基于高温干旱气象评估作物灾害减产情况的方法及系统

1.本发明涉及作物气象灾害产量估测分析领域，特别是涉及基于高温干旱气象评估作物灾害减产情况的方法及系统。


背景技术：

2.随着全球气候变化的加剧，农作物生产受到诸多气象因素的影响，其中高温干旱等极端气候事件对农作物产量影响尤为显著。玉米作为世界上重要的粮食作物和饲料作物，其产量直接关系到粮食供应、市场价格和粮食安全。因此，准确评估玉米灾害减产情况对于稳定市场供应和居民生活具有重要意义。
3.目前已经有研究探讨气候变化对玉米长势和单产的影响。这些研究主要关注气候因素如温度、降雨和光照时长等与玉米的生长和单产的关系。然而，尽管已有基于气象因素预测作物单产的研究，但如何将玉米各个生长周期遭受高温和干旱等气候因素考虑并应用到预测模型中的研究还不够深入与明确。此外，由于现有研究受限于应用单一机器学习方法和筛选的相关变量不够充分，导致模型的估测效果不高且鲁棒性较差。


技术实现要素：

4.本发明的目的是提供基于高温干旱气象评估作物灾害减产情况的方法及系统，可通过目标作物的当前生命周期的潜力单产和目标作物的当前生命周期的单产估测值，得到作物的减产量。
5.为实现上述目的，本发明提供了如下方案：
6.基于高温干旱气象评估作物灾害减产情况的方法，所述基于高温干旱气象评估作物灾害减产情况的方法包括：
7.获取目标作物的当前生命周期的各个生育阶段的气象数据，各个生育阶段的气象数据包括各个生育阶段的每日降雨量和每日温度；
8.根据目标作物的当前生命周期的各个生育阶段的气象数据，计算得到目标作物的当前生命周期的各个生育阶段的特征数据；特征数据包括：生长度日、极端生长度日、累计极端天数和累计降雨天数；
9.将目标作物的当前生命周期的各个生育阶段的特征数据输入至训练后的目标作物单产估测模型，得到目标作物的当前生命周期的单产估测值；
10.获取目标作物的历史每年单产量集；
11.根据目标作物的历史每年单产量集，预测得到目标作物的当前生命周期的潜力单产；
12.根据目标作物的当前生命周期的单产估测值和目标作物的当前生命周期的潜力单产，得到目标作物的当前生命周期的减产量。
13.可选地，生长度日的计算公式为：
14.[0015][0016]
极端生长度日的计算公式为：
[0017][0018][0019]
累计极端天数的计算公式为：
[0020][0021][0022]
累计降雨天数的计算公式为：
[0023][0024][0025]
其中，d
grow,j
为第j生育阶段的生长度日；t
grow,i,j
为第j生育阶段中第i天的生长度日；i为以天为单位的步长；n为第j生育阶段的天数；t
min,j
为第j生育阶段的日最低温；t
base,j
为作物在第j生育阶段的基准温度；t
upper,j
为作物在第j生育阶段的最适温度范围上限；t
max,j
为第j生育阶段的日最高温；d
eg,j
为第j生育阶段中的极端生长度日；t
eg,i,j
为第j生育阶段中第i天的极端生长度日；t
thre,j
为第j生育阶段内影响作物生长的温度上限阈值；d
e,j
为第j生育阶段中累计的极端天数；d
e,i,j
为第j生育阶段内的极热天的第i天；d
p,j
为第j生育阶段中累计降雨天数；d
p,i,j
为第j生育阶段中的降雨天的第i天；pj为第j生育阶段中日降雨量；p
thre,j
为第j生育阶段记作降雨日所必须监测到的最小降雨量阈值。
[0026]
可选地，将目标作物的当前生命周期的各个生育阶段的特征数据输入至训练后的目标作物单产估测模型，得到目标作物的当前生命周期的单产估测值，之前还包括：
[0027]
获取目标作物的历史每年生命周期的各个生育阶段的气象数据；
[0028]
根据目标作物的历史每年生命周期的各个生育阶段的气象数据，计算得到目标作物的历史每年生命周期的各个生育阶段的特征数据；
[0029]
将目标作物的历史每年单产量集和目标作物的历史每年生命周期的各个生育阶段的特征数据分为训练集和测试集；
[0030]
