[发明专利]一种作物产量统计数据降尺度方法

权利要求书

1.一种作物产量统计数据降尺度方法，其特征在于，包括以下步骤，

在研究时间范围内获取各期的气象数据、植被指数数据和土壤数据，以及一期高程数据，作为遥感变量影像数据；

使用农作物空间分布数据对所述遥感变量影像数据进行掩膜处理，提取待估产区域；

求取所述待估产区域的像元在县级尺度行政单元中的平均值，得到与每个县区、每一年相对应的多元变量的统计数据，作为模型训练自变量，以及，将各县区待预测年份的前若干年产量数据作为模型训练自变量，并获取待估产区域内各县各年的作物单产统计数据，作为模型训练因变量；

基于M5模型树的拓展算法，预设模型树组的数量参数和最近邻样本的数量参数，构建Cubist模型；

将所述模型训练因变量和所述模型训练自变量输入所述Cubist模型进行训练，并进行精度验证，直至验证结果满足预设条件，输出达到预设精度的Cubist模型，作为产量预估模型；

采用所述产量预估模型反演研究区域内像素尺度的农作物产量，获取作物产量网格数据集。

2.根据权利要求1所述的作物产量统计数据降尺度方法，其特征在于，所述将所述模型训练因变量和所述模型训练自变量输入所述Cubist模型进行训练，并进行精度验证，直至验证结果满足预设条件，输出达到预设精度的Cubist模型，作为产量预估模型的步骤包括，

基于所述模型训练因变量和所述模型训练自变量，筛选当前年份的数据作为验证集，筛选其它年份的数据作为训练集；

将所述训练集输入所述Cubist模型进行训练；

采用所述验证集对训练的Cubist模型的输出结果进行精度验证，其中，精度验证的指标包括决定系数、均方根误差和平均绝对误差；

当所述决定系数、所述均方根误差和所述平均绝对误差满足预设条件时，输出达到预设精度的Cubist模型，作为产量预估模型。

3.根据权利要求2所述的作物产量统计数据降尺度方法，其特征在于，所述决定系数的计算公式包括，

式中，R²表示决定系数，表示第i个样本的预测值，y_i表示第i个样本的实际值，表示样本实际值的平均值，n为样本总数。

4.根据权利要求2所述的作物产量统计数据降尺度方法，其特征在于，所述均方根误差的计算公式包括，

式中，RMSE表示均方根误差，表示第i个样本的预测值，y_i表示第i个样本的实际值，n为样本总数。

5.根据权利要求2所述的作物产量统计数据降尺度方法，其特征在于，所述平均绝对误差的计算公式包括，

式中，MAE表示平均绝对误差，表示第i个样本的预测值，y_i表示第i个样本的实际值，n为样本总数。

6.根据权利要求1-5任意一项所述的作物产量统计数据降尺度方法，其特征在于，还包括以下步骤，

基于所述产量预估模型生产空间分布图，包括，

采用最邻近的重采样方法，统一所述待估产区域各变量影像的分辨率；

将相同分辨率的各变量影像的数据组成影像集合，逐像元提取所述影像集合中各像元的值，作为第一反演自变量；

将各县待预测年份之前两年的产量数据制成分辨率相同的栅格影像数据加入所述影像集合，作为第二反演自变量；

将所述第一反演自变量和所述第二反演自变量输入所述产量预估模型中，反演各变量影像的像素的产量值，生成研究区域内像素尺度的产量空间分布图。

7.根据权利要求6所述的作物产量统计数据降尺度方法，其特征在于，还包括以下步骤，

若在像元取值过程中提取到影像背景或异常值的空值区域，则将反演结果对应位置的像元标记为空值。