本發(fā)明屬于作物生長(zhǎng)信息監(jiān)測(cè)技術(shù)領(lǐng)域，具體涉及一種水稻產(chǎn)量的預(yù)測(cè)方法。

背景技術(shù)：

在水稻研究領(lǐng)域，根據(jù)植物敏感波段的光譜特征運(yùn)算得到的植被指數(shù)，能夠快速、無(wú)損、定量地表征水稻生長(zhǎng)狀況，監(jiān)測(cè)水稻長(zhǎng)勢(shì)和預(yù)測(cè)水稻產(chǎn)量。自從歸一化植被指數(shù)(Normalized difference vegetation index，NDVI)在1973年被科學(xué)家首次提出以來(lái)，就以穩(wěn)定性受到專家和學(xué)者的廣泛關(guān)注，成為近二十多年以來(lái)使用最多的植被指數(shù)之一，被較多地用來(lái)用研究作物長(zhǎng)勢(shì)和產(chǎn)量估測(cè)；科學(xué)研究發(fā)現(xiàn)，葉片位于531nm和570nm處的反射率變化能夠很好地發(fā)映出葉片的光能利用率(Light use efficiency，LUE)，基于這兩個(gè)波段的反射率構(gòu)建了光化學(xué)植被指數(shù)(Photochemical reflectance index，PRI)，并成功的建立了PRI和LUE的關(guān)系；LUE是一個(gè)重要生態(tài)學(xué)概念，又是估算凈初級(jí)生產(chǎn)力(net primary productivity，NPP)的一個(gè)關(guān)鍵變量，NPP與作物生物量累積量有直接關(guān)系，通過(guò)收獲指數(shù)便可得到作物產(chǎn)量，也是光能利用率模型和區(qū)域尺度以遙感參數(shù)模型監(jiān)測(cè)植被生產(chǎn)力的關(guān)鍵參數(shù)，被較多的用來(lái)研究監(jiān)測(cè)作物生長(zhǎng)和產(chǎn)量估測(cè)。

在實(shí)際估產(chǎn)應(yīng)用中，水稻估產(chǎn)大都以高空遙感為數(shù)據(jù)源來(lái)實(shí)現(xiàn)的，然而，因受下墊面、大氣效應(yīng)、物候歷等影響較大，使得估產(chǎn)效果往往不能達(dá)到預(yù)期效果。通過(guò)作物葉片光譜則能消弱或消除這些干擾因素，但是利用葉片光譜方法的作物估產(chǎn)卻不多見(jiàn)。因此，需要開(kāi)發(fā)一種新的能夠精準(zhǔn)估計(jì)水稻產(chǎn)量的方法。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供的一種水稻產(chǎn)量的預(yù)測(cè)方法，通過(guò)植被指數(shù)測(cè)量?jī)x實(shí)測(cè)的NDVI和PRI數(shù)據(jù)，并利用統(tǒng)計(jì)分析的方法獲得水稻產(chǎn)量預(yù)測(cè)模型，并利用該水稻模型精準(zhǔn)估計(jì)水稻產(chǎn)量。

本發(fā)明的目的是提供一種水稻產(chǎn)量的預(yù)測(cè)方法，包括以下步驟：

選定試驗(yàn)小區(qū)；

水稻生長(zhǎng)天數(shù)內(nèi)，每天獲取試驗(yàn)小區(qū)內(nèi)的水稻葉片歸一化植被指數(shù)，并求取所有的水稻葉片歸一化植被指數(shù)的加和值，得到NDVI加和值；

水稻生長(zhǎng)天數(shù)內(nèi)，每天獲取試驗(yàn)小區(qū)內(nèi)的水稻葉片光化學(xué)植被指數(shù)，并求取所有的水稻葉片光化學(xué)植被指數(shù)的加和值，得到PRI加和值；

獲取試驗(yàn)小區(qū)內(nèi)的水稻產(chǎn)量；

同時(shí)以NDVI加和值和PRI加和值為自變量，以水稻產(chǎn)量為因變量，利用SPSS軟件的多元回歸分析法，分析水稻產(chǎn)量與NDVI加和值、PRI加和值之間的線性關(guān)系，獲得水稻產(chǎn)量預(yù)測(cè)模型；

