m0_51317300的博客

原创 WOFOST原理公式7.2版-气象公式

日照时长：太阳高度角大于0°的时间段，需考虑大气折射（地平线修正-0.833°）和光周期（如植物对低光强敏感，修正-4°）。Rav  J m⁻² d⁻¹（到达地表短波辐射，若无观测可用 Angstrom 公式 2.11 或 2.12 先算）太阳高度角（β）：太阳光线与地表平面的夹角，受纬度、日期（太阳赤纬δ）和时刻（th）影响。γ₀ = Cp·P₀·ε / λ，γ₀ = 0.67 kPa °C⁻¹（模型固定值）Cp = 1.013×10⁻³ MJ kg⁻¹ °C⁻¹（湿空气定压比热）

原创 WOFOST学习笔记4

PCSE提供了多样化的农业模型数据输入方案，包含天气数据（本地文件、在线API、全球数据库三类）、作物参数（YAML格式）、站点参数（适配WOFOST各版本）和农事管理（基于YAML的事件驱动配置）。其中天气数据支持CABO/Excel/CSV本地文件及NASA/OpenMeteo在线服务；作物参数采用模块化设计支持多作物轮作；站点参数针对WOFOST 7.2至8.1版本提供差异化参数集；农事管理通过YAML定义种植季时序事件和状态事件，实现种植日历的灵活配置。所有组件均采用标准化接口，支持缓存机制提升效率

原创 WOFOST学习笔记总结

本文介绍了PCSE框架中数据输入模块和作物模型的主要功能。pcse.input模块提供天气、参数和管理文件的读取功能，其中NASAPowerWeatherDataProvider类支持从NASA POWER数据库获取气象数据，并提供两种ET₀计算方法（PM标准方法和简化Penman方法）。WOFOST作物模型采用0-1-2的物候尺度，主要受温度驱动，不同版本模型在CO₂影响、生物量分配、水分和氮平衡等方面存在差异，包括潜在生产、水分限制和氮限制等不同模拟级别。表格详细对比了17种模型在产量水平、CO₂影响、

原创 WOFOST-python 关键参数辨识

本文介绍了农业生产模型中的几种关键类型：PP（光温潜力产量）、FAO_WRSI10_WLP_CWB（水分限制产量）和Lintul10_NWLP_CWB_CNB（光能+水氮限制）。重点解析了WOFOST模型系列，包括7.2、7.3和8.1三个版本，涵盖潜在生产(PP)、水分限制(WLP)和水氮双重限制(NWLP)等模块。其中WOFOST 8.1功能最全面，支持多层水平衡(MLWB)和高级碳氮模块(SNOMIN)，能模拟土壤有机质动态。这些模型适用于不同精度的产量估算需求，从快速评估到详细过程模拟。

原创 如何在WOFOST模型中，制作yaml文件，并指向自己的Crop文件？

摘要： 本文介绍了如何创建适用于PCSE的YAML作物参数文件。方法包括：1）用记事本新建文件并修改后缀为.yaml；2）使用VS Code安装YAML插件进行语法高亮和自动对齐。详细说明了YAML文件结构，必须包含crop_name和variety_name等顶层键，以及作物参数、叶面积发育、光合同化等7大类参数配置。最后指导如何将自定义YAML文件路径指向PCSE，完成与ParameterProvider的对接。关键点包括：使用空格缩进、注意冒号后空格、通过插件检查语法错误，以及按WOFOST格式规范编

原创 WOFOST模型经典输入与替换

摘要： 本文介绍了WOFOST作物模型的参数配置与运行流程，涵盖四类关键数据来源：作物参数（.crop/.yml）、土壤参数（.soil/.json）、站点数据（代码字典）和农事管理（.agro）。模型支持潜在生产（PP）、水分限制（WLP_CWB）和氮素限制（WLP_NWB）三种模式，其中水分限制最常用。通过最小代码模板（含NASA气象数据调用）可快速运行，替换作物、土壤或气象数据仅需修改对应文件路径或参数。农事管理通过YAML文件调整播期、灌溉等关键事件，输出结果以DataFrame格式保存，便于分析。

