基于CNN-RNN网络的中国冬小麦估产

在大范围内快速、准确地预估作物产量，对作物管理、粮食安全、粮食贸易和决策有重要意义。遥感为大规模作物估产提供了便利，大多数研究者结合深度学习和遥感影像取得了较好的结果。然而，农作物生长状态随时间变化，其产量具有非线性时空特征，单一的深度学习方法无法充分利用影像信息。因此，该研究提出了一种基于卷积神经网络（Convolutional Neural Networks，CNN）和门控循环单元（Gated Recurrent Unit，GRU）混合神经网络估产模型（CNN-GRU），利用CNN从多光谱遥感影像中提取丰富的空间-光谱特征，在此基础上，结合GRU从多时相遥感影像中自适应学习冬小麦生育期各阶段之间的时间依赖，从多尺度融合冬小麦的生长特征并对其产量进行回归预测。该研究以全国冬小麦主产区为研究区，选取2001-2018年MODIS影像和冬小麦产量数据，构建了冬小麦估产数据集，并验证了CNN-GRU估产模型的性能。结果表明：1）以2016-2018年估产样本作为测试集，CNN-GRU估产模型的均方根误差（Root Mean Square Error，RMSE）年平均值为818.3 kg/hm2，相较于CNN、GRU、支持向量回归（Support Vector Regression，SVR）、随机森林（Random Forest，RF）和决策树（Decision Tree，DT）模型分别降低了20.13%、18.81%、29.51%、34.84%和36.57%；2）将冬小麦整个生育期划分为6个时间窗，CNN-GRU估产模型在灌浆-成熟期时精度最高，RMSE为817 kg/hm2，而抽穗-开花期的RMSE为823 kg/hm2，相较于灌浆-成熟期高0.7%。因此，该估产模型有能力提前2个月预测全国冬小麦主产区产量。     

基于卷积神经网络的中国北方冬小麦遥感估产

针对传统的农作物估产方法过度依赖人工经验,以及实地采样成本高等问题。该研究使用MODIS数据构建了基于卷积神经网络(convolutional neural network,CNN)的冬小麦估产模型。对2006-2016年中国北方冬小麦核心区的60个地级市进行模型训练,鲁棒性检验以及估产误差空间特征分析。结果表明:1)估产模型在训练集和验证集的均方根误差(root mean squareerror,RMSE)分别为183.82kg/hm2、689.72 kg/hm2,决定系数(R2)分别为0.98、0.71。2)以同样的神经网络结构对2006-2016年估产样本分别作为验证集,训练11个独立模型的RMSE平均值是772.03 kg/hm2,证明算法具有较高的鲁棒性。3)2007、2012和2016年不同省份的估产结果表明,模型对北方冬小麦区的平原区估产精度较高,尤其是河北和山东2省(RMSE为500 kg/hm2)。该文构建的估产模型可以实现冬小麦单产的复杂拟合,可以应用于较大尺度(范围)冬小麦产量预报。     

基于特征融合的棉花幼苗计数算法

为了获取棉花幼苗数量，掌握播种成活率和出苗率等关键苗情信息，该研究提出一种基于特征融合的棉花幼苗计数算法。首先，该算法采用VGG-16作为基础模块提取图像特征，使用注意力模块（Convolutional Block Attention Module，CBAM）在通道和空间维度上进行特征增强，然后将增强后的特征与基础模块中的特征进行融合，进一步强化幼苗特征表达，最后通过去冗余和归一化操作得到计数结果。此外，还构建了一个包含399张棉花幼苗图像的数据集，其中包含了对212 572株幼苗的精准手工标注点标签。在该数据集上的测试结果表明，所提出的棉花幼苗计数算法取得了较好的计数效果，平均计数误差（Mean Absolute Error，MAE）和均方根误差（Root Mean Square Error，RMSE）分别为63.46和81.33，对比多列卷积神经网络（Multi-column Convolutional Neural Network, MCNN）、拥挤场景识别网络（Congested Scene Recognition Network, CSRNet）、TasselNet、MobileCount等方法，MAE平均下降了48.8%，RMSE平均下降了45.3%。     

