作物产量估测方法、装置、设备及存储介质与流程

1.本发明涉及农业遥感技术领域，尤其涉及一种作物产量估测方法、装置、设备及存储介质。


背景技术：

2.将作物模型与遥感数据进行同化以进行作物长势监测和产量估测已成为可靠的作物生长研究方法。其中，作物模型的机理特征可以动态提供逐日的长势信息；遥感数据的时效性保证了作物模型在模拟过程与实际生产过程一致。
3.目前，耦合作物生长模型与遥感数据相结合的同化算法主要包括变分算法和滤波算法，其中，变分方法是根据背景误差和观测误差，将观测值同化到模拟过程中，然而，变分方法无法体现在同化过程中，各同化节点所对应的作物不同关键生育期的影响，可能会导致同化结果的准确性较低。而滤波算法是通过集成多组模拟值与观测值计算预测结果的概率分布，最终获得有优的预测值，但是，滤波算法可能存在滤波器发散问题，导致模拟过程出现剧烈的震荡，从而导致作物产量估测的准确性较低。


技术实现要素：

4.本发明提供一种作物产量估测方法、装置、设备及存储介质，旨在提高作物产量估测的准确性。
5.本发明提供一种作物产量估测方法，包括：获取待测区域的多维参数信息和遥感数据；将所述多维参数信息输入至作物生长模型，得到所述作物生长模型输出的模拟叶面积指数数据；基于不同生育期对应的生育期权重，对所述遥感数据和所述模拟叶面积指数数据进行同化耦合处理，得到同化叶面积指数数据；其中，所述不同生育期对应的生育期权重是基于各个生育期对应的产量预测模型计算得到，任一所述生育期对应的产量预测模型是基于所述待测区域中作物的历史作物产量以及任一所述生育期的历史监测数据进行迭代训练得到；将所述同化叶面积指数数据输入至所述作物生长模型，得到所述作物生长模型输出的作物产量估算结果。
6.根据本发明提供的一种作物产量估测方法，所述不同生育期对应的生育期权重是基于如下步骤确定：获取所述待测区域中作物的历史作物产量以及不同生育期的历史监测数据；基于所述历史作物产量和所述不同生育期的历史监测数据，构建各个生育期对应的产量预测模型；利用预设权重优化算法将各所述生育期对应的产量预测模型进行融合，得到各所述产量预测模型的生育期权重系数。
7.根据本发明提供的一种作物产量估测方法，所述基于不同生育期对应的生育期权重，对所述遥感数据和所述模拟叶面积指数数据进行同化耦合处理，得到同化叶面积指数数据，包括：对所述遥感数据进行反演处理，得到反演叶面积指数数据；基于各所述生育期权重、所述反演叶面积指数数据以及所述模拟叶面积指数数据，利用预设同化算法计算得到所述同化叶面积指数数据。
8.根据本发明提供的一种作物产量估测方法，所述基于各所述生育期权重、所述反演叶面积指数数据以及所述模拟叶面积指数数据，利用预设同化算法计算得到所述同化叶面积指数数据，包括：基于各所述生育期权重，构建所述预设同化算法中的观测算子；利用新构建观测算子的预设同化算法，对所述反演叶面积指数数据和所述模拟叶面积指数数据进行同化处理，得到所述同化叶面积指数数据。
9.根据本发明提供的一种作物产量估测方法，所述对所述遥感数据进行反演处理，得到反演叶面积指数数据，包括：基于所述遥感数据，计算得到各个采样点的植被指数数据；将各所述采样点的植被指数数据输入至反演模型，得到所述反演模型输出的反演叶面积指数数据；其中，所述反演模型是基于历史遥感数据以及各个训练采样点的实测叶面积指数数据进行迭代训练得到。
10.根据本发明提供的一种作物产量估测方法，所述反演模型是基于如下步骤训练得到：获取历史遥感数据以及各个训练采样点的实测叶面积指数数据；基于所述历史遥感数据，计算得到各个训练采样点的植被指数数据；基于各所述训练采样点的植被指数数据以及实测叶面积指数数据，对初始回归模型进行迭代训练，得到所述反演模型。
11.根据本发明提供的一种作物产量估测方法，所述获取待测区域的多维参数信息，包括：获取若干个模型参数组合；基于各所述模型参数组合以及所述实测叶面积指数数据，利用预设参数优化算法迭代计算得到所述作物生长模型的优化初始参数组合，并将所述优化初始参数组合作为所述多维参数信息。