根據(jù)水稻產(chǎn)量預(yù)測(cè)模型預(yù)測(cè)水稻產(chǎn)量；

所述水稻產(chǎn)量預(yù)測(cè)模型如下：

其中，y為水稻產(chǎn)量；n為水稻生長(zhǎng)天數(shù)，x_i為水稻葉片歸一化植被指數(shù)；z_i為水稻葉片光化學(xué)植被指數(shù)；β₁的取值范圍為1.499～5.292；β₂的取值范圍為3.063～4.391；β₃的取值范圍為-5.205～-2.783。

優(yōu)選的，當(dāng)水稻處于分蘗期時(shí)，水稻產(chǎn)量預(yù)測(cè)模型為：

$y=5.292\underset{i=1}{\overset{n}{\Σ}}{x}_i+3.603\underset{i=1}{\overset{n}{\Σ}}{z}_i-\mathrm{2.783.}$

優(yōu)選的，當(dāng)水稻處于拔節(jié)孕穗期時(shí)，水稻產(chǎn)量預(yù)測(cè)模型為：

$y=3.160\underset{i=1}{\overset{n}{\Σ}}{x}_i+4.391\underset{i=1}{\overset{n}{\Σ}}{z}_i-\mathrm{4.096.}$

優(yōu)選的，當(dāng)水稻處于抽穗灌漿期時(shí)，水稻產(chǎn)量預(yù)測(cè)模型為：

$y=2.341\underset{i=1}{\overset{n}{\Σ}}{x}_i+4.255\underset{i=1}{\overset{n}{\Σ}}{z}_i-\mathrm{5.205.}$

優(yōu)選的，當(dāng)水稻處于成熟期時(shí)，水稻產(chǎn)量預(yù)測(cè)模型為：

$y=1.499\underset{i=1}{\overset{n}{\Σ}}{x}_i+3.063\underset{i=1}{\overset{n}{\Σ}}{z}_i-\mathrm{4.549.}$

優(yōu)選的，上述水稻產(chǎn)量的預(yù)測(cè)方法中，所述水稻葉片歸一化植被指數(shù)按照以下步驟獲?。?/p>

在試驗(yàn)小區(qū)內(nèi)選取兩個(gè)采樣點(diǎn)，以所述采樣點(diǎn)內(nèi)所有葉片為采樣對(duì)象，獲取每個(gè)葉片的單葉片歸一化植被指數(shù)；

計(jì)算所述采樣點(diǎn)內(nèi)所有葉片的單葉片歸一化植被指數(shù)的平均值，獲得每個(gè)采樣點(diǎn)的單點(diǎn)歸一化植被指數(shù)；

計(jì)算所有采樣點(diǎn)的單點(diǎn)歸一化植被指數(shù)的平均值，獲得水稻葉片歸一化植被指數(shù)。

優(yōu)選的，上述水稻產(chǎn)量的預(yù)測(cè)方法中，所述水稻葉片光化學(xué)植被指數(shù)按照以下步驟獲?。?/p>

在試驗(yàn)小區(qū)內(nèi)選取兩個(gè)采樣點(diǎn)，以所述采樣點(diǎn)內(nèi)所有葉片為采樣對(duì)象，獲取每個(gè)葉片的單葉片光化學(xué)植被指數(shù)；

計(jì)算所述采樣點(diǎn)內(nèi)所有葉片的單葉片光化學(xué)植被指數(shù)的平均值，獲得每個(gè)采樣點(diǎn)的單點(diǎn)光化學(xué)植被指數(shù)；

計(jì)算所有采樣點(diǎn)的單點(diǎn)光化學(xué)植被指數(shù)的平均值，獲得水稻葉片光化學(xué)植被指數(shù)。

優(yōu)選的，上述水稻產(chǎn)量的預(yù)測(cè)方法中，所述水稻葉片歸一化植被指數(shù)和水稻葉片光化學(xué)植被指數(shù)的采集時(shí)間均為每天的10:00-14:00。