将所述训练集输入至提升集成学习模型，对所述提升集成学习模型进行训练，得到训练后的提升集成学习模型；
[0031]
将所述训练集输入至梯度提升集成学习模型，对所述梯度提升集成学习模型进行训练，得到训练后的梯度提升集成学习模型；
[0032]
将所述训练集输入至堆栈集成学习模型，对所述堆栈集成学习模型进行训练，得到训练后的堆栈集成学习模型；
[0033]
将所述测试集分别输入至训练后的提升集成学习模型、训练后的梯度提升集成学习模型和训练后的堆栈集成学习模型，得到第一测试结果集、第二测试结果集和第三测试结果集；
[0034]
基于目标作物的历史每年单产量集和所述第一测试结果集，得到第一误差比；
[0035]
基于目标作物的历史每年单产量集和所述第二测试结果集，得到第二误差比；
[0036]
基于目标作物的历史每年单产量集和所述第三测试结果集，得到第三误差比；
[0037]
选取所述第一误差比、所述第二误差比和所述第三误差比中的最小值对应的模型作为训练后的目标作物单产估测模型。
[0038]
可选地，基于目标作物的历史每年单产量集和所述第一测试结果，得到第一误差比，公式为：
[0039][0040]
其中，mape为第一误差比；为第一测试结果集中预测的第a年的目标作物单产量；ya为历史第a年的目标作物单产量；m为历史年数。
[0041]
可选地，根据目标作物的历史每年单产量集，预测得到目标作物的当前生命周期的潜力单产，具体包括：
[0042]
根据目标作物的历史每年单产量集采用指数法拟合，预测得到目标作物的当前生命周期的潜力单产。
[0043]
基于高温干旱气象评估作物灾害减产情况的系统，所述基于高温干旱气象评估作物灾害减产情况的系统应用于上述所述的基于高温干旱气象评估作物灾害减产情况的方法，所述基于高温干旱气象评估作物灾害减产情况的系统包括：
[0044]
第一获取模块，用于获取目标作物的当前生命周期的各个生育阶段的气象数据，各个生育阶段的气象数据包括各个生育阶段的每日降雨量和每日温度；
[0045]
计算模块，用于根据目标作物的当前生命周期的各个生育阶段的气象数据，计算得到目标作物的当前生命周期的各个生育阶段的特征数据；各个生育阶段的特征数据包括：各个生育阶段的生长度日、极端生长度日、累计极端天数和累计降雨天数；
[0046]
单产估测值预测模块，用于将目标作物的当前生命周期的各个生育阶段的特征数据输入至训练后的目标作物单产估测模型，得到目标作物的当前生命周期的单产估测值；
[0047]
第二获取模块，用于获取目标作物的历史每年单产量集；
[0048]
潜力单产预测模块，用于根据目标作物的历史每年单产量集，预测得到目标作物的当前生命周期的潜力单产；
[0049]
减产预测模块，用于根据目标作物的当前生命周期的单产估测值和目标作物的当前生命周期的潜力单产，得到目标作物的当前生命周期的减产量。
[0050]
一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述所述的基于高温干旱气象评估作物灾害减产情况的方法。
[0051]
一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序
被执行时实现如上述所述的基于高温干旱气象评估作物灾害减产情况的方法。
[0052]
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：
[0053]
将目标作物的当前生命周期的各个生育阶段的特征数据输入至训练后的目标作物单产估测模型，可以提前得到目标作物的单产量估测值。获取目标作物的历史每年单产量集。利用目标作物的历史每年单产量集，可以得到目标作物的历年单产量趋势，根据历年单产量趋势，可以得到目标作物的当前生命周期的潜力单产。通过目标作物的当前生命周期的单产估测值和目标作物的当前生命周期的潜力单产，可以提前得到目标作物的当前生命周期的减产量，有助于提前根据目标作物的当前生命周期的减产量做出指导并优化种植管理措施。
附图说明
[0054]
