一种基于趋势单产和遥感修正模型的混合估产模型

【目的】在分析国内外农作物估产方法的相关研究进展基础上,将传统统计估产方法和遥感估产方法相结合,提出一种新的混合估产模型。【方法】该模型由趋势单产、遥感修正单产和随机误差项三部分组成,其中趋势单产利用历史长时间序列的单产统计数据,通过多项式回归的方法结合ARIMA模型修正得到,遥感修正单产利用3个作物关键生育期NDVI和实测单产多元回归得到。为验证所提出估产方法的可行性和精度,利用2015年冬小麦关键生育期的三景环境卫星遥感影像和冬小麦实测地块单产数据以及近30年(1985—2014年)北京市各区县的冬小麦单产数据,对2015年的北京市的冬小麦单产进行估算,与真实值(2015年单产统计数据)对比。【结果】混合估产模型对北京市的冬小麦单产预测精度达到98.7%,各区县估产精度均超过90%,除房山(90.3%)外,各县单产预测相对精度均超过95%;传统趋势单产模型对北京市的冬小麦单产预测精度达到94.75%,但在区县尺度上,传统估产模型预测精度较低,对房山区的估产精度不足80%;引入ARIMA模型可以提高传统趋势单产模型的精度。修正后的趋势单产模型冬小麦单产预测精度平均提高了1.59%。本文建立的遥感修正模型,利用三景遥感影像修正结果最优,此方法使冬小麦估产精度整体提升3.55%,尤其是房山、平谷等区县,精度明显提升。【结论】该模型在市级尺度和县级尺度上预测冬小麦单产均取得较高精度,充分考虑冬小麦时间尺度和空间尺度上的变化,对农作物估产有一定的指导意义。     

基于冠层时序植被指数的冬小麦单产预测

【目的】研究冬小麦冠层时序植被指数的动态变化规律并基于其构建单产预测模型,为田间实时、准确获取作物单产信息提供有效的技术手段。【方法】本研究于2017—2019年在江苏省兴化市万亩粮食产业园开展不同品种及氮肥水平的田间小区试验,利用主动传感器RapidSCAN CS-45获取冠层归一化红边植被指数（normalized difference red edge,NDRE）和归一化植被指数（normalized difference vegetation index,NDVI）,基于双Logistic函数拟合时序植被指数并提取曲线特征参数,进而分析各特征参数与单产的相关关系,并以独立试验数据对单产预测模型进行验证。【结果】NDRE在孕穗期和抽穗期与单产关系最好,R²达到0.84以上;通过多元逐步线性回归法发现,利用2个或多个时期NDRE预测单产的效果较单生育时期有所提高,且第一和第二被选择的时期分别为拔节期和孕穗期。基于全生育时期相对NDRE（relative NDRE,RNDRE）和相对NDVI（relative NDVI,RNDVI）构建时序曲线,并利用曲线特征参数建立单产预测模型,其中RNDRE和RNDVI的最大值、累积值及增长速率与单产关系较好。利用独立试验数据对上述单产预测模型进行检验,结果表明基于RNDRE时序曲线最大值和累积值所构建的单产模型验证效果较好,R²大于0.80,相对均方根误差和相对误差均小于10%,其验证效果优于单时期或多时期基于NDRE的预测模型,且优于基于NDVI构建的单产模型。【结论】基于冠层时序植被指数提取的特征参数RNDRE最大值和累积RNDRE具有良好估测单产的潜力,研究结果为田间进行实时、准确预测冬小麦单产提供了技术支持。     

基于冠层时序植被指数的冬小麦单产预测

【目的】研究冬小麦冠层时序植被指数的动态变化规律并基于其构建单产预测模型,为田间实时、准确获取作物单产信息提供有效的技术手段。【方法】本研究于2017—2019年在江苏省兴化市万亩粮食产业园开展不同品种及氮肥水平的田间小区试验,利用主动传感器RapidSCAN CS-45获取冠层归一化红边植被指数(normalized difference red edge,NDRE)和归一化植被指数(normalized difference vegetation index,NDVI),基于双Logistic函数拟合时序植被指数并提取曲线特征参数,进而分析各特征参数与单产的相关关系,并以独立试验数据对单产预测模型进行验证。【结果】NDRE在孕穗期和抽穗期与单产关系最好,R~2达到0.84以上;通过多元逐步线性回归法发现,利用2个或多个时期NDRE预测单产的效果较单生育时期有所提高,且第一和第二被选择的时期分别为拔节期和孕穗期。基于全生育时期相对NDRE(relative NDRE,RNDRE)和相对NDVI(relative NDVI,RNDVI)构建时序曲线,并利用曲线特征参数建立单产预测模型,其中RNDRE和RNDVI的最大值、累积值及增长速率与单产关系较好。利用独立试验数据对上述单产预测模型进行检验,结果表明基于RNDRE时序曲线最大值和累积值所构建的单产模型验证效果较好,R2~大于0.80,相对均方根误差和相对误差均小于10%,其验证效果优于单时期或多时期基于NDRE的预测模型,且优于基于NDVI构建的单产模型。【结论】基于冠层时序植被指数提取的特征参数RNDRE最大值和累积RNDRE具有良好估测单产的潜力,研究结果为田间进行实时、准确预测冬小麦单产提供了技术支持。     

