一种作物产量估算方法、系统、设备及介质与流程

1.本发明涉及精准农业领域，特别是涉及一种作物产量估算方法、系统、设备及介质。


背景技术：

2.实时准确的预测作物产量对粮食质量安全评估、田间管理策略的制定实施以及灾害损失评估具有重要的现实应用价值。作物产量是作物品种改良、生产技术水平和气象条件等多重条件下的综合反映，既受到自然因素影响，还受到社会因素影响。作物产量与各产量影响因子的关系是一个非常复杂的非线性系统，在气候变化条件下变得尤为多变，难以实时准确的预测作物产量。随着遥感技术的成熟，现已能够获取区域作物的动态观测数据，同时结合再分析资料以及实测站点数据等多源数据，为区域作物估产提供了可靠的数据支撑。
3.近年来，随机森林回归模型方法以其能够并行集成、有效控制过拟合，适用高维稠密型数据，且能保证优异的鲁棒性，广泛用于多源数据的分析处理。而目前基于随机森林回归模型方法估算作物产量的研究方向均基于单类型影响因子，鲜有研究综合考虑各种产量影响因子的协同影响，且在预测过程来看，其多关注趋势产量的预测精度，缺乏对气候产量的分析，并且最重要的，作物处于不同的生长期，产量影响因子对于作物产量的影响也不同，而目前的随机森林回归模型没有关于关键生长期对于作物产量影响的模型研究，导致在预测结果来看，最终的预测结果精度不足。


技术实现要素：

4.本发明的目的是提供一种估算作物产量的混合模型构建方法、系统、设备及介质，可提高区域实时估算作物产量的预测精度。
5.为实现上述目的，本发明提供了如下方案：
6.一种作物产量估算方法，包括：
7.获取待测地区的历史产量影响因子；所述历史产量影响因子包括气象因子、作物因子以及土壤因子；所述气象因子包括日最高气温、日最低气温、日平均气温、日降水量、辐射量、潜在蒸散量、有效积温以及干旱指数；所述作物因子包括植被指数；所述土壤因子包括土壤含水量；
8.获取所述待测地区的历史作物产量，将所述历史作物产量分解为趋势产量以及气候产量，根据所述趋势产量以及所述气候产量确定相对气候产量；
9.基于经验统计模型，分析所述历史产量影响因子以及所述相对气候产量的相关性，确定关键生长期，并根据所述关键生长期筛选最优产量影响因子；所述最优产量影响因子为处于所述关键生长期的历史产量影响因子；
10.根据所述最优产量影响因子、所述相对气候产量以及所述作物产量构建随机森林回归模型；所述随机森林回归模型为基于经验统计模型构建的混合模型；
11.根据所述随机森林回归模型估算所述待测地区的作物产量。
12.可选的，所述干旱指数的计算过程，具体包括：
13.获取日尺度确定参数；所述日尺度确定参数包括太阳净辐射、土壤热通量、饱和水汽压-温度曲线斜率、湿度计常数、2m高度处的风速、饱和水汽压、实际水汽压以及2m高度处平均气温；
14.根据所述日尺度确定参数确定日尺度；
15.根据所述日尺度确定水分累积亏缺量；
16.根据水分累积亏缺量构建日时间尺度水分累积亏缺量时间序列；
17.基于所述日时间尺度水分累积亏缺量时间序列，根据所述水分累积亏缺量确定干旱指数。
18.可选的，所述植被指数为：
19.ndvi＝(ρ
nir-ρr)/(ρ
nir
+ρr)
20.其中，ndvi为植被指数，ρ
nir
为遥感影像近红外波段的反射率，ρr遥感影像红外波段的反射率。
21.可选的，获取所述待测地区的历史作物产量，将所述历史作物产量分解为趋势产量以及气候产量，根据所述趋势产量以及所述气候产量确定相对气候产量，具体包括：
22.采用五点二次平滑法，将所述历史作物产量分解为所述趋势产量以及所述气候产量；
23.根据所述趋势产量以及所述气候产量确实所述相对气候产量。
24.可选的，根据所述最优产量影响因子、所述相对气候产量以及所述作物产量构建随机森林回归模型，具体包括：
25.构建样本数据集；所述样本数据集包括特征变量集以及目标变量集；所述特征变量集包括所述最优产量影响因子；所述目标变量集包括所述相对气候产量以及所述作物产量；
26.基于自助采样法，从所述样本数据集中有放回地随机抽取多个子集，根据多个所述子集构建多棵分类回归树；所述样本数据集中未被抽到的数据为袋外数据；