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。
[0055]
图1为本发明实施例中的基于高温干旱气象评估作物灾害减产情况的方法的流程图。
具体实施方式
[0056]
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。
[0057]
本发明的目的是提供基于高温干旱气象评估作物灾害减产情况的方法及系统，通过目标作物的当前生命周期的单产估测值和目标作物的当前生命周期的潜力单产，可以提前得到目标作物的当前生命周期的减产量，有助于提前根据目标作物的当前生命周期的减产量做出指导并优化种植管理措施。
[0058]
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。
[0059]
实施例1
[0060]
如图1所示，本发明实施例提供的基于高温干旱气象评估作物灾害减产情况的方法，包括：
[0061]
步骤101：获取目标作物的当前生命周期的各个生育阶段的气象数据，各个生育阶段的气象数据包括各个生育阶段的每日降雨量和每日温度。
[0062]
实施中，若目标作物为玉米，则将玉米生命周期分为6个生育阶段：第一阶段-播种期、第二阶段-出苗期、第三阶段-拔节期、第四阶段-抽雄期、第五阶段-开花吐丝期、第六阶段-成熟期。
[0063]
步骤102：根据目标作物的当前生命周期的各个生育阶段的气象数据，计算得到目标作物的当前生命周期的各个生育阶段的特征数据；特征数据包括：生长度日、极端生长度
日、累计极端天数和累计降雨天数。
[0064]
生长度日(growing degree days,gdd)是指作物在生长季内累积的有效积温，可以作为衡量植物生长积累热量的指标。
[0065]
极热天数(extreme heat days,ehd)表示高温天气出现的频次。
[0066]
极端生长度日(extreme growing degree days,edd)是一种衡量作物生长过程中高温严重程度的指标。
[0067]
降雨日数(precipitation days，pd)是衡量降水情况的一种指标，与降水量等因素来统筹结合时，可以综合评估目标作物各个生育阶段的干旱情况。
[0068]
实施中，采用z-score的方式获取各个生育阶段(第一阶段-播种期、第二阶段-出苗期、第三阶段-拔节期、第四阶段-抽雄期、第五阶段-开花吐丝期、第六阶段-成熟期)历史高温干旱情况和气象指标包括光照、降雨、温度，并计算生长度日、极端生长度日和极端天数。z-score标准化为各个生育阶段内所有得到的气象要素通过下列方式输出一个标准化值：
[0069][0070]
z为标准化值，x为个体的观测值，δ为总体数据的标准差，μ为总体数据的均值。
[0071]
步骤103：将目标作物的当前生命周期的各个生育阶段的特征数据输入至训练后的目标作物单产估测模型，得到目标作物的当前生命周期的单产估测值。
[0072]
步骤104：获取目标作物的历史每年单产量集。
[0073]
步骤105：根据目标作物的历史每年单产量集，预测得到目标作物的当前生命周期的潜力单产。
[0074]
实施中，目标作物的潜在单产(potential yield)是长期的、趋势性的、宏观的，可以根据历史实际单产预测出下一年的潜在产量。在建模时，可以用holt-winters指数法拟合出应有单产。
[0075]
步骤106：根据目标作物的当前生命周期的单产估测值和目标作物的当前生命周期的潜力单产，得到目标作物的当前生命周期的减产量。
[0076]
具体实施中，最后通过产量面积
×
单产方式算出具体减产情况：减产＝(潜力单产-估测单产)
×
面积。
[0077]
生长度日计算公式为：
[0078][0079][0080]
极端生长度日的计算公式为：
[0081]
[0082][0083]
累计极端天数的计算公式为：
[0084][0085][0086]
累计降雨天数的计算公式为：
[0087][0088][0089]