原创 R语言与python升级包的问题

本文介绍了R和Python版本升级时的包管理策略。对于R语言，建议保留旧版本1-2个月，使用.libPaths()管理库路径或采用renv包创建项目独立环境。Python推荐使用虚拟环境（venv/conda）隔离项目依赖，通过requirements.txt或environment.yml文件保存配置。两者都应保持版本共存，R通过RStudio切换版本，Python使用pyenv管理多版本。关键建议包括：不要立即删除旧版本、优先测试核心工作流、定期备份环境配置、谨慎清理缓存。这些方法能确保平稳过渡到新版本

原创 虚拟环境建立问题

摘要：在PyCharm中新建项目时，直接选择"项目venv"并指定Anaconda的python.exe即可自动创建隔离的虚拟环境，无需提前在Anaconda Prompt创建环境。PyCharm会在项目目录下生成.venv文件夹作为独立环境，比手动创建conda环境更清晰简单。若已创建conda环境，也可在PyCharm中选择现有环境，但需注意与venv环境的区别。推荐直接使用PyCharm内置的venv功能。

原创 ENVI波段合成

ENVI波段合成操作指南：UTM Zone仅在投影坐标下生效，地理坐标（度）需忽略该选项；Datum基准面通常默认WGS-84，可通过头文件或工程报告确认。地理坐标系适合大尺度观测，UTM投影便于精确量算。ENVI 32位与64位版本算法一致，但64位支持更大内存处理。建议直接在Layer Stacking中选择波段子集，避免先重采样导致插值误差。

原创 WOFOST模型局限性

摘要：本文总结了作物模型使用中的常见限制和问题解决方案。模型未考虑病虫害等动态因素，部分参数固定处理。常见错误包括输入参数越界、文件缺失或路径错误等，可通过检查日志和文件路径解决。针对不同应用场景（如新品种模拟、区域分析等）提供了具体操作建议，包括参数调整、数据准备和模式选择等。模型校准需通过实测数据对比调整关键参数。

原创 它山之石可以攻玉，Wofost模型参数确定：

本文基于WOFOST作物模型，分别以水稻和棉花为研究对象开展数据获取与参数标定研究。针对湖北省武穴市2015年水稻数据，整合气象（中国气象数据网）、土壤（SoilGrids）及地面实测数据（LAI、产量），重点优化了TSUM1、TSUM2等8个关键参数，并通过4个时间点的LAI数据进行本地化验证。对于新疆棉花数据，采用NASA气象数据和HWSD土壤数据库，结合SPAW软件计算土壤水分参数，通过全局敏感性分析筛选22个参数，制定4种分级标定方案。研究建立了系统的作物模型参数标定方法，为精准农业提供技术支撑。

原创 ENVI进行波段合成出现条状黑带原因及相关

ENVI Classic 32位与64位版本在算法结果上完全一致，但64位版支持更大内存处理（可处理几十GB影像），而32位版仅支持2-2.5GB内存。64位版需Win-64系统和配套运行时库，部分旧插件不兼容。波段合成时，Geographic Lat/Lon适合全球可视化但量算不准，UTM投影更适用于精确测量。建议直接使用Layer Stacking的Spectral Subset功能，避免不必要的重采样误差。当处理大数据且无旧插件依赖时，优先选择64位版本以获得更好性能。

原创 WOFOST作物模型基础2

摘要：WOFOST作物模型支持潜在、水分限制和养分限制三种生长模拟模式，可输出多条件产量曲线。模型参数包括作物类型、气象数据（CABO格式）、土壤属性（如有效水容量AWC）及水文设置。校准过程通过敏感参数优化和误差指标（RMSE、d指数等）评估提升模拟精度。以棉花为例，详细设定了物候期、生物量分配、呼吸作用等生理参数。模型支持地下水位、排水条件等农田管理参数调整，适用于不同作物和土壤类型的生长模拟研究。（150字）

原创 R语言利用Export包导出pptx格式的文件有错误的原因

文章摘要：作者在R语言中绘制ROC曲线图并导出到PPT时遇到文字模糊问题，先后尝试了officer/rvg包直接导出、Cairo生成高清PNG再插入等方法均未解决。最终发现是showtext包与字体渲染的冲突所致，删除showtext包和showtext_auto()语句后问题立即解决。该案例揭示了R语言图形输出时不同包之间的兼容性问题，建议在遇到类似问题时优先检查字体相关包的交互影响。