本發(fā)明提供的水稻產(chǎn)量的預(yù)測(cè)方法，通過(guò)植被指數(shù)測(cè)量?jī)x實(shí)測(cè)的NDVI和PRI數(shù)值，并利用統(tǒng)計(jì)分析的方法獲得水稻產(chǎn)量預(yù)測(cè)模型，能夠及時(shí)的監(jiān)測(cè)粳稻葉片NDVI和PRI在不同生育期與粳稻產(chǎn)量變化的關(guān)系，能夠?qū)崿F(xiàn)粳稻估產(chǎn)的業(yè)務(wù)化運(yùn)行，高效、快速、精準(zhǔn)估計(jì)水稻產(chǎn)量，可以對(duì)粳稻產(chǎn)量進(jìn)行精準(zhǔn)的預(yù)測(cè)并對(duì)粳稻長(zhǎng)勢(shì)進(jìn)行有效跟蹤。

具體實(shí)施方式

下面結(jié)合具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明，但不應(yīng)理解為本發(fā)明的限制。

本發(fā)明提供的一種水稻產(chǎn)量的預(yù)測(cè)方法，包括以下步驟：

選定試驗(yàn)小區(qū)；

水稻生長(zhǎng)天數(shù)內(nèi)，每天獲取試驗(yàn)小區(qū)內(nèi)的水稻葉片歸一化植被指數(shù)，并求取所有的水稻葉片歸一化植被指數(shù)的加和值，得到NDVI加和值；

水稻生長(zhǎng)天數(shù)內(nèi)，每天獲取試驗(yàn)小區(qū)內(nèi)的水稻葉片光化學(xué)植被指數(shù)，并求取所有的水稻葉片光化學(xué)植被指數(shù)的加和值，得到PRI加和值；

獲取試驗(yàn)小區(qū)內(nèi)的水稻產(chǎn)量；

同時(shí)以NDVI加和值和PRI加和值為自變量，以水稻產(chǎn)量為因變量，利用SPSS軟件的多元回歸分析法，分析水稻產(chǎn)量與NDVI加和值、PRI加和值之間的線性關(guān)系，獲得水稻產(chǎn)量預(yù)測(cè)模型；

根據(jù)水稻產(chǎn)量預(yù)測(cè)模型預(yù)測(cè)水稻產(chǎn)量；

所述水稻產(chǎn)量預(yù)測(cè)模型如下：

其中，y為水稻產(chǎn)量；n為水稻生長(zhǎng)天數(shù)，x_i為水稻葉片歸一化植被指數(shù)；z_i為水稻葉片光化學(xué)植被指數(shù)；β₁的取值范圍為1.499～5.292；β₂的取值范圍為3.063～4.391；β₃的取值范圍為-5.205～-2.783。

需要說(shuō)明的是，所述水稻生長(zhǎng)天數(shù)是從水稻種植的第一天算起，生長(zhǎng)天數(shù)逐天增加，水稻整個(gè)生長(zhǎng)周期包括分蘗期、拔節(jié)孕穗期、抽穗灌漿期、成熟期。當(dāng)需要估計(jì)水稻產(chǎn)量時(shí)，先計(jì)算當(dāng)前水稻的生長(zhǎng)天數(shù)，通過(guò)生長(zhǎng)天數(shù)判斷水稻分蘗期、拔節(jié)孕穗期、抽穗灌漿期還是成熟期，然后在根據(jù)各個(gè)時(shí)期對(duì)應(yīng)的水稻產(chǎn)量預(yù)測(cè)模型對(duì)水稻的產(chǎn)量進(jìn)行精確估計(jì)。

需要說(shuō)明的是，構(gòu)建水稻產(chǎn)量預(yù)測(cè)模型的時(shí)候，β₁、β₂和β₃是未知數(shù)，其他參數(shù)是已知數(shù)，根據(jù)檢測(cè)的數(shù)據(jù)，線性回歸建模得到水稻不同時(shí)期的模型公式，確定公式中的β₁、β₂和β₃，應(yīng)用該模型公式的時(shí)候，y就變成了未知數(shù)，而其它參數(shù)是已知數(shù)，反推算得到水稻產(chǎn)量。