12.本发明还提供一种作物产量估测装置，包括：获取模块，用于获取待测区域的多维参数信息和遥感数据；模拟模块，用于将所述多维参数信息输入至作物生长模型，得到所述作物生长模型输出的模拟叶面积指数数据；同化模块，用于基于不同生育期对应的生育期权重，对所述遥感数据和所述模拟叶面积指数数据进行同化耦合处理，得到同化叶面积指数数据；其中，所述不同生育期对应的生育期权重是基于各个生育期对应的产量预测模型计算得到，任一所述生育期对应的产量预测模型是基于所述待测区域中作物的历史作物产
量以及任一所述生育期的历史监测数据进行迭代训练得到；产量估算模块，用于将所述同化叶面积指数数据输入至所述作物生长模型，得到所述作物生长模型输出的作物产量估算结果。
13.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述作物产量估测方法。
14.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述作物产量估测方法。
15.本发明提供的作物产量估测方法、装置、设备及存储介质，通过在同化耦合过程中，以叶面积指数数据作为同化量，规避了发散现象，并且结合各生育期的权重系数，对遥感数据和模拟叶面积指数数据进行同化耦合处理，能够精确地反应各生育阶段对作物生长的影响，有效提升作物模型与遥感数据的同化耦合效果，进而提升作物产量评估的准确性。
附图说明
16.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图逐一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
17.图1是本发明提供的作物产量估测方法的流程示意图；图2是本发明提供的作物产量估测装置的结构示意图；图3是本发明提供的电子设备的结构示意图。
具体实施方式
18.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
19.在本发明一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明一个或多个实施例。在本发明一个或多个实施例中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本发明一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
20.应当理解，尽管在本发明一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”。
21.图1是本发明提供的作物产量估测方法的流程示意图。如图1所示，该作物产量估测方法包括：
步骤11，获取待测区域的多维参数信息和遥感数据；所述多维参数信息包括气象数据、土壤数据和作物参数，所述气象数据包括日太阳辐射、日最高温度、日最低气温、日降雨量、日相对湿度和日平均风速等数据，所述作物参数包括光能有效利用率、比叶面积、积温和叶片分配系数等参数。
22.所述遥感数据包括modis、mcd15、glass以及sentinel2对应的遥感影像数据，优先地，在本实施例中，选取sentinel2遥感影像的l2a级数据，l2a级数据主要包含经过辐射定标和大气校正的大气底层反射率数据。
23.步骤12，将所述多维参数信息输入至作物生长模型，得到所述作物生长模型输出的模拟叶面积指数数据；需要说明的是，所述作物生长模型是一种面向过程、机理性的动态模型，能够动态地定量描述作物生长、发育、籽粒形成以及产量形成过程中的一系列生理过程，所述作物机理模型包括mcwla系列模型、ceres系列模型、apsim模型和wofost模型等。作物可包括玉米、水稻、小麦和大豆等农作物。