基于NDVI的水稻产量遥感估测

以云南省寻甸回族彝族自治县水稻为研究对象,提出一种基于时间序列归一化植被指数(NDVI)的水稻估产模型。利用2000—2013年各月NDVI影像数据和寻甸回族彝族自治县水田分布区域,分析研究区NDVI年月变化特征;然后,通过对比不同月份NDVI组合均值与水稻平均产量的皮尔逊积矩相关系数(Pearson)显著性,确定进行估产所使用的NDVI影像数据;最后,根据水稻年平均产量与NDVI均值建立不同估产模型,通过对比决定系数(R~2)、绝对及相对误差、平均偏差(ME)、均方根误差(RMSE)、纳什(Nash-Sutcliffe)效率系数(NSE)和符合指数(IA),分析各模型估产精度,最终确定最佳估产模型。结果表明,研究区水田NDVI大致从6—8月处于增长阶段,之后到次年5月处于下降阶段。每年6、7、8月的NDVI均值与水稻产量的相关系数为0.690,显著性最高,为0.006。多项式估产模型的绝对误差、相对误差平均值仅为210.431 kg/hm~2、3.602%;平均偏差、均方根误差计算结果中,多项式的值最小,Nash-Sutcliffe效率系数、符合指数最接近1的模型为多项式函数模型,其中符合指数高达0.921,预测结果较准确。基于时间序列NDVI的多项式估产模型预测产量精度最高,能够实现对水稻产量的遥感估测。     

基于多生育期MODIS-NDVI的区域冬小麦遥感估产研究

以河南省开封市为研究区,采用2005—2013年种植区域冬小麦生育期内16 d合成的250 m空间分辨率的归一化植被指数(NDVI)之和,与冬小麦产量数据进行相关分析,筛选得到最佳遥感估产时相,建立单变量回归模型;同时,基于冬小麦生长的各个关键时期NDVI构建多元回归模型,再通过主成分分析方法对多元回归模型参数进行改进,得到新的估产模型;最后使用开封市2014年的产量数据对估产模型进行验证,旨在构建具有较高精度的估产模型,从而更好地指导小麦生产。结果显示,3种估产模型的估产误差均控制在10.55%内,根据3个模型得到研究区内冬小麦最佳产量预测时段为3月下旬,即拔节期;3个模型中,主成分回归估产模型的产量拟合精度最高,达93.12%,具有一定的实用价值。     

应用归一化植被指数的玉米产量预测研究

为有效利用归一化植被指数(NDVI)对玉米产量进行预测,以黑龙江省肇东市为研究区域,利用玉米抽穗期HJ1B遥感数据,结合野外实测数据,进行玉米单产遥感预测研究。通过辐射定标、大气校正、几何精校正等预处理,反演试验区域的实际光谱反射率,从而计算试验区域内玉米的归一化植被指数(NDVI)实际数值,进而与野外实测产量数据进行模型拟合。结果表明:肇东玉米抽穗期NDVI与产量之间二次多项式模型相关性最佳,对比实测数据准确率可达86%,并利用研究结果对肇东2011年玉米产量进行了预测,与实测结果比较后形成玉米单产遥感预测专题图,因此,确定归一化植被指数与玉米产量具有一定的相关性。     