其中，d
grow,j
为第j生育阶段的生长度日；t
grow,i,j
为第j生育阶段中第i天的生长度日；i为以天为单位的步长；n为第j生育阶段的天数；t
min,j
为第j生育阶段的日最低温；t
base,j
为作物在第j生育阶段的基准温度；t
upper,j
为作物在第j生育阶段的最适温度范围上限；t
max,j
为第j生育阶段的日最高温；d
eg,j
为第j生育阶段中的极端生长度日；t
eg,i,j
为第j生育阶段中第i天的极端生长度日；t
thre,j
为第j生育阶段内影响作物生长的温度上限阈值；d
e,j
为第j生育阶段中累计的极端天数；d
e,i,j
为第j生育阶段内的极热天的第i天；d
p,j
为第j生育阶段中累计降雨天数；d
p,i,j
为第j生育阶段中的降雨天的第i天；pj为第j生育阶段中日降雨量；p
thre,j
为第j生育阶段记作降雨日所必须监测到的最小降雨量阈值。
[0090]
采用lightgbm、bagging和stacking三种机器学习方法对历史气象数据进行训练学习。
[0091]
将lightgbm、bagging和stacking三种机器学习方法训练结果通过5年滑动平均预测的方法算出各个区域的预测值，并通过平均绝对误差百分比(mape)来筛选出最优模型，mape值最低的模型为该地区最优基于高温干旱相关气象指标的训练后的目标作物单产估测模型。
[0092]
具体实施中，将目标作物的当前生命周期的各个生育阶段的的特征数据输入至训练后的目标作物单产估测模型，得到目标作物的当前生命周期的单产估测值，之前还包括：
[0093]
获取目标作物的历史每年生命周期的各个生育阶段的气象数据。
[0094]
根据目标作物的历史每年生命周期的各个生育阶段的气象数据，计算得到目标作物的历史每年生命周期的各个生育阶段的特征数据。
[0095]
将目标作物的历史每年单产量集和目标作物的历史每年生命周期的各个生育阶段的特征数据分为训练集和测试集。
[0096]
将所述训练集输入至提升集成学习模型，对所述提升集成学习模型进行训练，得到训练后的提升集成学习模型。
[0097]
在具体实施中，采用提升集成学习模型(bagging)能有效降低目标作物高温干旱集成学习气象单产预测模型的方差，提高模型的泛化能力。将lasso方法应用于bagging模型的过程分为三步。
[0098]
1.通过自助采样生成多个训练子集；2.对每个训练子集使用lasso方法训练得到
一个稀疏线性回归模型；3.将所有基学习器的预测结果用平均法进行融合。这种组合可以充分利用lasso方法在特征选择和稀疏解上的优势，同时通过bagging模型降低模型的方差，提高模型的泛化能力。
[0099]
将训练集输入至梯度提升集成学习模型，对梯度提升集成学习模型进行训练，得到训练后的梯度提升集成学习模型。
[0100]
实施中，lightgbm(light gradient boosting machine)是一种高效的集成学习方法，采用基于梯度提升(gradient boosting)的决策树算法。lightgbm在训练过程中具有较低的内存消耗和计算复杂度，因此在处理目标作物大规模气象指标和气象数据特征集上表现出较高的性能。lightgbm使用到决策树的方法分为5步：1初始化模型并迭代训练多个决策树，每棵树拟合前一棵树的残差；2.在每次迭代中，利用梯度信息选择最佳的分割特征和分割点，以降低损失函数；3.用“直方图优化”法来加速特征分割的计算过程；4.使用“带深度限制的leaf-wise(叶子优先)生长策略”来构建树，这种策略可以减少过拟合的风险，同时提高模型的泛化能力；5.结合所有决策树的预测结果，得到最终的预测输出。综上所述，lightgbm模型通过引入决策树算法和梯度提升方法，以及一系列优化技术，实现了高效、可扩展的集成学习模型，符合目标作物大规模气象数据集和高维特征空间的切实需要；
[0101]
将训练集输入至堆栈集成学习模型，对堆栈集成学习模型进行训练，得到训练后的堆栈集成学习模型。
[0102]