實(shí)施例1

下面提供一種試驗(yàn)地區(qū)為東北地區(qū)，試驗(yàn)材料為沈稻47品種的產(chǎn)量的預(yù)測(cè)方法，具體按照以下步驟實(shí)施：

步驟1，選定試驗(yàn)小區(qū)，并在試驗(yàn)小區(qū)內(nèi)選取兩個(gè)采樣點(diǎn)，且兩個(gè)采樣點(diǎn)均勻的分布于所述試驗(yàn)小區(qū)內(nèi)，每個(gè)采樣點(diǎn)為1m×1m的方形區(qū)域。

步驟2，水稻生長(zhǎng)天數(shù)內(nèi)，每天12:00獲取試驗(yàn)小區(qū)內(nèi)的水稻葉片歸一化植被指數(shù)，并求取所有的水稻葉片歸一化植被指數(shù)的加和值，得到NDVI加和值；

其中，所述水稻葉片歸一化植被指數(shù)按照以下步驟獲?。?/p>

以所述采樣點(diǎn)內(nèi)所有葉片為采樣對(duì)象，獲取每個(gè)葉片的單葉片歸一化植被指數(shù)；

計(jì)算所述采樣點(diǎn)內(nèi)所有葉片的單葉片歸一化植被指數(shù)的平均值，獲得每個(gè)采樣點(diǎn)的單點(diǎn)歸一化植被指數(shù)；

計(jì)算所有采樣點(diǎn)的單點(diǎn)歸一化植被指數(shù)的平均值，獲得水稻葉片歸一化植被指數(shù)。

步驟3，水稻生長(zhǎng)天數(shù)內(nèi)，每天14:00獲取試驗(yàn)小區(qū)內(nèi)的水稻葉片光化學(xué)植被指數(shù)，并求取所有的水稻葉片光化學(xué)植被指數(shù)的加和值，得到PRI加和值。

其中，所述水稻葉片光化學(xué)植被指數(shù)按照以下步驟獲取：

以所述采樣點(diǎn)內(nèi)所有葉片為采樣對(duì)象，獲取每個(gè)葉片的單葉片光化學(xué)植被指數(shù)；

計(jì)算所述采樣點(diǎn)內(nèi)所有葉片的單葉片光化學(xué)植被指數(shù)的平均值，獲得每個(gè)采樣點(diǎn)的單點(diǎn)光化學(xué)植被指數(shù)；

計(jì)算所有采樣點(diǎn)的單點(diǎn)光化學(xué)植被指數(shù)的平均值，獲得水稻葉片光化學(xué)植被指數(shù)。

步驟4，在水稻成熟時(shí)，獲取試驗(yàn)小區(qū)內(nèi)的水稻產(chǎn)量。

步驟5，同時(shí)以NDVI加和值和PRI加和值為自變量，以水稻產(chǎn)量為因變量，利用SPSS軟件的多元回歸分析法，分析水稻產(chǎn)量與NDVI加和值、PRI加和值之間的線性關(guān)系，獲得水稻產(chǎn)量預(yù)測(cè)模型。

所述水稻產(chǎn)量預(yù)測(cè)模型如下：

其中，y為水稻產(chǎn)量；n為水稻生長(zhǎng)天數(shù)，x_i為水稻葉片歸一化植被指數(shù)；z_i為水稻葉片光化學(xué)植被指數(shù)；β₁的取值范圍為1.499～5.292；β₂的取值范圍為3.063～4.391；β₃的取值范圍為-5.205～-2.783。

需要說(shuō)明的是，所述水稻葉片歸一化植被指數(shù)和水稻葉片光化學(xué)植被指數(shù)的采集時(shí)間均為每天的10:00-14:00均可以，比如10:00、11:00、12:00、13:00和14:00等均可以，由于構(gòu)建方法的步驟和所得到的結(jié)果與實(shí)施例1中的均相同，固此處不對(duì)采集時(shí)間10:00、11:00、12:00、13:00和14:00的步驟贅述。