24.进一步需要说明的是，在将所述多维参数信息输入至作物生长模型进行模拟之前，需要先对作物生长模型的作物参数进行标定，具体地，对所述预测区域的作物生长模型进行敏感性分析，例如：借助于敏感性与不确定性专业分析软件simlab实现作物生长模型的参数全局敏感性分析。参数全局敏感性分析如下：首先，将预先设定的作物生长模型的各个输入参数在取值范围内均匀分布，进而利用蒙特卡洛方法分别随机采样，获取若干个模型参数组合；然后，将生成的模型参数组合输入到作物生长模型中，获得模型参数组合对应的模拟叶面积指数；最后，利用扩展的傅里叶振幅敏感度检验法efast计算模型参数组合中各个参数的一阶敏感型指数和总敏感性指数，确定敏感度较高的参数以及敏感度较低或者不敏感的参数。进一步地，针对敏感度较低或者不敏感的参数，可使用模型的默认值，而针对敏感度较高的参数，通过优化算法对实测叶面积指数数据和模型参数组合对应的模拟叶面积指数进行标定，从而得到最优的参数组合，从而将最优的参数组合作为所述多维参数信息，并代入作物生长模型进行模拟作物生长情况。
25.具体地，将所述多维参数信息中的气象数据、土壤数据和作物参数输入至所述作物生长模型中，以根据所述作物生长模型输出的结果，确定所述模拟叶面积指数数据。
26.步骤13，基于不同生育期对应的生育期权重，对所述遥感数据和所述模拟叶面积指数数据进行同化耦合处理，得到同化叶面积指数数据；其中，所述不同生育期对应的生育期权重是基于各个生育期对应的产量预测模型计算得到，任一所述生育期对应的产量预测模型是基于所述待测区域中作物的历史作物产量以及任一所述生育期的历史监测数据进行迭代训练得到；需要说明的是，首先根据所述待测区域中作物的历史作物产量以及任一所述生育期的历史监测数据，分别构建得到各个生育期对应的产量预测模型，进而可计算各个生育期对应的产量预测模型在整个生育期的系数占比，从而得到不同生育期对应的生育期权重。从而将不同生育期对应的生育期权重进行同化耦合处理，大大提升作物生长模型与遥感数据的耦合同化效果。
27.具体地，首先对所述遥感数据进行反演处理，得到反演叶面积指数数据，可选地，预先构建植被指数数据和叶面积指数之间的回归模型，进而计算所述遥感数据对应的植被
指数数据，从而将所述遥感数据对应的植被指数数据输入至回归模型中，即可得到所述回归模型输出的反演叶面积指数数据。
28.进一步地，利用预设同化算法将不同生育期对应的生育期权重和所述反演叶面积指数数据同化至作物生长模型的模拟过程中，具体地，基于所述不同生育期对应的生育期权重，构建得到预设同化算法的观测算子，进而利用新构建观测算子的同化算法对所述反演叶面积指数数据和所述模拟叶面积指数数据进行同化处理，得到所述同化叶面积指数数据，所述预设同化算法是ensrf滤波算法，ensrf是一种不扰动观测数据的确定性滤波算法，ensrf滤波算法保留了集合卡尔曼滤波算法中的背景误差协方差的集成预测和估计模式。在构造同化算法的观测算子时，综合考虑了作物不同生育期对同化过程的影响，从而能够有效提升作物模型与遥感数据的耦合效果。
29.步骤14，将所述同化叶面积指数数据输入至所述作物生长模型，得到所述作物生长模型输出的作物产量估算结果。
30.具体地，以所述同化叶面积指数数据重新驱动作物生长模型，即可得到所述作物生长模型输出的待测区域的作物产量估算结果。
31.本发明实施例通过在同化耦合过程中，以叶面积指数数据作为同化量，避免了模拟过程出现剧烈的震荡现象，并且结合各生育期的权重系数，对遥感数据和模拟叶面积指数数据进行同化耦合处理，能够精确地反应各生育阶段对作物生长的影响，有效提升作物模型与遥感数据的同化耦合效果，进而提升作物产量评估的准确性。