27.从所述特征变量集中随机选择多个特征变量作为所述分类回归树的节点分枝变量，以各所述节点分枝变量的均方差作为节点分裂标准；
28.基于所述节点分裂标准以及终止条件对多个所述节点分枝变量进行节点分裂，生成多个分裂结果；多个所述分裂结果取平均值作为所述目标变量集的预测值；
29.根据所述袋外数据确定回归结果得分；
30.根据所述回归结果得分优化所述分类回归树的数量以及创建所述节点分枝变量的数量；
31.根据优化后的分类回归树的数量以及所述节点分枝变量的数量构建随机森林回归模型。
32.可选的，所述均方差mse为：
33.34.其中，n为所述样本数据集中样本的数量，i为所述样本数据集的第i个样本，fi是样本i的回归数值，yi是样本i的数值标签。
35.可选的，根据所述袋外数据确定回归结果得分，具体包括：
36.确定所述袋外数据的残差平方和以及总平方和；
37.根据所述残差平方和以及总平方和确定所述回归结果得分。
38.一种作物产量估算系统，包括：
39.影响因子获取模块，用于获取待测地区的历史产量影响因子；所述历史产量影响因子包括气象因子、作物因子以及土壤因子；所述气象因子包括日最高气温、日最低气温、日平均气温、日降水量、辐射量、潜在蒸散量、有效积温以及干旱指数；所述作物因子包括植被指数；所述土壤因子包括土壤含水量；
40.作物产量分解模块，用于获取所述待测地区的历史作物产量，将所述历史作物产量分解为趋势产量以及气候产量，根据所述趋势产量以及所述气候产量确定相对气候产量；
41.最优产量影响因子确定模块，基于经验统计模型，分析所述历史产量影响因子以及所述相对气候产量的相关性，确定关键生长期，并根据所述关键生长期筛选最优产量影响因子；所述最优产量影响因子为处于所述关键生长期的历史产量影响因子；
42.随机森林构建模块，用于根据所述最优产量影响因子、所述相对气候产量以及所述作物产量构建随机森林回归模型；所述随机森林回归模型为基于经验统计模型构建的混合模型；
43.作物产量估算模块，用于根据所述随机森林回归模型估算所述待测地区的作物产量。
44.一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述任一项所述的作物产量估算方法。
45.一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的作物产量估算方法。
46.根据本发明提供的具体实施例，本发明公开了以下技术效果：
47.本发明提出一种作物产量估算方法，将经验统计模型和随机森林回归模型相结合，构建一种用于估算作物产量的混合模型。经验统计模型分析历史产量影响因子与相对气候产量之间的相关性，得到关键生长期，进而筛选出处于关键生长期的历史产量影响因子，即最优产量影响因子，将最优产量影响因子以及相对气候产量作为随机森林回归算法的输入变量，通过数据学习训练得到历史作物产量与历史产量影响因子之间隐含、潜在的非线性关系，并在作物产量估算中应用此种非线性关系。本发明通过将经验统计模型与随机森林回归模型相结合，利用经验统计模型分析得出关键生长期，优选处于关键生长期的历史产量影响因子，得到最优产量影响因子，实现基于最优产量影响因子构建随机森林回归模型，能够提高区域实时估算作物产量的预测精度，为粮食质量安全评估、田间管理策略的制定实施以及灾害损失评估提供可靠依据。
附图说明
48.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所
需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
49.图1为本发明实施例一所提供的作物产量估算方法流程图；
50.图2为本发明实施例二所提供的基于统计经验模型和随机森林回归模型估测作物产量的方法流程图；
51.图3为本发明所提供的随机森林回归模型构建流程图；
52.图4为作物相对产量与spei指数相关系数的空间分布图。
具体实施方式
53.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
54.本发明的目的是提供一种估算作物产量的混合模型构建方法、系统、设备及介质，能够提高区域实时估算作物产量的预测精度。