原创 遥感数据同化方法：集合卡尔曼滤波和变分同化算法

遥感数据同化技术通过融合遥感观测与过程模型，提升预测精度。主流算法包括集合卡尔曼滤波(EnKF)和变分同化(3D/4D-Var)。EnKF采用Monte-Carlo方法处理非线性系统，适合多源遥感数据同化；变分同化通过优化代价函数实现时间序列拟合。两种方法各有优势：EnKF并行度高但需调参，4D-Var物理一致性强但对误差设定敏感。混合同化(EnKF-Var)成为新趋势，兼顾非线性与时间连续性优势。该技术在作物监测、水文预测等领域应用广泛，实施时需注重数据预处理、误差定量和评估指标选择。

原创 如何运行在github中的代码？

本文介绍了两种获取GitHub项目代码的方法。方式一适合不熟悉Git的用户：直接下载ZIP压缩包，解压后创建虚拟环境、安装依赖、修改路径并运行脚本。方式二推荐使用Git克隆项目，通过简单的命令操作即可完成下载，后续更新只需执行git pull命令。两种方式都需要在下载后配置虚拟环境和修改路径才能运行项目脚本。

原创 倾斜摄影-点云数据处理一

本文介绍了点云数据的处理流程：首先在PhotoScan中生成点云并导出为WGS 84/UTM 50N坐标系的LAS文件；然后将数据导入CloudCompare进行去噪（使用SOR滤波器，参数建议8-12和1.0-1.5）；最后通过Z坐标创建高程标量场，过滤分离地面点和植株点。关键步骤包括坐标系统设置、统计去噪和基于高程的智能分割。

原创 倾斜摄影是选择RGB图像还是多光谱影响进行操作？

RGB图像与多光谱图像的主要区别在于信息获取和应用领域。RGB图像模拟人眼可见光，包含红、绿、蓝三通道，主要用于实景建模、数字城市等需要逼真外观的场景。多光谱图像则捕获多个特定波长（包括不可见光），通过光谱信息在农业、环境监测等领域进行分析，如NDVI植被指数、矿物识别等。RGB图像可通过普通无人机获取，处理流程较标准；多光谱需专用设备，需进行辐射校正等复杂处理。两者分别输出三维模型和多光谱指数图等不同成果。

原创 GEE中上传研究区域范围

该摘要介绍了从阿里云获取地理数据并导入GEE平台的三个步骤：1）从阿里云数据可视化平台下载研究区JSON文件；2）使用mapshaper.org在线工具将JSON转换为SHP格式；3）在Google Earth Engine中上传SHP文件（通过Assets-New Table-Upload路径）。整个过程实现了地理数据从获取、格式转换到平台导入的完整流程，配图展示了各步骤的操作界面。

原创 无人机倾斜摄影农田航线规划

摘要：本文介绍了使用WPM Cloud平台进行无人机航线规划的操作流程。主要包括：1)注册登录平台；2)选择交叉环绕航线模式；3)通过正射影像生成KML区域文件；4)参数设置（载具选择、航高设置、镜头角度等）；5)航线生成与显示；6)最后将规划好的航线导入DJI遥控器。文中重点说明了参数设置中的常见问题及解决方法，并配有操作界面截图辅助说明。整个流程适用于需要精确航拍规划的专业应用场景。

原创 倾斜摄影方式区别

1、交叉环绕2、网络建模3、立面建模4、商业航拍。

原创 CMD（Command Prompt）和 Anaconda 的不同

环境管理：可以创建和管理多个独立的 Python 环境，每个环境可以有不同的 Python 版本和包配置。定义：Anaconda 是一个开源的包管理器和环境管理器，主要用于数据科学、机器学习和科学计算领域。集成工具：提供了一个集成的图形化界面（Anaconda Navigator），方便用户管理环境和包。包管理：可以方便地安装、更新和管理 Python 包，特别是那些在数据科学和科学计算中常用的包。文件和目录操作：可以用于文件和目录的创建、删除、复制、移动等基本操作。

原创 在 Windows 中配置使用 WSL 来运行 Linux 环境，主要有以下步骤：

方法一：使用 wsl --install 命令 ：以管理员身份运行 PowerShell 或 Windows 命令提示符，输入 wsl --install 命令，该命令将自动启用运行 WSL 所需的功能，并安装默认的 Linux 发行版 Ubuntu。命令行安装 ：查看可安装的发行版列表，可运行 wsl --list --online，然后安装指定版本，如 Ubuntu 18.04，可运行 wsl --install -d Ubuntu-18.04。四、查看 WSL 版本及状态。