32.在本发明的一个实施例中，所述基于不同生育期对应的生育期权重，对所述遥感数据和所述模拟叶面积指数数据进行同化耦合处理，得到同化叶面积指数数据，包括：对所述遥感数据进行反演处理，得到反演叶面积指数数据；基于各所述生育期权重、所述反演叶面积指数数据以及所述模拟叶面积指数数据，利用预设同化算法计算得到所述同化叶面积指数数据。其中，所述基于各所述生育期权重、所述反演叶面积指数数据以及所述模拟叶面积指数数据，利用预设同化算法计算得到所述同化叶面积指数数据，包括：基于各所述生育期权重，构建所述预设同化算法中的观测算子；利用新构建观测算子的预设同化算法，对所述反演叶面积指数数据和所述模拟叶面积指数数据进行同化处理，得到所述同化叶面积指数数据。
33.需要说明的是，所述预设同化算法是ensrf滤波算法，所述ensrf滤波算法是解决enkf集合卡尔曼滤波算法中滤波器发散问题的一种确定性滤波算法，ensrf滤波算法保留了enkf集合卡尔曼滤波算法中背景误差协方差的集成仿真和估计模式，并重新定义了解析式方程。ensrf滤波算法中的分析样本包含了样本的均值和偏差，不需要干扰观测数据，分析误差协方差的准确性比enkf集合卡尔曼滤波算法的准确性高。所述ensrf滤波算法中设置有线性化标准观测算子。
34.具体地，计算所述遥感数据的植被指数数据，利用预先构建的植被指数数据和叶面积指数之间的回归模型，对遥感数据的植被指数数据进行反演处理，得到反演叶面积指数数据，进一步地，为了能够精确地反应各生育阶段对作物生长的影响，提高同化结果的准确性，在本实施例中，结合各所述生育期权重，构造得到ensrf滤波算法的新的观测算子，其中，ensrf滤波算法中新的观测算子可表示为gm=h
mdm
，gm表示m
×
p的矩阵，hm表示线性化标准观测算子，m表示自由度，是通过hm来控制，p表示生育期个数，是通过dm来控制，其中，dm表
示从初始时间积分到时间 m 的切向模式，各个生育期的生育期权重都存在dm矩阵里，保证观测算子可以投影到与模拟值数量一致的空间中。进而利用新构建观测算子的预设同化算法，对所述反演叶面积指数数据和所述模拟叶面积指数数据进行同化处理，得到所述同化叶面积指数数据。
35.本发明实施例在构造观测算子时进一步考虑作物不同生育期对同化过程的影响，从而确定观测算子中各生育期对同化耦合过程的权重系数，有效提升作物模型与遥感数据的耦合效果，从而提高作物产量评估的准确性。
36.在本发明的一个实施例中，所述对所述遥感数据进行反演处理，得到反演叶面积指数数据，包括：基于所述遥感数据，计算得到各个采样点的植被指数数据；将各所述采样点的植被指数数据输入至反演模型，得到所述反演模型输出的反演叶面积指数数据；其中，所述反演模型是基于历史遥感数据以及各个训练采样点的实测叶面积指数数据进行迭代训练得到。
37.需要说明的是，植被指数数据包括ndvi（normalized vegetation index，归一化植被指数）、ci（clumping index，植被聚集指数）、spei（standardized precipitation evapotranspiration index，标准化降水蒸散指数）等植被指数数据。
38.具体地，基于所述遥感数据，计算得到各个采样点的植被指数数据，进而将各所述采样点的植被指数数据输入至反演模型，根据所述反演模型输出的结果，确定各个采样点的反演叶面积指数数据，所述反演模型是基于由历史遥感数据计算得到的各个训练采样点的植被指数数据以及各个训练采样点的实测叶面积指数数据进行迭代训练得到，可以理解地，通过所述反演模型学习各个训练采样点的植被指数数据和叶面积指数数据之间的逻辑回归关系，从而可根据遥感数据计算得到的各个采样点的植被指数数据，利用所述反演模型计算得到反演叶面积指数数据。
39.在一个实施例中，所述反演模型是基于如下步骤训练得到：获取历史遥感数据以及各个训练采样点的实测叶面积指数数据；基于所述历史遥感数据，计算得到各个训练采样点的植被指数数据；基于各所述训练采样点的植被指数数据以及实测叶面积指数数据，对初始回归模型进行迭代训练，得到所述反演模型。
40.需要说明的是，所述反演模型是通过逻辑回归算法训练得到的模型。