55.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
56.实施例一
57.图1为本发明实施例一所提供的作物产量估算方法流程图，如图1所示，本发明提供了一种作物产量估算方法，包括：
58.步骤101：获取待测地区的历史产量影响因子；所述历史产量影响因子包括气象因子、作物因子以及土壤因子；所述气象因子包括日最高气温、日最低气温、日平均气温、日降水量、辐射量、潜在蒸散量、有效积温以及干旱指数；所述作物因子包括植被指数；所述土壤因子包括土壤含水量。
59.在实际应用中，所述干旱指数的计算过程，具体包括：获取日尺度确定参数；所述日尺度确定参数包括太阳净辐射、土壤热通量、饱和水汽压-温度曲线斜率、湿度计常数、2m高度处的风速、饱和水汽压、实际水汽压以及2m高度处平均气温；根据所述日尺度确定参数确定日尺度；根据所述日尺度确定水分累积亏缺量；根据水分累积亏缺量构建日时间尺度水分累积亏缺量时间序列；基于所述日时间尺度水分累积亏缺量时间序列，根据所述水分累积亏缺量确定干旱指数。
60.在实际应用中，所述植被指数为：
61.ndvi＝(ρ
nir-ρr)/(ρ
nir
+ρr)
62.其中，ndvi为植被指数，ρ
nir
为遥感影像近红外波段的反射率，ρr遥感影像红外波段的反射率。
63.在实际应用中，气象数据来源于中国国家气象数据网，以宁夏为例，包括宁夏12个气象站点完整的逐日气象数据，日平均气温、最高气温、最低气温、降水量、日照时数以及辐射等多个气象要素。集合降水和气温的综合效应，融合了帕默尔干旱指数(palmerdrought severity index，pdsi)和标准化降水指数(standardizedprecipitation index，spi)的优
点，计算了生育期内的干旱指数spei。植被指数ndvi由美国国家航天航空局推出的gimms avhrr ndvi全球植被指数资料获得，根区土壤含水量收集自gldas再分析数据。作物产量数据来自于统计资料，其中1988-2004年的产量数据来源于《宁夏农村社会经济调查年鉴(2004)》，2005-2017年的产量数据来源于宁夏回族自治区统计局官网(http://tj.nx.gov.cn/)。结合统计资料中各个县(区)的玉米总产量和种植面积，计算了玉米单位面积产量(单产)。
64.研究表明玉米拔节至抽雄灌浆期是影响产量的关键时期。初步选择该时段内的气象、作物、土壤因素作为产量影响因子。其中，气象因子包括日最高气温、最低气温、平均气温、降水量、辐射、潜在蒸散量、有效积温(由气象数据计算得到)和干旱指数spei，总计8个特征。作物因子包括植被指数ndvi，土壤因子指的是土壤含水量，合计2个特征。考虑不同生育期阶段影响，将玉米平均拔节至平均抽雄抽丝期(7月1日-9月2日)按8d为单位划分为8个时段，合计80个特征变量。利用五点二次平滑法将作物产量数据分解为趋势产量和气象产量，并计算相对气候产量，作为模型的目标变量。基于气象数据计算干旱指数spei，积温；利用遥感影像计算植被指数ndvi；基于再分析资料获取土壤含水量；分别为气象因子、作物因子和土壤因子作为模型输入变量。将作物产量数据分解为趋势产量、气象产量和随机产量作为目标变量。
65.步骤102：获取所述待测地区的历史作物产量，将所述历史作物产量分解为趋势产量以及气候产量，根据所述趋势产量以及所述气候产量确定相对气候产量。
66.在实际应用中，所述步骤102具体包括：采用五点二次平滑法，将所述历史作物产量分解为所述趋势产量以及所述气候产量；根据所述趋势产量以及所述气候产量确实所述相对气候产量。
67.步骤103：基于经验统计模型，分析所述历史产量影响因子以及所述相对气候产量的相关性，确定关键生长期，并根据所述关键生长期筛选最优产量影响因子；所述最优产量影响因子为处于所述关键生长期的历史产量影响因子。
68.步骤104：根据所述最优产量影响因子、所述相对气候产量以及所述作物产量构建随机森林回归模型；所述随机森林回归模型为基于经验统计模型构建的混合模型。