GEE支持下的河南省冬小麦面积提取及长势监测

【目的】使用遥感技术对2017—2020年河南省冬小麦的空间分布信息进行高精度的提取,然后对2020年冬小麦的长势进行高频度的监测并结合气象条件进行分析。【方法】本文基于谷歌地球引擎（Google Earth Engine,GEE）云平台,对选取的Landsat 8影像数据根据NDVI最大值进行合成,然后进行特征构建,添加地形特征、纹理特征、NDVI以及一个新特征NDVI增幅,使用随机森林分类方法对样本数据按照构建的特征进行训练提取河南省2017—2020年冬小麦的播种面积信息;经过精度验证后对提取的河南省2020年的冬小麦种植区域生成掩膜,对掩膜区域（冬小麦种植区域）结合MODIS高时间分辨率影像数据,使用NDVI同期差值法对2020年2—4月份的冬小麦进行高频度的长势监测。【结果】使用GEE云平台能够对河南省冬小麦种植区域的空间分布信息进行快速制图;使用随机森林方法加入地形特征、纹理特征、NDVI后再加入新特征NDVI增幅,能够有效提高冬小麦的提取精度以及降低与统计数据的相对误差,基于混淆矩阵计算的平均总体分类精度为95.2%、平均kappa系数为0.909、冬小麦的平均分类精度为95.3%,与河南省统计年鉴数据相比,本文方法提取的2017—2019年河南省冬小麦播种面积相对误差均低于3%,河南省冬小麦主要种植区域的冬小麦播种面积的平均相对误差低于6%;使用MODIS影像数据结合NDVI差值模型能够对河南省2020年的冬小麦进行高频度的长势监测,河南省冬小麦在返青初期长势较往年及2019年好,到生育后期大部分区域长势与往年及2019年持平,总体上2020年冬小麦的长势较往年及2019年好。【结论】本文提出的方法能够对河南省冬小麦进行高精度的提取以及高频度的长势监测,且能够为地方政府或者一些农业部门在安排指导农事活动上提供科学依据。     

基于叶片尺度的东北粳稻产量估测

及时准确地估测水稻产量是服务现代农业的重要内容,对制定科学的粮食政策具有重要的现实意义。本研究以东北粳稻为例,利用试验区粳稻叶片植被指数归一化差值植被指数(NDVI)和光化学植被指数(PRI)估测粳稻产量。基于2015年粳稻生长关键期6-9月的叶片NDVI和PRI,结合试验小区产量数据,建立了基于试验区叶片NDVI和PRI的粳稻产量估算模型。单月NDVI与产量一元线性模型的R~2范围为0.455~0.581,平均估产精度为96.36%。单月PRI与产量一元线性模型的R~2范围为0.396~0.709,平均估产精度为96.68%。单月NDVI和PRI复合估产二元线性模型的R~2范围为0.655~0.784,平均估产精度为97.26%。利用不同月份组合的NDVI累积和与PRI累积和建立的粳稻产量模型R~2范围为0.765~0.949,估产精度均在97.48%以上。所建参数模型中拟合效果最好的是6月、8月、9月NDVI累积和与PRI累积和复合的估产模型,R~2为0.949,估产精度高达98.82%,此模型可作为粳稻估产的一种参考模型。     

基于Radarsat-2和环境星的淮河流域冬小麦估产模型比较研究

建立基于微波和光学卫星影像的农作物估产模型,可对上报作物产量准确性及估产模型精度进行相互验证.应用2014年4月中旬和5月初星载合成孔径雷达(SAR)——RADARSAT-2和同期HJ影像各两幅,选择安徽省寿县和怀远县冬小麦产区,通过试验田产量和反演的雷达影像后向散射系数,以及从环境星计算得到的归一化植被指数(NDVI),建立冬小麦线性估产模型,在此基础上对估产模型精度进行比较:通过星载SAR的同极化HH和交叉极化HV方式建立的估产模型对寿县涧沟镇冬小麦估产精度分别为68.37％和74.01％,对怀远县龙亢镇冬小麦估产精度分别为63.10％和69.10％;通过HJ星建立的估产模型对寿县涧沟镇和怀远县龙亢镇冬小麦估产精度分别为69.52％和66.43％.基于HJ星影像得到的冬小麦估产模型精度和基于SAR得到的估产模型精度接近.模型结果为上报产量准确性、冬小麦估产模型验证、参数纠正及推广奠定基础和积累经验.     

基于Radarsat-2和环境星的淮河流域冬小麦估产模型比较研究（英文）

建立基于微波和光学卫星影像的农作物估产模型,可对上报作物产量准确性及估产模型精度进行相互验证。应用2014年4月中旬和5月初星载合成孔径雷达(SAR)——RADARSAT-2和同期HJ影像各两幅,选择安徽省寿县和怀远县冬小麦产区,通过试验田产量和反演的雷达影像后向散射系数,以及从环境星计算得到的归一化植被指数(NDVI),建立冬小麦线性估产模型,在此基础上对估产模型精度进行比较:通过星载SAR的同极化HH和交叉极化HV方式建立的估产模型对寿县涧沟镇冬小麦估产精度分别为68.37%和74.01%,对怀远县龙亢镇冬小麦估产精度分别为63.10%和69.10%;通过HJ星建立的估产模型对寿县涧沟镇和怀远县龙亢镇冬小麦估产精度分别为69.52%和66.43%。基于HJ星影像得到的冬小麦估产模型精度和基于SAR得到的估产模型精度接近。模型结果为上报产量准确性、冬小麦估产模型验证、参数纠正及推广奠定基础和积累经验。