采用堆栈集成学习模型(stacking)对目标作物高温干旱气象指标与气象因素单产预测模型进行建模。stacking是一种通过元模型(本文用)将多个基模型(base-model)进行组合的集成策略，其实质是一种串行结构的多层学习系统。stacking框架是将bp神经网络、lasso、lightgbm和bagging这4个基学习器组合起来进行模型融合。stacking算法前期使用5折交叉验证的方法把原始特征转换为二级特征，然后再对变换得到的二级特征运用元学习器进行常规的训练和拟合。训练过程为：1.利用stacking集成学习方法调用bp神经网络、lasso、lightgbm和bagging这四种类型的学习器对数据集进行训练学习。2.将各分类器得到的训练结果组成一个新的训练样例输入岭回归这一元学习器。3.第二层模型中元学习器的输出值为最终的输出结果。
[0103]
将测试集分别输入至训练后的提升集成学习模型、训练后的梯度提升集成学习模型和训练后的堆栈集成学习模型，得到第一测试结果集、第二测试结果集和第三测试结果集。
[0104]
基于目标作物的历史每年单产量集和第一测试结果集，得到第一误差比。
[0105]
基于目标作物的历史每年单产量集和第二测试结果集，得到第二误差比。
[0106]
基于目标作物的历史每年单产量集和第三测试结果集，得到第三误差比。
[0107]
选取第一误差比、第二误差比和第三误差比中的最小值对应的模型作为训练后的目标作物单产估测模型。
[0108]
基于目标作物的历史每年单产量集和第一测试结果，得到第一误差比，公式为：
[0109][0110]
其中，mape为第一误差比；为第一测试结果集中预测的第a年的目标作物单产量；ya为历史第a年的目标作物单产量；m为历史年数。
[0111]
第二误差比和第三误差比均使用上述公式进行计算。
[0112]
根据目标作物的历史每年单产量集，预测得到目标作物的当前生命周期的潜力单产，具体包括：
[0113]
根据目标作物的历史每年单产量集采用指数法拟合，预测得到目标作物的当前生命周期的潜力单产。在建模时，可以用holt-winters指数法拟合出应有单产。
[0114]
实施例2
[0115]
本发明实施例提供了基于高温干旱气象评估作物灾害减产情况的系统，该系统应用于实施例1中的基于高温干旱气象评估作物灾害减产情况的方法，基于高温干旱气象评估作物灾害减产情况的系统包括：
[0116]
第一获取模块，用于获取目标作物的当前生命周期的各个生育阶段的气象数据，各个生育阶段的气象数据包括各个生育阶段的每日降雨量和每日温度。
[0117]
计算模块，用于根据目标作物的当前生命周期的各个生育阶段的气象数据，计算得到目标作物的当前生命周期的各个生育阶段的特征数据；特征数据包括：生长度日、极端生长度日、累计极端天数和累计降雨天数。
[0118]
单产估测值预测模块，用于将目标作物的当前生命周期的各个生育阶段的特征数据输入至训练后的目标作物单产估测模型，得到目标作物的当前生命周期的单产估测值。
[0119]
第二获取模块，用于获取目标作物的历史每年单产量集。
[0120]
潜力单产预测模块，用于根据目标作物的历史每年单产量集，预测得到目标作物的当前生命周期的潜力单产。
[0121]
减产预测模块，用于根据目标作物的当前生命周期的单产估测值和目标作物的当前生命周期的潜力单产，得到目标作物的当前生命周期的减产量。
[0122]
在一种实施例中，本发明还提供了一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现实施例1中的基于高温干旱气象评估作物灾害减产情况的方法。
[0123]
在一种实施例中，本发明还提供了一种计算机可读存储介质，存储介质上存储有计算机程序，计算机程序被执行时实现实施例1中的基于高温干旱气象评估作物灾害减产情况的方法。
[0124]