41.具体地，获取历史遥感数据以及各个训练采样点的实测叶面积指数数据，进而基于所述历史遥感数据，计算得到各个训练采样点的植被指数数据，在迭代训练过程中，针对任意一个训练采样点的植被指数数据，将所述训练采样点的植被指数数据输入至初始反演模型中，得到所述初始反演模型输出的叶面积指数预测值，进而基于叶面积指数预测值和叶面积指数数据，计算得到模型损失值，进而基模型损失值，对所述初始反演模型进行参数更新，此次模型训练结束，之后进行下一次的模型训练，直至达到预设训练结束条件，得到所述反演模型，其中，所述预设训练结束条件包括损失收敛和达到最大迭代次数阈值等。
42.本发明实施例通过上述方案，实现了基于历史遥感数据以及各个训练采样点的实测叶面积指数数据训练得到反演模型，从而可通过反演模型精准反演得到遥感数据对应的反演叶面积指数数据。
43.在本发明的一个实施例中，所述不同生育期对应的生育期权重是基于如下步骤确
定：获取所述待测区域中作物的历史作物产量以及不同生育期的历史监测数据；基于所述历史作物产量和所述不同生育期的历史监测数据，构建各个生育期对应的产量预测模型；利用预设权重优化算法将各所述生育期对应的产量预测模型进行融合，得到各所述产量预测模型的生育期权重系数。
44.需要说明的是，不同生育期的历史监测数据是指各个生育期阶段对作物产量具有影响的数据，例如，作物的茎数、高度和结实粒数等数据，其中，不同生育期对应的监测数据不尽相同。
45.具体地，获取所述待测区域中作物在各个生育期对应的历史监测数据，以及获取待测区域中作物的历史作物产量，进而根据所述历史作物产量和任一生育期的历史监测数据，利用逻辑回归算法进行迭代训练得到任一生育期对应的产量预测模型，模型具体训练过程是：将所述生育期的历史监测数据输入至初始预测模型中，得到初始预测模型输出的预测值，进而根据预测值和历史作物产量，计算得到损失值，进而基于损失值，更新待初始预测模型中的模型参数，本次训练过程结束，之后再进行下一次训练。在训练的过程中，判断更新后的初始预测模型是否满足预设训练结束条件，若满足，则将更新后的初始预测模型作为生育期对应的产量预测模型，若不满足，则继续训练模型。
46.可以理解地，假设水稻的生育期包括返青生育时期、拔节生育时期、抽穗生育时期和成熟生育时期。对于返青生育时期，返青生育时期的历史监测数据包括茎数fqjs；对于拔节生育时期，拔节生育时期的历史监测数据包括高度bjgd和茎数bjjs；对于抽穗生育时期，抽穗生育时期的历史监测数据包括有效茎数csyx和一次枝梗数csyc；对于成熟生育时期，成熟生育时期的历史监测数据包括高度rsgd、总茎数rszj和结实粒数rsjs。并且获取水稻的历史作物产量clsd。
47.进一步地，根据上述不同生育期的历史监测数据，分别构建各个生育期对应的产量预测模型，其中，返青生育时期对应的产量预测模型的表达式是：clsd＝d
×
fqjs e，拔节生育时期对应的产量预测模型的表达式是：clsd＝f
×
bjgd h
×
bjjs i，抽穗生育时期对应的产量预测模型的表达式是：clsd＝j
×
csyx k
×
csyc l，成熟生育时期对应的产量预测模型的表达式是：clsd＝m
×
rsgd n
×
rszj o
×
rsjs p。其中，d和e为返青生育时期对应的产量预测模型的模型参数；f、h和i为拔节生育时期对应的产量预测模型的模型参数；j、k和l为抽穗生育时期对应的产量预测模型的模型参数；m、n、o和p为成熟生育时期对应的产量预测模型的模型参数。
48.进一步地，基于各个生育期对应的产量预测模型，利用预设权重优化算法来计算确定各个生育期对应的产量预测模型在全生育期中的系数占比，从而构建得到整个生育期对应的产量预测模型，并将各个生育期对应的产量预测模型的系数占比作为各个生育期对应的产量预测模型的生育期权重系数，其中，预设权重优化算法包括遗传算法、粒子群算法、模拟退火算法以及蚁群算法等算法，优选地，在本实施例中，选取遗传算法。例如，整个生育期对应的产量预测模型如下：f=0.0703