69.在实际应用中，所述步骤104具体包括：构建样本数据集；所述样本数据集包括特征变量集以及目标变量集；所述特征变量集包括所述最优产量影响因子；所述目标变量集包括所述相对气候产量以及所述作物产量；基于自助采样法，从所述样本数据集中有放回地随机抽取多个子集，根据多个所述子集构建多棵分类回归树；所述样本数据集中未被抽到的数据为袋外数据；从所述特征变量集中随机选择多个特征变量作为所述分类回归树的节点分枝变量，以各所述节点分枝变量的均方差作为节点分裂标准；基于所述节点分裂标准以及终止条件对多个所述节点分枝变量进行节点分裂，生成多个分裂结果；多个所述分裂结果取平均值作为所述目标变量集的预测值；根据所述袋外数据确定回归结果得分；根据所述回归结果得分优化所述分类回归树的数量以及创建所述节点分枝变量的数量；根据优化后的分类回归树的数量以及所述节点分枝变量的数量构建随机森林回归模型。
70.在实际应用中，所述均方差mse为：
[0071][0072]
其中，n为所述样本数据集中样本的数量，i为所述样本数据集的第i个样本，fi是样本i的回归数值，yi是样本i的数值标签。
[0073]
在实际应用中，根据所述袋外数据确定回归结果得分，具体包括：确定所述袋外数据的残差平方和以及总平方和；根据所述残差平方和以及总平方和确定所述回归结果得分。
[0074]
在实际应用中，以玉米拔节至抽穗灌浆期时段的气象、作物和土壤因子为特征变量，收集到的产量统计数据为目标变量，利用统计经验模型分析各特征变量与作物产量之间的相关性，优选出产量估算因子与各因子的敏感时期，作为随机森林回归模型输入变量，对应的作物产量作为模型输出变量，构建随机森林回归模型。
[0075]
在实际应用中，构建随机森林回归模型的具体方法为：
[0076]
a)收集整理各年份各区县的产量数据(作物单产、气候产量和相对气候产量)和特征变量数据(气象因子、作物因子和土壤因子)，构成随机森林模型的样本数据集n。
[0077]
b)通过自助采样法(bootstrap sampling)从原始样本集中有放回地随机抽取k个子集，构建k棵分类回归树，每次未被抽到的数据即袋外数据(out-of-bag，oob)，可用来评价变量重要性和内部误差估计。
[0078]
c)从规模为m的特征变量集中随机选择m个变量作为节点分枝变量(m《m)，以均方差作为节点分裂标准，在m个特征中选择具有最优分支能力的特征进行节点分裂。
[0079]
d)由于随机森林构建决策树时样本和特征的双重随机抽样性，每棵决策树最大限度生长，不需进行任何裁剪，设定叶节点nodesize＝5作为回归树生长的终止条件。
[0080]
e)基于生成的k棵分类回归树组成随机森林，树的结果取平均值作为目标变量的预测值，采用袋外数据(oob)误差率评价回归结果。
[0081]
f)根据数据特征需实时优化决策树数目k和创建分支所需特征变量个数m，得到最优的预测结果。
[0082]
步骤105：根据所述随机森林回归模型估算所述待测地区的作物产量。
[0083]
在实际应用中，模型精度验证：利用构建的随机森林回归模型，结合作物产量数据验证模型预测精度。
[0084]
区域作物产量高精度估算：利用采集到的县级数据驱动随机森林回归模型，结合arcgis软件，制作得到研究区作物产量指标结果分布图。
[0085]
实施例二
[0086]
特征变量的选取：
[0087]
图2为本发明实施例二所提供的基于统计经验模型和随机森林回归模型估测作物产量的方法流程图，如图2所示，玉米拔节至抽雄抽丝期是影响产量的关键时期，本发明选择该时段内的气象、作物、土壤因素作为产量影响因子。其中，气象因子包括日最高气温、最低气温、平均气温、降水量、辐射、潜在蒸散量、有效积温和干旱指数spei，总计8个特征；作物因子包括植被指数ndvi，土壤因子指的是根区土壤含水量，合计2个特征。考虑不同生育期阶段影响，将玉米平均拔节至平均抽雄抽丝期(7月1日-9月2日)按8d为单位划分为8个时
段，合计80个特征变量。
[0088]
基于气象数据计算干旱指数spei，积温；利用遥感影像计算植被指数ndvi；基于再分析资料获取土壤含水量；分别为气象因子、作物因子和土壤因子作为模型输入变量。其中，干旱指数spei的计算方法如下：
