一种冬小麦气象产量预测方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115018105A(43)申请公布日2022.09.06(21)申请号202110237189.6(22)申请日2021.03.03(71)申请人中国农业大学地址100193北京市海淀区圆明园西路2号(72)发明人刘峻明宫娜娜周舟(74)专利代理机构北京路浩知识产权代理有限公司11002专利代理师聂俊伟(51)Int.Cl.G06Q10/04(2012.01)G06Q50/02(2012.01)G06N3/04(2006.01)G06N3/08(2006.01)G06V20/10(2022.01)权利要求书2页说明书12页附图3页(54)发明名称一种冬小麦气象产量预测方法及系统(57)摘要本发明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。CN115018105ACN115018105A权利要求书1/2页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，将数据转换为标准正态分布。6.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：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。7.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：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：2CN115018105A权利要求书2/2页NDVI＝(NIR1‑R)/(NIR1+R)；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