×
f三叶 0.012
××
f七叶 0.460
×
f拔节 0.054
×
f抽穗 0.183
×
f乳熟 0.226
×
f成熟，其中，0.0703表示三叶生育期对应的产量预测模型的生育期权重系数，0.226表示成熟生育期对应的产量预测模型的生育期权重系数。
49.本发明实施例通过先建立各个生育期与作物产量的回归模型，再通过遗传算法建
立整个生育期的产量预测模型，从而计算得到各个生育期对应的产量预测模型的生育期权重系数，进而将各个生育期对应的生育期权重系数运用在同化算法中，以结合各生育阶段对作物生长的影响，有效提升作物模型与遥感数据的耦合效果。
50.在本发明的一个实施例中，所述获取待测区域的多维参数信息，包括：获取若干个模型参数组合；基于各所述模型参数组合以及所述实测叶面积指数数据，利用预设参数优化算法迭代计算得到所述作物生长模型的优化初始参数组合，并将所述优化初始参数组合作为所述多维参数信息。
51.需要说明的是，所述实测叶面积指数数据是预先在所述待测区域内的各个训练采样点进行实地测量得到的叶面积指数数据，各个训练采样点可根据实际采样情况设置，在此不做具体限制。
52.具体地，获取所述待测区域内各个采样点的实测叶面积指数数据，在同化耦合处理前，将任意一个模型参数组合输入至作物生长模型，得到任意一个模型参数组合对应的模拟值，基于所述任意一个模型参数组合对应的模拟值以及所述实测叶面积指数数据，计算得到代价损失值，进一步地，利用预设参数优化算法以最小化代价损失值为目标，多次迭代计算得到所述作物生长模型的最优参数组合，并将所述最优参数组合作为所述多维参数信息，从而使得作物生长模型模拟得到的模拟叶面积指数数据与真实测量到的实测叶面积指数数据之间的差异最小，其中，所述预设参数优化算法包括sce-ua算法、梯度下降算法和牛顿法等方法，优选地，选取sce-ua算法进行模型参数优化。进一步地，在计算得到多维参数信息后，以所述多维参数信息驱动运行所述作物生长模型。
53.本发明实施例通过作物生长模型的模拟值和实测得到的实测叶面积指数数据，利用预设参数优化算法迭代计算得到所述作物生长模型的优化初始参数组合，从而在进行产量评估时，以优化初始参数组合来驱动运行模型，提高产量评估的精确度。
54.下面对本发明提供的作物产量估测装置进行描述，下文描述的作物产量估测装置与上文描述的作物产量估测方法可相互对应参照。
55.图2是本发明提供的作物产量估测装置的结构示意图，如图2所示，本发明实施例的一种作物产量估测装置，该装置包括：获取模块21，用于获取待测区域的多维参数信息和遥感数据；模拟模块22，用于将所述多维参数信息输入至作物生长模型，得到所述作物生长模型输出的模拟叶面积指数数据；同化模块23，用于基于不同生育期对应的生育期权重，对所述遥感数据和所述模拟叶面积指数数据进行同化耦合处理，得到同化叶面积指数数据；其中，所述不同生育期对应的生育期权重是基于各个生育期对应的产量预测模型计算得到，任一所述生育期对应的产量预测模型是基于所述待测区域中作物的历史作物产量以及任一所述生育期的历史监测数据进行迭代训练得到；产量估算模块24，用于将所述同化叶面积指数数据输入至所述作物生长模型，得到所述作物生长模型输出的作物产量估算结果。
56.所述作物产量估测装置还包括：获取所述待测区域中作物的历史作物产量以及不同生育期的历史监测数据；基于所述历史作物产量和所述不同生育期的历史监测数据，构建各个生育期对应
的产量预测模型；利用预设权重优化算法将各所述生育期对应的产量预测模型进行融合，得到各所述产量预测模型的生育期权重系数。
57.所述同化模块23还用于：对所述遥感数据进行反演处理，得到反演叶面积指数数据；基于各所述生育期权重、所述反演叶面积指数数据以及所述模拟叶面积指数数据，利用预设同化算法计算得到所述同化叶面积指数数据。
