[发明专利]一种作物产量统计数据降尺度方法

说明书

本申请涉及一种作物产量统计数据降尺度方法，其包括在研究时间范围内获取遥感变量影像数据；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，并获取待估产区域内各县各年的作物单产统计数据，得到模型训练自变量和模型训练因变量；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，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，获取更高分辨率的作物产量网格数据集。本申请具有提高产量预估模型预测精度的技术效果。

技术领域

本申请涉及农作物生产技术领域，尤其是涉及一种作物产量统计数据降尺度方法。

背景技术

粮食生产是自然再生产和经济再生产相互交织的生产过程，此过程存在着巨大的不确定性，导致粮食产业成为风险最高的产业之一。已有的作物产量数据多为各区域的统计文本数据，难以对区域内空间差异进行描述，严重影响粮食产量信息的提取与分析。对粮食产量统计数据进行降尺度(Downscaling)，可以更好地评估区域间粮食产量差异、供应能力与需求，有助于避免粮食短缺和价格波动。

目前，基于统计数据的降尺度方法被普遍应用到空间人口密度反演、社会经济指数空间化以及气候因子降尺度等方面，但针对作物产量方面，由于农作物生长时间周期长，并且其产量存在巨大的不确定性，使得基于作物产量的统计数据降尺度方法的实现存在有难度大、实现周期长、相关研究数量少的问题。

再者，现有的作物产量降尺度研究中，常用单一的植被指数如归一化差异植被指数(NDVI)、增强型植被指数(EVI)等对产量构建简单的线性模型，从而实现降尺度。这些模型的局限性在于只考虑了植被自身的参数，由此构建的估产模型过度简单化，导致模型的预测精度较低。

发明内容

为了提高预测精度，本申请提供了一种作物产量统计数据降尺度方法。

第一方面，本申请提供一种作物产量统计数据降尺度方法。

本申请是通过以下技术方案得以实现的：

一种作物产量统计数据降尺度方法，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。

本申请在一较佳示例中可以进一步配置为：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；