基于混合3D-2D CNN的多时相遥感农作物分类

准确的农作物分类图是农业监测和粮食安全评估的重要数据来源,针对传统的深度学习模型在多时相农作物遥感分类方面精度较低的问题,该研究将卷积维度单一的卷积神经网络(Convolutional Neural Networks,CNN)进行改进,提出了一种混合三维和二维卷积的神经网络识别模型(HybridThreeDimensionalandTwoDimensionalConvolutional Neural Networks,3D-2D CNN)。该模型首先通过多个三维卷积层提取时空特征,其次将输出的特征降维压缩后通过二维卷积层执行空域特征分析,最后将高层特征图展平后通过全连接层进行类别预测。试验以Landsat8多时相影像为数据源,将美国加利福尼亚州北部研究区的地块按照2:2:6分层随机划分为训练集、验证集和测试集。试验结果表明3D-2DCNN对13种农作物分类的总体精度(89.38%)、宏平均F1值(84.21%)和Kappa系数(0.881)均优于三维卷积神经网络(Three Dimensional Convolutional Neural Networks,3D-CNN)、二维卷积神经网络(Two Dimensional Convolutional Neural Networks,2D-CNN)、支持向量机(Support Vector Machines,SVM)和随机森林(Random Forest,RF)等方法,并在参数量和收敛时间方面比3D CNN大幅度减小。同时,在较小样本训练集下3D-2D CNN仍表现最优。该模型综合利用空间-光谱-时间特征并具有较高的分类精度和较强的鲁棒性,这为解决多时相遥感农作物分类问题提供了一个有效且可行的方案。     

BP神经网络和SVM模型对施加生物炭土壤水分预测的适用性

生物炭作为土壤改良剂对半干旱区土壤水分有良好的吸持作用,为确定施加生物炭对土壤水分预测模型适用性的影响,依托黄土高原半干旱区固原生态站开展了小区定位试验。向土壤中施加不同种类及比例的生物炭,定期监测土壤水分含量;考虑土壤含水量的非线性特征以及生物炭对土壤水分的影响,选取BP神经网络和SVM支持向量机两种模型,建立施加生物炭土壤水分预测模型。计算预测值,并与实测值对比,分析相对误差;利用RMSE、MRE、MAE和R2评估BP神经网络和SVM模型的精度。结果表明;BP神经网络预测值的平均相对误差为3.78%,最大误差为13.14%;SVM模型的平均相对误差为0.56%,最大误差为2.42%。SVM模型的RMSE、MRE、MAE值(分别为0.34~0.17,0.07,0.56~1.27)均小于BP神经网络的(分别为1.04~1.16,0.47~0.68,3.78~4.57),且决定系数R2值SVM模型(0.96~0.99)大于BP神经网络(0.56~0.64)。BP神经网络和SVM模型均能很好地预测施加生物炭的土壤水分,但SVM模型预测结果更加稳定,精度较高,更适于施加生物炭土壤水分的预测。该研究可为半干旱地区生物炭还田土壤水分的预测及管理提供理论依据。     

基于气象因子的长三角地区农田站点土壤水分时间序列预测

以长三角3省1市为研究区,旨在构建长三角地区土壤水分长时间序列,为农业生产和遥感算法提供数据支撑。研究基于空间匹配的站点土壤水分数据和气象数据,利用主成分分析得到4个有效主成分作为线性回归和BP神经网络模型的输入因子,建立土壤水分与气象因子间的定量关系,并评估所构建模型的精度。结果表明,基于全部站点数据建立的单一BP神经网络模型优于单一线性回归模型。单一线性回归模型的R 2=0.34,RMSE=0.046 m³/m³,MAE=3.67%;而单一BP神经网络模型的训练、验证和测试3个数据集的R 2均在0.64以上,RMSE<0.043 m³/m³,MAE低于3.4%。根据逐个站点分别构建分站点的BP神经网络模型,其总体精度高于基于全部站点数据构建的单一BP神经网络模型。分站点构建的BP神经网络模型的总体精度方面,3个数据集的R 2均值在0.75以上,RMSE<0.039 m³/m³,MAE低于3%。通过对逐个站点分别构建BP神经网络模型,获得了精度较高、较稳定的土壤水分拟合结果。     