本发明提出了基于高温干旱气象评估作物灾害减产情况的方法及系统。本发明旨在研究气候变化因素中的降雨和温度，并计算各个生育阶段的生长度日、极端生长度日、累计极端天数和累计降雨天数等描述极端天气的气象指标纳入到预测模型的特征集中。通过引入lightgbm、bagging和stacking的机器学习方法，提高预测精度和鲁棒性，从而更好地预测玉米单产。同时，本发明还将研究目标作物的当前生命周期的各个生育阶段的对不同气候因素的敏感度，为优化种植管理措施提供指导与参考。
[0125]
本发明的主要研究目的包括：(1)通过目标作物的当前生命周期的各个生育阶段的气象数据，计算各个生育阶段的生长度日、极端生长度日、累计极端天数和累计降雨天数等预测目标作物的单产；(2)通过合理和适用的方式从不同县域的实际单产中分离出趋势单产和气候单产；(3)研究和构建基于3种不同集成学习算法(lightgbm、bagging和stacking)的将各个生育阶段的生长度日、极端生长度日、累计极端天数和累计降雨天数纳入定量分析范畴内的训练后的目标作物单产估测模型；(4)研究3种不同集成学习方法在提
升预测目标作物单产准确度方面的具体表现和效果，并分析目标作物各个生育阶段目标作物单产对不同气候因素的敏感度，指导并优化种植管理措施。
[0126]
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。
[0127]
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.基于高温干旱气象评估作物灾害减产情况的方法，其特征在于，所述基于高温干旱气象评估作物灾害减产情况的方法包括：获取目标作物的当前生命周期的各个生育阶段的气象数据，各个生育阶段的气象数据包括各个生育阶段的每日降雨量和每日温度；根据目标作物的当前生命周期的各个生育阶段的气象数据，计算得到目标作物的当前生命周期的各个生育阶段的特征数据；特征数据包括：生长度日、极端生长度日、累计极端天数和累计降雨天数；将目标作物的当前生命周期的各个生育阶段的特征数据输入至训练后的目标作物单产估测模型，得到目标作物的当前生命周期的单产估测值；获取目标作物的历史每年单产量集；根据目标作物的历史每年单产量集，预测得到目标作物的当前生命周期的潜力单产；根据目标作物的当前生命周期的单产估测值和目标作物的当前生命周期的潜力单产，得到目标作物的当前生命周期的减产量。2.根据权利要求1所述的基于高温干旱气象评估作物灾害减产情况的方法，其特征在于，生长度日的计算公式为：于，生长度日的计算公式为：极端生长度日的计算公式为：极端生长度日的计算公式为：累计极端天数的计算公式为：累计极端天数的计算公式为：累计降雨天数的计算公式为：累计降雨天数的计算公式为：其中，d
grow,j
为第j生育阶段的生长度日；t
grow,i,j
为第j生育阶段中第i天的生长度日；i为以天为单位的步长；n为第j生育阶段的天数；t
min,j
为第j生育阶段的日最低温；t
base,j
为作物在第j生育阶段的基准温度；t
upper,j
为作物在第j生育阶段的最适温度范围上限；t
max,j
为
第j生育阶段的日最高温；d
eg,j
为第j生育阶段中的极端生长度日；t
eg,i,j
为第j生育阶段中第i天的极端生长度日；t
thre,j
为第j生育阶段内影响作物生长的温度上限阈值；d
e,j
为第j生育阶段中累计的极端天数；d
e,i,j
为第j生育阶段内的极热天的第i天；d
p,j
为第j生育阶段中累计降雨天数；d
p,i,j
为第j生育阶段中的降雨天的第i天；p
j
为第j生育阶段中日降雨量；p
thre,j