[0089]
a)计算日尺度et0，表达式为：
[0090][0091]
其中，rn为太阳净辐射(mj
·
m-2
·
d-1
)；g为土壤热通量(mj
·
m-2
·
d-1
)；δ为饱和水汽压-温度曲线斜率(kg
·
pa
·
℃-1
)；γ为湿度计常数(kg
·
pa
·
℃-1
)；u2为2m高度处的风速(m
·
s-1
)；es为饱和水汽压(kpa)；ea为实际水汽压，(kpa)；t为2m高度处平均气温(℃)。
[0092]
b)计算各个时间尺度下水分累积亏缺量di：
[0093]di
＝p
i-et
0,i
ꢀꢀ
(2)
[0094]
其中，pi为第i天的降水；et
0,i
为第i天的参考作物蒸发蒸腾量。
[0095]
c)形成日时间尺度水分累积亏缺量时间序列x：
[0096]
x＝∑diꢀꢀ
(3)
[0097]
d)计算spei指数。基于日时间尺度水分累积亏缺量时间序列x，当给定时间尺度(日尺度)下大于di的概率p(di)》0.5时：
[0098][0099][0100]
当p(di)《＝0.5时：
[0101][0102][0103]
其中，c0、c1、c2、d1、d2和d3均为无量纲常数，其值分别为2.515517、0.802853、0.010328、1.432788、0.189269和0.001308，图4为作物相对产量与spei指数相关系数的空间分布图，如图4所示。
[0104]
归一化差值植被指数ndvi的计算公式为：
[0105]
ndvi＝(ρ
nir-ρr)/(ρ
nir
+ρr) (6)
[0106]
式中，ρ
nir
、ρr为遥感影像近红外波段和红光波段的反射率。
[0107]
为定量化气候因子影响，作物产量可分解为趋势产量、气候产量和随机产量。趋势产量反映生产力发展水平的长期稳定产量，主要由市场供需、社会经济和技术水平等因素决定；气候产量受降水、辐射等气象因子变化影响的波动产量；随即产量是由病虫害、社会变革等因素引起产量变化的分量，随机性较大，无法定量估计，通常忽略不计。本发明利用五点二次平滑法将作物产量数据分解为趋势产量和气候产量，并利用气候产量除以趋势产量计算相对气候产量，作为模型的目标变量，构建3种产量指标预测模型。
[0108]
y＝y
t
+yc+e (7)
[0109][0110]
其中，y为实际产量，y
t
为趋势产量，yc为气候产量，e为随机产量。yw为相对气候产量。
[0111]
图3为本发明所提供的随机森林回归模型构建流程图，如图3所示，随机森林回归模型构建过程：
[0112]
以玉米拔节至抽穗抽丝期时段的气象、作物和土壤因子为特征变量，收集到的产量统计数据及其分解的气候产量与相对气候产量为目标变量，分析各特征变量与作物产量之间的相关性，优选出产量估算因子与各因子的敏感时期，作为随机森林回归模型输入变量，对应的作物产量指标作为模型输出变量，构建随机森林回归模型。具体方法为：
[0113]
1)整理分析各年份各区县的产量数据(即模型输出变量，包括作物单产、气候产量和相对气候产量)和特征变量数据(即模型输入变量，包括基于相关分析优选出的关键敏感时期的气象因子、作物因子和土壤因子)，构成随机森林模型的样本数据集n。
[0114]
2)通过自助采样法(bootstrap sampling)从原始样本集中有放回地随机抽取k个样本子集，构建k棵分类回归树，每次未被抽到的数据即袋外数据(out-of-bag，oob)。
[0115]
3)构建每棵分类回归树时，从规模为m的特征变量集中随机选择m个变量作为节点分枝变量(m《m)，以均方误差mse(mean squared error)作为节点分裂标准，在m个特征中选择具有最优分支能力的特征进行节点分裂。
[0116][0117]
其中，n是样本数量，i为每一个数据样本，fi为模型回归出的数值，yi为样本点i实际的数值。
[0118]
4)由于随机森林构建决策树时样本和特征的双重随机抽样性，每棵决策树最大限度生长，不需进行任何裁剪，设定叶节点nodesize＝5作为回归树生长的终止条件。
[0119]