基于注意力机制神经网络的荒漠区蒸散量模拟

该研究对基于注意力机制的长短期记忆（Attention-Based Long Short Term Memory，AT-LSTM）模型对蒸散量（Evapotranspiration，ET）模拟的可行性和有效性进行验证，以提高环境数据缺失情况下的蒸散量模拟精度。基于盐池县2012-2017年的每30 min环境数据，利用不同环境因子组合构建基于注意力机制的LSTM模型，并将其与极限学习机（Extreme Learning Machine，ELM）模型、支持向量机（Support Vector Machine，SVM）模型、长短期记忆（Long Short Term Memory，LSTM）模型在日尺度、月尺度和季节尺度上进行对比分析。结果表明：与其他3种模型相比，当输入环境因子变化时，AT-LSTM模型模拟精度变化很小，模拟效果均较好。当输入空气温度、净辐射、相对湿度、土壤温度、土壤含水率所有环境因子时，基于AT-LSTM模型的模拟效果最好，均方根误差（Root Mean Square Error，RMSE）为0.013 mm/30 min，平均绝对误差（Mean Absolute Error，MAE）为0.006 mm/30 min，相关系数（Correlation Coefficient，R）值为0.905。且无论是从小时尺度、日尺度和月尺度来看，AT-LSTM模型的模拟效果均优于其他3种模型。在环境因子缺失的情况下，净辐射对盐池县ET的模拟贡献程度最大，仅输入净辐射时，AT-LSTM模型模拟得到的RMSE和MAE分别为0.014、0.007 mm/30 min，R为0.892，模型模拟精度较高，AT-LSTM模型模拟精度高，模型稳定性强，对蒸散量模拟预测具有一定的适用性，仅输入净辐射的AT-LSTM模型可以作为环境数据缺失条件下的蒸散量预测模型。     

基于卫星光谱尺度反射率的冬小麦生物量估算

为探索基于光学卫星遥感数据的冬小麦地上生物量估算方法,本研究通过3年田间试验,获取冬小麦4个关键生育期（拔节期、抽穗期、开花期和灌浆期）和3种施氮水平下的地上生物量以及对应的近地冠层高光谱反射率数据。通过将高光谱数据重采样为具有红边波段的RapidEye、Sentinel-2和WorldView-2卫星波段反射率数据,构建任意两波段归一化植被指数。同时,将卫星波段反射率数据与6种机器学习和深度学习算法相结合,构建冬小麦生物量估算模型。研究结果表明：任意两波段构建的最佳植被指数在冬小麦开花期对生物量的敏感性最强（决定系数R2为0.50～0.56）。在不同施氮水平条件下,高施氮水平增强了植被指数对生物量的敏感性。Sentinel-2波段数据所构建的植被指数优于其他两颗卫星波段数据。对6种机器学习和深度学习算法,总的来说,基于深度神经网络（Deep Neural Networks,DNN）算法所构建的模型要优于其他算法。在单一生育期中,在拔节期（R2为0.69～0.78,归一化均方根误差为26%～31%）和开花期（R2为0.69～0.70,归一化均方根误差为24%～25%）的估算精度最高。Sentinel-2波段数据与DNN算法结合的估算精度最高,在全生育期中预测精度R2为0.70。施氮水平的提高同样增强了DNN模型的估算精度,3颗卫星波段数据在300 kg/hm2施氮条件下的预测精度R2都在0.71以上,均方根误差小于219 g/m2。研究结果揭示了光学卫星遥感数据在不同生育期和施氮条件下估算冬小麦生物量的潜力。     