为第j生育阶段记作降雨日所必须监测到的最小降雨量阈值。3.根据权利要求1所述的基于高温干旱气象评估作物灾害减产情况的方法，其特征在于，将目标作物的当前生命周期的各个生育阶段的特征数据输入至训练后的目标作物单产估测模型，得到目标作物的当前生命周期的单产估测值，之前还包括：获取目标作物的历史每年生命周期的各个生育阶段的气象数据；根据目标作物的历史每年生命周期的各个生育阶段的气象数据，计算得到目标作物的历史每年生命周期的各个生育阶段的特征数据；将目标作物的历史每年单产量集和目标作物的历史每年生命周期的各个生育阶段的特征数据分为训练集和测试集；将所述训练集输入至提升集成学习模型，对所述提升集成学习模型进行训练，得到训练后的提升集成学习模型；将所述训练集输入至梯度提升集成学习模型，对所述梯度提升集成学习模型进行训练，得到训练后的梯度提升集成学习模型；将所述训练集输入至堆栈集成学习模型，对所述堆栈集成学习模型进行训练，得到训练后的堆栈集成学习模型；将所述测试集分别输入至训练后的提升集成学习模型、训练后的梯度提升集成学习模型和训练后的堆栈集成学习模型，得到第一测试结果集、第二测试结果集和第三测试结果集；基于目标作物的历史每年单产量集和所述第一测试结果集，得到第一误差比；基于目标作物的历史每年单产量集和所述第二测试结果集，得到第二误差比；基于目标作物的历史每年单产量集和所述第三测试结果集，得到第三误差比；选取所述第一误差比、所述第二误差比和所述第三误差比中的最小值对应的模型作为训练后的目标作物单产估测模型。4.根据权利要求3所述的基于高温干旱气象评估作物灾害减产情况的方法，其特征在于，基于目标作物的历史每年单产量集和所述第一测试结果，得到第一误差比，公式为：其中，mape为第一误差比；为第一测试结果集中预测的第a年的目标作物单产量；y
a
为历史第a年的目标作物单产量；m为历史年数。5.根据权利要求1所述的基于高温干旱气象评估作物灾害减产情况的方法，其特征在于，根据目标作物的历史每年单产量集，预测得到目标作物的当前生命周期的潜力单产，具体包括：根据目标作物的历史每年单产量集采用指数法拟合，预测得到目标作物的当前生命周期的潜力单产。6.基于高温干旱气象评估作物灾害减产情况的系统，其特征在于，所述基于高温干旱
气象评估作物灾害减产情况的系统应用于所述权利要求1-5中任意一项，所述基于高温干旱气象评估作物灾害减产情况的系统包括：第一获取模块，用于获取目标作物的当前生命周期的各个生育阶段的气象数据，各个生育阶段的气象数据包括各个生育阶段的每日降雨量和每日温度；计算模块，用于根据目标作物的当前生命周期的各个生育阶段的气象数据，计算得到目标作物的当前生命周期的各个生育阶段的特征数据；特征数据包括：生长度日、极端生长度日、累计极端天数和累计降雨天数；单产估测值预测模块，用于将目标作物的当前生命周期的各个生育阶段的特征数据输入至训练后的目标作物单产估测模型，得到目标作物的当前生命周期的单产估测值；第二获取模块，用于获取目标作物的历史每年单产量集；潜力单产预测模块，用于根据目标作物的历史每年单产量集，预测得到目标作物的当前生命周期的潜力单产；减产预测模块，用于根据目标作物的当前生命周期的单产估测值和目标作物的当前生命周期的潜力单产，得到目标作物的当前生命周期的减产量。7.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的方法。8.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被执行时实现如权利要求1至5中任一项所述的方法。

技术总结
本发明公开基于高温干旱气象评估作物灾害减产情况的方法及系统，涉及作物气象灾害产量估测分析领域；方法包括：根据目标作物的当前生命周期的各个生育阶段的气象数据，计算得到目标作物的当前生命周期的各个生育阶段的特征数据；将目标作物的当前生命周期的各个生育阶段的特征数据输入至训练后的目标作物单产估测模型，得到目标作物的当前生命周期的单产估测值；根据目标作物的历史每年单产量集，预测得到目标作物的当前生命周期的潜力单产；根据目标作物的当前生命周期的单产估测值和目标作物的当前生命周期的潜力单产，得到目标作物的当前生命周期的减产量。本发明通过预测目标作物的潜力单产和单产估测值，得到作物的减产量。减产量。减产量。


技术研发人员：许世卫 李乾川 庄家煜 张永恩 李灯华
受保护的技术使用者：中国农业科学院农业信息研究所
技术研发日：2023.05.22
技术公布日：2023/8/13