5)基于生成的k棵分类回归树组成随机森林，树的结果取平均值作为目标变量的预测值，采用袋外数据(oob)误差率评价回归结果。
[0120]
回归结果得分r2计算如下：
[0121][0122]
其中，u为残差平方和(mse*n)，v是总平方和，n是样本数量，i是每一个数据样本，fi是模型回归出的数值，yi是样本点i实际的数值标签。是真实数值标签的平均数。
[0123]
6)根据数据特征需实时优化决策树数目k和创建分支所需特征变量个数m，得到最优的预测结果。
[0124]
实施例三
[0125]
一种作物产量估算系统，包括：
[0126]
影响因子获取模块，用于获取待测地区的历史产量影响因子；所述历史产量影响
因子包括气象因子、作物因子以及土壤因子；所述气象因子包括日最高气温、日最低气温、日平均气温、日降水量、辐射量、潜在蒸散量、有效积温以及干旱指数；所述作物因子包括植被指数；所述土壤因子包括土壤含水量；
[0127]
作物产量分解模块，用于获取所述待测地区的历史作物产量，将所述历史作物产量分解为趋势产量以及气候产量，根据所述趋势产量以及所述气候产量确定相对气候产量；
[0128]
最优产量影响因子确定模块，基于经验统计模型，分析所述历史产量影响因子以及所述相对气候产量的相关性，确定关键生长期，并根据所述关键生长期筛选最优产量影响因子；所述最优产量影响因子为处于所述关键生长期的历史产量影响因子；
[0129]
随机森林构建模块，用于根据所述最优产量影响因子、所述相对气候产量以及所述作物产量构建随机森林回归模型；所述随机森林回归模型为基于经验统计模型构建的混合模型；
[0130]
作物产量估算模块，用于根据所述随机森林回归模型估算所述待测地区的作物产量。
[0131]
一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述任一项所述的作物产量估算方法。
[0132]
一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的作物产量估算方法。
[0133]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0134]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种作物产量估算方法，其特征在于，包括：获取待测地区的历史产量影响因子；所述历史产量影响因子包括气象因子、作物因子以及土壤因子；所述气象因子包括日最高气温、日最低气温、日平均气温、日降水量、辐射量、潜在蒸散量、有效积温以及干旱指数；所述作物因子包括植被指数；所述土壤因子包括土壤含水量；获取所述待测地区的历史作物产量，将所述历史作物产量分解为趋势产量以及气候产量，根据所述趋势产量以及所述气候产量确定相对气候产量；基于经验统计模型，分析所述历史产量影响因子以及所述相对气候产量的相关性，确定关键生长期，并根据所述关键生长期筛选最优产量影响因子；所述最优产量影响因子为处于所述关键生长期的历史产量影响因子；根据所述最优产量影响因子、所述相对气候产量以及所述作物产量构建随机森林回归模型；所述随机森林回归模型为基于经验统计模型构建的混合模型；根据所述随机森林回归模型估算所述待测地区的作物产量。2.根据权利要求1所述的作物产量估算方法，其特征在于，所述干旱指数的计算过程，具体包括：获取日尺度确定参数；所述日尺度确定参数包括太阳净辐射、土壤热通量、饱和水汽压-温度曲线斜率、湿度计常数、2m高度处的风速、饱和水汽压、实际水汽压以及2m高度处平均气温；根据所述日尺度确定参数确定日尺度；根据所述日尺度确定水分累积亏缺量；根据水分累积亏缺量构建日时间尺度水分累积亏缺量时间序列；基于所述日时间尺度水分累积亏缺量时间序列，根据所述水分累积亏缺量确定干旱指数。3.根据权利要求1所述的作物产量估算方法，其特征在于，所述植被指数为：ndvi＝(ρ
nir-ρ
r
)/(ρ
nir
+ρ
r
)其中，ndvi为植被指数，ρ
nir
为遥感影像近红外波段的反射率，ρ
r