基于两点机器学习方法的土壤有机质空间分布预测

准确预测土壤有机质（Soil Organic Matter,SOM）空间分布对精细农业、耕地质量建设、生态环境保护以及固碳减排等均具有重要的意义。该研究探讨了基于两点机器学习方法（Two-point Machine Learning,TPML）提高SOM空间分布预测的可行性。以黑龙江省海伦市为研究区,以气候、地形地貌、社会经济和空间位置信息等因素作为辅助变量,充分利用空间位置信息和属性相似关系,有效处理SOM空间分布异质性及其与辅助变量间关系异质性,以提高TPML方法进行SOM空间分布预测的精度。采用随机森林、基于随机森林的回归克里格、反距离权重法和普通克里格（Ordinary Kriging,OK）方法作为对比,以平均绝对误差（Mean Absolute Error,MAE）、均方根误差（Root Mean Square Error,RMSE）、预测值与真实值相关系数（r）和决定系数（R2）作为评价指标,进行不同样本量下的多组对比试验,评价不同方法的预测精度。结果表明：1）研究区SOM含量在1.775～7.188 g/kg之间,平均值为3.179 g/kg,空间分布不均匀,呈东高西低的分布趋势。2）在不同样本量条件下,与其他模型相比,TPML的预测精度均最高,其MAE（0.088～0.097 g/kg）和RMSE（0.116～0.139 g/kg）均为最小,r（0.992～0.996）和R2（0.971～0.985）均为最高。3）预测值的误差标准差（理论误差）与实际误差具有相似的空间模式,说明TPML可以为预测结果提供合理的不确定性估计。综上,TPML模型可以通过同时利用空间自相关性和属性相似性来提高预测精度,该模型适用于预测具有一定空间自相关性且具有可用辅助数据的资源环境变量。     

长时间序列气象数据结合随机森林法早期预测冬小麦产量

冬小麦生育早期的产量预测对于制定冬小麦整个生长期的精准管理决策具有重要参考意义。该文基于随机森林算法,采用1990—2015年河南省小麦平均拔节期至平均抽穗期地面观测气象数据与统计产量数据,分别提取不同穗分化期的温湿度、降水等47个气象要素和小麦种植区经纬度、高程3个空间要素,共计50个参数作为特征变量集,以实际单产、气象产量和相对气象产量分别作为目标变量,构建多种变量组合模型对冬小麦产量进行回归预测,并结合袋外数据重要性结果对产量影响因子进行分析。研究结果表明:1)使用气象产量和相对气象产量作为目标变量建模的预测效果优于单产模型,决定系数R~2均达到0.8以上,气象产量的平均绝对误差(mean absolute error,MAE)和均方根误差(root mean square error,RMSE)分别为415和558 kg/hm~2,相对气象产量的MAE和RMSE分别为0.07和0.09;2)相较于气象特征,空间特征在产量预测中起决定性作用,且小花分化期以及抽穗开花期的气象特征产量预测精度高于其他穗分化期;3)在气象特征中,利用袋外数据变量重要性得出平均温度、最低温度、负积温、最高温度在不同生育阶段对产量的影响程度。该研究结果为冬小麦生育早期产量预测提供了新的思路和方法。     