步驟6，根據(jù)水稻產(chǎn)量預(yù)測(cè)模型預(yù)測(cè)水稻產(chǎn)量。

采用實(shí)施例1的方法，對(duì)水稻生長(zhǎng)的不同時(shí)期進(jìn)行分析，得到如下的結(jié)果：

(1)當(dāng)水稻處于分蘗期時(shí)，水稻產(chǎn)量預(yù)測(cè)模型：

單獨(dú)以NDVI加和值為變量、單獨(dú)以PRI加和值為變量，和同時(shí)以NDVI加和值、PRI加和值為變量，進(jìn)行模型擬合，得到表1所示的結(jié)果。

用判定系數(shù)(coeffcient of determination，R²)對(duì)預(yù)測(cè)模型擬合優(yōu)度進(jìn)行檢驗(yàn)，判定系數(shù)越高說(shuō)明粳稻葉片植被指數(shù)估產(chǎn)效果越好；用精度指標(biāo)：平均絕對(duì)百分誤差(mean absolute percentage error，MAPE)，MAPE是通過(guò)將NDVI加和值和PRI加和值代入回歸方程求出的預(yù)測(cè)值與真實(shí)測(cè)量值之間的偏差度來(lái)判斷模型檢驗(yàn)的準(zhǔn)確性，其值越小，表示預(yù)測(cè)值越接近真實(shí)值。由表1可知，同時(shí)以NDVI加和值、PRI加和值為變量，進(jìn)行模型擬合，得到的分蘗期水稻產(chǎn)量預(yù)測(cè)模型R²最高，MAPE最低，為該時(shí)期最佳預(yù)測(cè)模型。

表1分蘗期水稻產(chǎn)量預(yù)測(cè)模型

注：y為水稻產(chǎn)量，n為水稻生長(zhǎng)天數(shù)，x_i為水稻葉片歸一化植被指數(shù)；z_i為水稻葉片光化學(xué)植被指數(shù)。

(2)當(dāng)水稻處于拔節(jié)孕穗期時(shí)，水稻產(chǎn)量預(yù)測(cè)模型：

單獨(dú)以NDVI加和值為變量、單獨(dú)以PRI加和值為變量，和同時(shí)以NDVI加和值、PRI加和值為變量，進(jìn)行模型擬合，得到表2所示的結(jié)果。

表2拔節(jié)孕穗期水稻產(chǎn)量預(yù)測(cè)模型

注：y為水稻產(chǎn)量，n為水稻生長(zhǎng)天數(shù)，x_i為水稻葉片歸一化植被指數(shù)；z_i為水稻葉片光化學(xué)植被指數(shù)。

同時(shí)以NDVI加和值、PRI加和值為變量，進(jìn)行模型擬合，得到的拔節(jié)孕穗期水稻產(chǎn)量預(yù)測(cè)模型R²最高，MAPE％最低，為該時(shí)期最佳預(yù)測(cè)模型。

(3)當(dāng)水稻處于抽穗灌漿期時(shí)，水稻產(chǎn)量預(yù)測(cè)模型：

單獨(dú)以NDVI加和值為變量、單獨(dú)以PRI加和值為變量，和同時(shí)以NDVI加和值、PRI加和值為變量，進(jìn)行模型擬合，得到表3所示的結(jié)果。同時(shí)以NDVI加和值、PRI加和值為變量，進(jìn)行模型擬合，得到的抽穗灌漿期水稻產(chǎn)量預(yù)測(cè)模型R²最高，MAPE％最低，為該時(shí)期最佳預(yù)測(cè)模型。

表3抽穗灌漿期水稻產(chǎn)量預(yù)測(cè)模型

注：y為水稻產(chǎn)量，n為水稻生長(zhǎng)天數(shù)，x_i為水稻葉片歸一化植被指數(shù)；z_i為水稻葉片光化學(xué)植被指數(shù)。

(4)當(dāng)水稻處于成熟期時(shí)，水稻產(chǎn)量預(yù)測(cè)模型：

單獨(dú)以NDVI加和值為變量、單獨(dú)以PRI加和值為變量，和同時(shí)以NDVI加和值、PRI加和值為變量，進(jìn)行模型擬合，得到表4所示的結(jié)果。同時(shí)以NDVI加和值、PRI加和值為變量，進(jìn)行模型擬合，得到的成熟期水稻產(chǎn)量預(yù)測(cè)模型R²最高，MAPE％最低，為該時(shí)期最佳預(yù)測(cè)模型。