58.所述同化模块23还用于：基于各所述生育期权重，构建所述预设同化算法中的观测算子；利用新构建观测算子的预设同化算法，对所述反演叶面积指数数据和所述模拟叶面积指数数据进行同化处理，得到所述同化叶面积指数数据。
59.所述同化模块23还用于：基于所述遥感数据，计算得到各个采样点的植被指数数据；将各所述采样点的植被指数数据输入至反演模型，得到所述反演模型输出的反演叶面积指数数据；其中，所述反演模型是基于历史遥感数据以及各个训练采样点的实测叶面积指数数据进行迭代训练得到。
60.所述作物产量估测装置还包括：获取历史遥感数据以及各个训练采样点的实测叶面积指数数据；基于所述历史遥感数据，计算得到各个训练采样点的植被指数数据；基于各所述训练采样点的植被指数数据以及实测叶面积指数数据，对初始回归模型进行迭代训练，得到所述反演模型。
61.所述获取模块21还用于：获取若干个模型参数组合；基于各所述模型参数组合以及所述实测叶面积指数数据，利用预设参数优化算法迭代计算得到所述作物生长模型的优化初始参数组合，并将所述优化初始参数组合作为所述多维参数信息。
62.在此需要说明的是，本发明实施例提供的上述装置，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同技术效果，在此不再对本实施例中与方法实施例相同部分及有益效果进行具体赘述。
63.图3是本发明提供的电子设备的结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、存储器(memory)320、通信接口(communications interface)330和通信总线340，其中，处理器310，存储器320，通信接口330通过通信总线340完成相互间的通信。处理器310可以调用存储器320中的逻辑指令，以执行作物产量估测方法，该方法包括：获取待测区域的多维参数信息和遥感数据；将所述多维参数信息输入至作物生长模型，得到所述作物生长模型输出的模拟叶面积指数数据；基于不同生育期对应的生育期权重，对所述遥感数据和所述模拟叶面积指数数据进行同化耦合处理，得到同化叶面积指数数据；其中，所述不同生育期对应的生育期权重是基于各个生育期对应的产量预测模型计算得到，任一所述生育期对应的产量预测模型是基于所述待测区域中作物的历史作物产量以及
任一所述生育期的历史监测数据进行迭代训练得到；将所述同化叶面积指数数据输入至所述作物生长模型，得到所述作物生长模型输出的作物产量估算结果。
64.此外，上述的存储器320中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
65.又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的作物产量估测方法，该方法包括：获取待测区域的多维参数信息和遥感数据；将所述多维参数信息输入至作物生长模型，得到所述作物生长模型输出的模拟叶面积指数数据；基于不同生育期对应的生育期权重，对所述遥感数据和所述模拟叶面积指数数据进行同化耦合处理，得到同化叶面积指数数据；其中，所述不同生育期对应的生育期权重是基于各个生育期对应的产量预测模型计算得到，任一所述生育期对应的产量预测模型是基于所述待测区域中作物的历史作物产量以及任一所述生育期的历史监测数据进行迭代训练得到；将所述同化叶面积指数数据输入至所述作物生长模型，得到所述作物生长模型输出的作物产量估算结果。
66.以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
67.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
68.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。