华北平原2001-2011年冬小麦播种面积变化遥感监测

为及时、准确地获取华北平原冬小麦时空分布信息,构建多源遥感监测系统,基于MODIS EVI时间序列数据和两景TM影像,建立华北平原冬小麦时序波谱曲线库,并结合农作物物候历制订统一规则,在此基础上,重建华北平原2001-2011年冬小麦播种面积时空变化过程。结果表明:1)多源遥感监测系统提取华北平原2001-2011年冬小麦信息,在栅格尺度上获得了稳定的较高分类精度,平均为76.36%;在县域行政单元尺度上,2011年的冬小麦遥感监测面积与统计数据的耦合度也较高(决定系数为0.89,均方根误差为1.29×104 hm2);2)华北平原2001-2011年的冬小麦播种面积呈持续上升趋势,2011年比2001年增加了156.05×104 hm2(14.96%);3)冬小麦播种面积大致呈"南增北减"的时空变化格局:平原中南部的鲁西南平原、胶莱平原、豫东平原和皖北平原冬小麦种植面积扩张趋势显著;而北部的京津冀地区冬小麦面积明显收缩。该研究旨在为华北平原调整农业种植结构、制订粮食安全策略及优化水资源管理提供数据支持,也可为大范围、长时间尺度的作物播种面积时空变化遥感监测提供方法借鉴。     

冬小麦观测产量与统计产量的差异性分析

分析对比全国123个冬小麦农业气象观测站1991−2017年观测产量与所在县统计产量的年代际、变异系数和倾向率的差异；利用2006−2010年各县冬小麦种植面积平均值省内占比作为权重因子，将县观测产量与县统计产量加权集成为省级尺度观测产量和省级尺度统计产量，并与统计局发布的省公布产量进行对比，分析省级尺度三种不同产量的年代际变化和倾向率差异。结果表明：（1）县观测产量和县统计产量均表现为高产县数量增幅明显，低产县数量减幅明显；21世纪10年代两者均为高产年代，21世纪00年代两者差值达到峰值。（2）县尺度变异系数观测产量离散程度高于县统计产量，49个县观测产量的变异系数小于0.20，仅8个站大于0.40；72个县统计产量变异系数小于0.20，仅9个站点变异系数大于0.30。（3）各县观测产量中有73个站点倾向率呈现显著增加趋势，大多集中在河北、河南、山东、江苏、安徽等冬小麦主产省；100个县统计产量呈显著增加趋势。（4）21世纪00年代为各省观测产量和统计产量的高产年代，20世纪90年代为低产年代；山东、安徽、河北、江苏、陕西和山西等省10a观测产量的平均值在各个年代均高于省统计产量平均值。（5）除新疆和山西外其余省份省级尺度观测产量倾向率均通过显著性检验；所有省份省统计产量和公布产量倾向率均通过显著性检验，且产量增幅均为正值。总体来说，基于观测产量的冬小麦产量序列可以为产量预报提供新的数据来源。     

利用动态阈值决策树分类的华北平原冬小麦动态监测

华北平原是中国最大的粮食生产基地,准确监测其冬小麦种植面积及其变化对粮食产量预测和国家粮食安全具有重要意义。然而,不同土地利用产品所估算的小麦面积、空间分布及其动态均存在较大分歧,不能有效反映出冬小麦的长期变化特征。该研究结合作物物候特征和已有小麦专题数据产品,首先构建动态阈值决策分类算法,以降低传统方法在阈值设定和样本筛选方面的不确定性;进而分析了2003—2022年华北平原区冬小麦播种面积的长期变化规律。结果表明：1）该研究提出的动态阈值决策分类算法能准确地提取冬小麦面积,平均总体精度为93.44%,且与统计数据具有较高的一致性;2）2003—2022年华北平原冬小麦种植面积整体呈上升趋势,不同地区变化类型差异较大;3）研究时段内,持续种植冬小麦的耕地面积仅占各年份种植范围总面积的5%,种植次数低于10 a的面积占比达55%;4）河北中南部、山东省西部和河南省中北部冬小麦种植面积相对稳定,京津冀地区以及山区冬小麦播种面积变化相对频繁。该研究可为大尺度冬小麦动态监测提供了新的方法视角,并对科学制定耕地调控策略具有重要意义。     