表4成熟期水稻產(chǎn)量預(yù)測(cè)模型

注：y為水稻產(chǎn)量，n為水稻生長(zhǎng)天數(shù)，x_i為水稻葉片歸一化植被指數(shù)；z_i為水稻葉片光化學(xué)植被指數(shù)。

為了檢驗(yàn)和比較上述水稻產(chǎn)量預(yù)測(cè)模型的精度和普適性，分別利用NDVI加和值、PRI加和值、產(chǎn)量數(shù)據(jù)，對(duì)實(shí)施例1的模型(同時(shí)以NDVI加和值、PRI加和值為自變量)進(jìn)行檢驗(yàn)和比較，結(jié)果表明，各個(gè)生長(zhǎng)時(shí)期的水稻產(chǎn)量預(yù)測(cè)模型中，R²大于0.78，MAPE％小于2.42，尤其是拔節(jié)孕穗期、抽穗灌漿期和成熟期的R²均大于0.91，MAPE％均小于1.48，說(shuō)明各模型公式的線性關(guān)系良好。

另外，通過(guò)上述分析可知，與單獨(dú)以NDVI加和值為變量、單獨(dú)以PRI加和值為變量相比，同時(shí)以NDVI加和值、PRI加和值為變量擬合得到的模型公式具有極高的判定系數(shù)。由于其綜合考慮了不同葉片NDVI和PRI的數(shù)據(jù)，大大增加了模型的預(yù)測(cè)精度，從而在預(yù)測(cè)樣本時(shí)表現(xiàn)出較高的穩(wěn)定性，能夠?qū)崿F(xiàn)粳稻估產(chǎn)的業(yè)務(wù)化運(yùn)行，高效、快速、精準(zhǔn)估計(jì)水稻產(chǎn)量，可以對(duì)粳稻產(chǎn)量進(jìn)行精準(zhǔn)的預(yù)測(cè)并對(duì)粳稻長(zhǎng)勢(shì)進(jìn)行有效跟蹤。

成熟期是粳稻最終產(chǎn)量形成的關(guān)鍵時(shí)期，此時(shí)NDVI加和值和PRI加和值可直接反映粳稻的最后生長(zhǎng)狀態(tài)，能更加直接有效估測(cè)粳稻的最終產(chǎn)量，分蘗期、拔節(jié)孕穗期、抽穗灌漿期的模型可以用于輔助預(yù)測(cè)水稻產(chǎn)量。

通過(guò)對(duì)比實(shí)際產(chǎn)量數(shù)據(jù)和估計(jì)產(chǎn)量數(shù)據(jù)可知，水稻成熟后，實(shí)施例1的實(shí)際水稻產(chǎn)量是964.41kg/hm²，利用實(shí)施例1的水稻產(chǎn)量預(yù)測(cè)模型估計(jì)的水稻產(chǎn)量為978.68kg/hm²，單獨(dú)利用NDVI數(shù)據(jù)擬合的模型估計(jì)的水稻產(chǎn)量為1068.96kg/hm²，單獨(dú)利用PRI模型估計(jì)的水稻產(chǎn)量為1062.59kg/hm²，其中，更接近于實(shí)際的水稻產(chǎn)量，比其他兩個(gè)模型的精度分別提高了9.36％和8.70％。

盡管已描述了本發(fā)明的優(yōu)選實(shí)施例，但本領(lǐng)域內(nèi)的技術(shù)人員一旦得知了基本創(chuàng)造性概念，則可對(duì)這些實(shí)施例作出另外的變更和修改。所以，所附權(quán)利要求意欲解釋為包括優(yōu)選實(shí)施例以及落入本發(fā)明范圍的所有變更和修改。

顯然，本領(lǐng)域的技術(shù)人員可以對(duì)本發(fā)明進(jìn)行各種改動(dòng)和變型而不脫離本發(fā)明的精神和范圍。這樣，倘若本發(fā)明的這些修改和變型屬于本發(fā)明權(quán)利要求及其等同技術(shù)的范圍之內(nèi)，則本發(fā)明也意圖包含這些改動(dòng)和變型在內(nèi)。