原创 在Windows创建虚拟环境如何在pycharm中配置使用

要在 PyCharm 中新建项目并使用您在 Windows 系统中创建的虚拟环境以及该环境中的 meteostat 包，您可以按照以下步骤进行设置：

原创 windows创造虚拟环境=之前误删

添加虚拟环境

原创 在Windows系统中实现python和GEE的交互

实现python中geemap对GEE的交互

原创 土壤背景去除方法

提高信号与噪声比：土壤背景可能会与目标信号（如植被、建筑物等）在光谱上有一定的重叠或相似性，尤其在复杂环境中。去除土壤背景可以减少这种干扰，提高目标信号的清晰度和可靠性，从而提高模型的反演精度。更清晰的目标提取：在遥感图像中，去除土壤背景可以使得目标区域更加突出，便于进行精确的目标检测和特征提取，提高模型对目标特征的识别能力。

原创 作物模型如何与无人机进行同化？

无人机图像技术和作物模型作为农业监测领域两个新兴 技术 ， 两者优势互补。作物生长模型被广泛用于模拟多尺度作物的动态生长。通过整合遥感数据、作物参数和作物模型进行数据同化，在描述作物生长和评估农业产量方面具有很大的潜力。

原创 什么是集成学习？

最终的预测结果是这些模型预测结果的平均值（回归）或投票结果（分类）。原理：训练多个基础模型，并将这些模型的预测结果作为新的特征输入到一个“元模型”（stacking model）中进行最终预测。示例：将逻辑回归、支持向量机、决策树等不同类型的模型的预测结果作为输入，训练一个元模型（如逻辑回归）进行最终预测。示例：简单投票机制，其中每个模型对结果进行投票，最终选择票数最多的结果，或对模型预测结果进行加权平均。示例：在图像处理任务中，可以使用不同的图像特征来训练多个模型，然后结合这些特征的预测结果。

原创 植被指数饱和性以及降低植被指数饱和性、提高预测精度的方法

研究人员将卫星影像丰富的冠层光谱信息与无人机衍生的冠层结构特征相结合，提高了大豆AGB、LAI和叶片氮的估计能力，在光谱特征中加入冠层结构信息在一定程度上减少了背景土效应和渐近饱和问题，提高了模型性能。数值方面，在过饱和情况下，近红外波段的反射率可能接近 0.8 - 1.0 ，红波段的反射率可能在 0.05 - 0.1 左右，但具体数值会受到植被类型、健康状况、测量仪器等多种因素的影响。有研究表明：将无人机计算的植被指数与机器学习相结合，可以开发准确的预测模型，克服茂密植被中的植被指数的饱和度。

原创 无人机农业监测小结

纹理指数：纹理是指图像色调作为等级函数在空间上的变化。其 中 ，灰度共生矩阵是一种基于像素灰度级信息的统计方法，可以 计算 纹理特征 的相关性、对比度、均匀度等。**手段：**作物模型，机器学习，辐射传输模型, 深度学习，时间序列，混合效应模型，迁移学习。**无人机可提取得特征：**植被指数，纹理指数，颜色指数，图像特征， 点云信息，荧光信息。颜色指数：包括RGB,HSV,HSI，CMYK，Lab颜色空间。作物模型：WOFOST，DSSAT。机器学习：随机森林，支持向量机。**关键名词：**集成学习。

原创 PROSAIL模型和Less模型区别

PROSAIL模型与less模型特点

原创 冠层反射率与BRDF的不同

冠层反射率与BRDF的不同

原创 Less模型三维模型

Less模型三维模型

原创 主要作物模型简介

作物模型

原创 FS-2000植物冠层图像分析仪使用方法

FS-2000植物冠层图像分析仪使用方法。

原创 Logistic模型公式参数以及氮浓度公式

原创 多重比较方法如何选择?

文献中多重比较方法的特点。

原创 农学常用的仪器原理和最佳使用时间总结

来源：LAI-2200使用手册。

原创 CART,Adaboost,GBDT,XGBoost,lightGBM等模型的简单比较