基于中高分辨率卫星遥感数据的县域冬小麦估产

随着人口的增加和耕地面积的不断减少,粮食安全问题一直备受关注。该文以山东省广饶县为研究区,探讨基于中高分辨率卫星遥感数据的县域冬小麦估产技术。采用陆地卫星和中巴资源卫星（CBERS）中高分辨率遥感图像,选择冬小麦信息较为突出的4个相似时相,经几何精校正、掩膜、相对辐射校正等预处理,在分析研究区典型地物光谱特征的基础上,采用决策树分类方法提取冬小麦种植面积。同时,利用植被指数变化规律对各时相植被指数进行修正,根据植被指数分布情况及其与产量的关系,分别构建了基于像元比值植被指数之和（∑RVI）及不同长势区归一化植被指数（NDVI）的冬小麦估产模型。结果显示：各时相冬小麦种植面积的提取精度均在96%以上,且具有较好的空间精度;二种估产模型的估产精度分别达到了96%以上和94.74%,效果较好。研究为县域冬小麦产量的预测提供了有效方法,能更好地指导冬小麦生产和粮食政策的制定,对区域农业可持续发展和粮食安全有积极价值。     

基于GF-1影像的冬小麦种植面积核算及直补政策实施评价

粮食直接补贴政策的实施,对于促进粮食生产和农民增收、推动农业农村发展发挥了积极的作用。补贴资金发放的精准程度在一定程度上影响着财政资金的支农效率。该文拟研究基于卫星数据进行粮食直补政策落实效果评价的可行性。以安徽省濉溪县为研究区,采用GF-1卫星16 m多光谱影像,在扣除线状地物、小地物的基础上,精准核算冬小麦种植面积。以乡镇为单位,比较统计发放面积与遥感核算面积,完成基于GF-1卫星数据的粮食补贴政策落实效果评价。结果表明：1）全县范围内,冬小麦直补发放统计面积与遥感核算面积较为吻合。直补发放统计面积为1239.17 km2,遥感核算面积为1227.37 km2,相对误差仅为0.96%;2）在乡镇尺度上,11个乡镇和1个开发区中共5个乡镇直补发放统计面积与遥感核算面积的相对误差<10%,8个乡镇<13%。相对误差最大的开发区、濉溪镇2个乡镇,以工商业用地为主,冬小麦种植面积少,地块零碎,遥感解译难度大。整体上,直补发放统计面积与遥感核算面积的 Nash-Sutcliffe 系数（Nash-Sutcliffe coefficient,ENS）为0.90,决定系数为0.93,两者相关程度较高。研究可为改进完善粮食补贴政策提供参考提供依据。     

Comparison of two inversion methods for winter wheat leaf area index based on hyperspectral remote sensing

冬小麦叶面积指数（LAI, leaf area index）是评价其长势和预测产量的重要农学参数,高光谱遥感能够实现快速无损地监测叶面积指数。该文旨在将田间监测与高光谱遥感相结合,探索研究不同冬小麦叶面积指数高光谱反演方法的模拟精度及适应性。针对国际上普遍应用的2种高光谱遥感反演LAI模型方法,即回归分析法和BP神经网络法,在介绍2种LAI反演模型的基础上,选择位于黄淮海平原的山东省济南市长清区为研究区域,通过ASD地物光谱仪和SunScan冠层分析系统对冬小麦的冠层光谱及LAI变化进行田间观测,然后利用回归分析法和BP神经网络法构建冬小麦LAI反演模型,将模型估算LAI值和田间观测LAI值进行比对,分析评价2种方法的反演精度。结果表明,BP神经网络法较回归分析法估算冬小麦LAI的精度有较大提高,检验方程的决定系数（R2）为0.990、均方根误差（RMSE）为0.105。利用BP神经网络法构建反演模型能较好的对冬小麦LAI进行反演。研究结果可为不同冬小麦长势遥感监测提供理论和技术上的支持,并为大尺度传感器监测冬小麦长势和估产提供参考。     