遥感影像红外波段的反射率。4.根据权利要求1所述的作物产量估算方法，其特征在于，获取所述待测地区的历史作物产量，将所述历史作物产量分解为趋势产量以及气候产量，根据所述趋势产量以及所述气候产量确定相对气候产量，具体包括：采用五点二次平滑法，将所述历史作物产量分解为所述趋势产量以及所述气候产量；根据所述趋势产量以及所述气候产量确实所述相对气候产量。5.根据权利要求1所述的作物产量估算方法，其特征在于，根据所述最优产量影响因子、所述相对气候产量以及所述作物产量构建随机森林回归模型，具体包括：构建样本数据集；所述样本数据集包括特征变量集以及目标变量集；所述特征变量集包括所述最优产量影响因子；所述目标变量集包括所述相对气候产量以及所述作物产量；基于自助采样法，从所述样本数据集中有放回地随机抽取多个子集，根据多个所述子集构建多棵分类回归树；所述样本数据集中未被抽到的数据为袋外数据；从所述特征变量集中随机选择多个特征变量作为所述分类回归树的节点分枝变量，以
各所述节点分枝变量的均方差作为节点分裂标准；基于所述节点分裂标准以及终止条件对多个所述节点分枝变量进行节点分裂，生成多个分裂结果；多个所述分裂结果取平均值作为所述目标变量集的预测值；根据所述袋外数据确定回归结果得分；根据所述回归结果得分优化所述分类回归树的数量以及创建所述节点分枝变量的数量；根据优化后的分类回归树的数量以及所述节点分枝变量的数量构建随机森林回归模型。6.根据权利要求5所述的作物产量估算方法，其特征在于，所述均方差mse为：其中，n为所述样本数据集中样本的数量，i为所述样本数据集的第i个样本，f
i
是样本i的回归数值，y
i
是样本i的数值标签。7.根据权利要求6所述的作物产量估算方法，其特征在于，根据所述袋外数据确定回归结果得分，具体包括：确定所述袋外数据的残差平方和以及总平方和；根据所述残差平方和以及总平方和确定所述回归结果得分。8.一种作物产量估算系统，其特征在于，包括：影响因子获取模块，用于获取待测地区的历史产量影响因子；所述历史产量影响因子包括气象因子、作物因子以及土壤因子；所述气象因子包括日最高气温、日最低气温、日平均气温、日降水量、辐射量、潜在蒸散量、有效积温以及干旱指数；所述作物因子包括植被指数；所述土壤因子包括土壤含水量；作物产量分解模块，用于获取所述待测地区的历史作物产量，将所述历史作物产量分解为趋势产量以及气候产量，根据所述趋势产量以及所述气候产量确定相对气候产量；最优产量影响因子确定模块，基于经验统计模型，分析所述历史产量影响因子以及所述相对气候产量的相关性，确定关键生长期，并根据所述关键生长期筛选最优产量影响因子；所述最优产量影响因子为处于所述关键生长期的历史产量影响因子；随机森林构建模块，用于根据所述最优产量影响因子、所述相对气候产量以及所述作物产量构建随机森林回归模型；所述随机森林回归模型为基于经验统计模型构建的混合模型；作物产量估算模块，用于根据所述随机森林回归模型估算所述待测地区的作物产量。9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至7中任一项所述的作物产量估算方法。10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的作物产量估算方法。

技术总结
本发明公开一种估算作物产量的混合模型构建方法、系统、设备及介质，涉及精准农业领域。该方法包括：获取待测地区的历史产量影响因子以及历史作物产量，将历史作物产量分解为趋势产量以及气候产量，根据趋势产量以及气候产量确定相对气候产量；基于经验统计模型，分析历史产量影响因子以及相对气候产量的相关性，确定关键生长期，根据关键生长期筛选最优产量影响因子；最优产量影响因子为处于关键生长期的历史产量影响因子；根据最优产量影响因子、相对气候产量以及作物产量构建随机森林回归模型，以估算待测地区的作物产量；随机森林回归模型为基于经验统计模型构建的混合模型。本发明能够提高区域实时估算作物产量的预测精度。精度。精度。


技术研发人员：刘豪杰 何刘鹏 王封祚 韦蔚 丁怡博 姜成桢 胡洁 李宁
受保护的技术使用者：黄河勘测规划设计研究院有限公司
技术研发日：2023.05.11
技术公布日：2023/8/9