集state_1km波段计算出研究区内的云量分数，筛选出云量在10％以下的数据；然后用美国CDLs提取的当年大豆高密度种植区进行掩膜，掩膜后计算得到时间序列植被指数数据，再在研究区内统计得到植被指数的平均值，建立县级植被指数时序谱数据，并利用Beck模型拟合时序谱曲线，构建历史植被指数时序谱曲线与历史产量映射模式。对于10年美国伊利诺伊州历史数据共计构建926对植被指数时序谱曲线与产量的映射；

该步骤中植被指数包括NDVI，EVI，SAVI，DVI，MSAVI，本例中选择使用NDVI和EVI构建植被指数时序谱曲线，并比较两种方法在大豆产量时的效果；

2)基于植被指数时序谱曲线的大豆生育期划分，过程如下：

首先将提取的时间序列日期转换为年积日，再将预处理之后的时间序列数据进行生育期的划分，即利用高值平台、淡季基准线和平滑曲线一阶导数的局部极端值来捕捉作物的物候变化。该方法定义了生长线——经过曲线一阶导数最大值点，以上升最大速率为斜率的直线。生长线与淡季基准线相交的点定义为出苗期，生长线与高值平台相交的点定义为开花期，此外，将时间序列的最高点作为结荚期，一阶导数最小值点作为转黄期；

以2020年伊利诺伊州大豆样本为例，不同生育期划分如图1所示，大豆出苗期为年积日150天，大豆开花期为199天，大豆结荚期为213天，转黄期为255天，落叶期为262天，收获期为276天；

3)基于植被指数时序谱曲线匹配的大豆产量预测，过程如下：

采用夹角θ和欧氏距离d，作为匹配的依据，将预测年2020年各县植被指数时序谱曲线与2010-2019年所有县的植被指数曲线进行匹配，匹配算法如下：

其中为标签数据的时间序列矢量，为样本数据的矢量，θ为两者在弧度制下的夹角，d是两矢量的空间距离，对于两者而言，值越小代表两矢量相似性越高；

对于某一县级行政单元，计算不同匹配依据下的匹配参数，将匹配参数最小时对应的历史植被指数谱曲线映射大的产量作为2020年预测的产量，其他县级行政单元也同样计算，就可以获得全州的预测产量。对于伊利诺伊州大豆产量预测，从开花期到结荚期以欧氏距离和夹角及两者结合三种匹配策略获得的大豆产量预测结果看，欧氏距离具有较好的产量预测结果(图2)；

4)基于历史植被指数时序谱曲线与产量映射模式进行时序推进的大豆产量预测，过程如下：

生育期划分之后，采用夹角和欧氏距离相结合的匹配方法。在样本时间序列数据中选取一段生育期，在标签数据中截取相同长度的一段与其匹配。考虑到各样本中大豆种植的时间各不相同，采取将样本数据前后最大滑动15天匹配的方法，选出相似度最高的曲线作为该本次匹配结果；

在不同生育期时间段内，产量预测的效果不同。以伊利诺伊州为例，如图3所示，在匹配方法和植被指数都不改变的情况下，植被指数使用欧氏距离作匹配的产量预测精度从开花期开始上升，到结荚期达到最高，到转黄期保持不变，实现了随时序推进的大豆产量预测；

5)大豆产量预测精度验证，过程如下：

将待预测年的大豆产量Y_估测与实测产量Y_实测进行精度验证，

式中，PRE为产量预测精度，Y_估测为预测年大豆产量，Y_实测为实测大豆产量。

2020年伊利诺伊州大豆产量预测结果如表1和图2所示，在不同方法、不同植被指数谱的产量预测的比较中，结果发现：方法上欧氏距离匹配法优于夹角匹配法；植被指数谱曲线预测上，NDVI时序谱曲线的大豆产量预测效果由于EVI时序谱曲线。因此伊利诺伊州2020年最佳产量预测结果是使用NDVI时序谱数据，根据最小欧氏距离，在出苗期-结荚期进行预测的，最好预测精度达到了92.84％。

表1为美国伊利诺伊州大豆产量预测精度。

表1。

Claims (4)

1.一种基于历史植被指数时序谱曲线与产量映射模式的大豆产量预测方法，其特征在于，所述方法包括以下步骤：

1)历史植被指数时序谱曲线与历史产量映射模式的构建，过程如下：

首先将中高分辨率时间序列反射率数据通过云量分数筛选出云量在10％以下的数据，利用大豆高种植区数据进行掩膜，掩膜后计算时间序列植被指数，以县级行政区为基本单位，计算行政单元植被指数的平均值，构建行政单元植被指数时序谱数据，并利用Beck模型拟合时序谱曲线，利用历史植被指数时序谱曲线与历史大豆产量数据之间关系，建立由历史植被指数时序谱曲线与历史产量映射模式；

式中表示历史植被指数时序谱曲线，Y₁，Y₂，Y_M表示历史大豆产量，VI₁,VI₂……VI_n表示植被指数时序谱中第1到第n个植被指数；

2)基于植被指数时序谱曲线的大豆生育期划分，过程如下：

利用植被指数时序谱数据，将经过曲线一阶导数最大值点且以上升最大速率为斜率的直线定义为生长线，生长线与淡季基准线相交的点定义为出苗期，生长线与高值平台相交的点定义为开花期；此外，将时间序列曲线的最高点作为结荚期，一阶导数最小值点作为转黄期，实现大豆生育期的划分；

3)基于植被指数时序谱曲线匹配的大豆产量预测，过程如下：

采用夹角θ和欧氏距离d两种匹配方法，将待预测年的大豆时序谱曲线与历史时序谱数据集中的所有单一时序谱曲线进行一对一的匹配，匹配算法如下：

其中θ是两个时序谱曲线数据在弧度制下的夹角，d是两个时序谱曲线数据的空间距离，为用于预测大豆产量的时序谱数据，为历史样本时序谱数据；

分别计算θ，d，和θ*d三个变量，以三参数最小原则确定与待预测年匹配性最高的历史时序谱曲线，并将历史时序谱曲线映射的大豆产量赋值为待预测年的产量；

4)基于历史植被指数时序谱曲线与产量映射模式进行时序推进的大豆产量预测，过程如下：

在进行产量预测时，采用一种时序推进的方法，即随着时序数据获取的进度，从出苗期开始，形成出苗期-开花期，出苗期-结荚期，出苗期-转黄期一系列产量预测结果，开展基于历史植被指数时序谱曲线与历史产量映射模式的随时序推进的大豆产量预测，实现以数据获取时间为序从出苗期开始一系列的产量预测。

2.如权利要求1所述的基于历史植被指数时序谱曲线与产量映射模式的大豆产量预测方法，其特征在于，所述方法还包括以下步骤：

5)大豆产量预测精度验证

将待预测年的大豆产量Y_估测与实测产量Y_实测进行精度验证，

式中，PRE为产量预测精度，Y_估测为预测年大豆产量，Y_实测为实测大豆产量。

3.如权利要求1或2所述的基于历史植被指数时序谱曲线与产量映射模式的大豆产量预测方法，其特征在于，所述步骤1)中，植被指数包括NDVI、EVI、SAVI、DVI和MSAVI。

4.如权利要求1或2所述的基于历史植被指数时序谱曲线与产量映射模式的大豆产量预测方法，其特征在于，所述步骤3)中，考虑到历史样本中大豆种植的时间与待预测年大豆种植时间可能存在时间差，进而引起的时序谱匹配误差，采取将待匹配年时序谱前后最大滑动15天开展匹配筛选出相似度最高的曲线作预测大豆产量。