利用MODIS遥感数据监测冬小麦种植面积

冬小麦是中国最主要的粮食作物之一，利用遥感技术进行冬小麦种植面积监测是粮食安全的核心内容之一。美国1999年发射的TERRA卫星上携带的中分辨率成像光谱仪（MODIs）具有独特的光谱、时相和空间分辨率，为大范围的冬小麦种植面积监测提供了可靠的数据源。但中国耕地破碎，即使是250m分辨率的MODIS数据，采用传统的信息提取方法依然无法取得高的精度。因此结合多源遥感数据和GIS数据，建立了基于TERRA／MODIS数据的冬小麦种植面积遥感监测体系结构。首先利用IKONOS米级高分辨率遥感影像提取试验样区的地块图，用以指导野外采样工作；其次，在采样工作基础上，利用LANDSAT进行区域冬小麦种植面积提取；最后利用2002年TERRA／MODIS时间序列数据的混合像元线性分解模型进行河南省冬小麦种植面积的遥感监测，监测结果与国家统计数据相比，相对误差为5．25％，精度能满足农情监测的需要。研究结果为中国冬小麦种植面积遥感监测提供了一种业务化工作方法。     

冬小麦叶面积指数高光谱遥感反演方法对比

冬小麦叶面积指数(LAI,leafarea index)是评价其长势和预测产量的重要农学参数,高光谱遥感能够实现快速无损地监测叶面积指数。该文旨在将田间监测与高光谱遥感相结合,探索研究不同冬小麦叶面积指数高光谱反演方法的模拟精度及适应性。针对国际上普遍应用的2种高光谱遥感反演LAI模型方法,即回归分析法和BP神经网络法,在介绍2种LAI反演模型的基础上,选择位于黄淮海平原的山东省济南市长清区为研究区域,通过ASD地物光谱仪和SunScan冠层分析系统对冬小麦的冠层光谱及LAI变化进行田间观测,然后利用回归分析法和BP神经网络法构建冬小麦LAI反演模型,将模型估算LAI值和田间观测LAI值进行比对,分析评价2种方法的反演精度。结果表明,BP神经网络法较回归分析法估算冬小麦LAI的精度有较大提高,检验方程的决定系数(R2)为0.990、均方根误差(RMSE)为0.105。利用BP神经网络法构建反演模型能较好的对冬小麦LAI进行反演。研究结果可为不同冬小麦长势遥感监测提供理论和技术上的支持,并为大尺度传感器监测冬小麦长势和估产提供参考。     

基于无人机遥感植被指数优选的田块尺度冬小麦估产

田块尺度作物快捷精准估产对规模化农业经营管理具有重要意义。因此,急需选取最优植被指数和最佳无人机遥感作业时期,建立冬小麦无人机遥感估产模型,获取及时、快速、低成本的无人机遥感估产方法。该文以山东省滨州市典型规模化农田为研究对象,利用固定翼无人机遥感平台对冬小麦进行多期遥感观测与估产。基于2016年冬小麦返青拔节期、抽穗灌浆期和成熟期的无人机遥感影像数据集,采用最小二乘法,构建了基于不同植被指数与冬小麦实测产量的9种线性模型,并结合作物实测产量进行模型评价。多时相多种类植被指数的优选分析结果显示,抽穗灌浆期估产模型R~2最高,RMSE最低(n=34)。其中,模型R~2达到0.70的植被指数共6个,从高到低依次为EVI2、MSAVI2、SAVI、MTVI1、MSR和OSAVI;RMSE由低到高依次为EVI2、MSAVI2、SAVI、MTVI1、MSR和OSAVI。另外,该文进一步评价农田土壤像元对无人机遥感估产的影响,经过阈值滤波法处理后,返青拔节期估产模型的R~2(n=34)从约0.20提升至0.30以上,RMSE和MRE下降;抽穗灌浆期模型的RMSE降低,R~2(n=34)有所提升但不显著。综上所述,最佳无人机飞行作业时期为冬小麦抽穗灌浆期,最优植被指数为EVI2,土壤像元的滤除对抽穗灌浆期无人机遥感估产模型的影响不显著。因此,优化后的基于植被指数的无人机遥感估产模型,可以快速有效诊断和评估作物长势和产量,为规模化农业种植经营提供一种快捷高效的低空管理工具。