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。     

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。     

河南省冬小麦产量遥感监测精度比较研究

【目的】预测冬小麦产量,提高估产精度,为国家粮食生产安全宏观调控提供重要的数据和技术支撑。【方法】以河南省为研究区,利用时间序列MODIS-NDVI数据,结合河南省17个地市的产量数据以及河南省的冬小麦遥感监测面积数据,运用实时NDVI与产量数据建立线性模型、两年差值NDVI与对应的差值产量建立线性模型两种方法对河南省冬小麦产量进行预估,比较分析两种方法的精度。【结果】(1)两年差值归一化植被指数(dNDVI)明显比实时归一化植被指数(NDVI)更好地预估冬小麦产量。(2)实时NDVI预估单产产量相对误差基本可以满足要求,大部分在0.25以下,只有少数几个市(焦作、鹤壁、新乡、安阳)相对误差较高。(3)两年差值归一化植被指数(dNDVI)预估单产的整体误差均可以满足估产的要求,均在0.1以下。【结论】两年差值归一化植被指数(dNDVI)可以有效预测冬小麦产量,有利于提高估产精度。     

基于MODIS-NDVI数据的甘肃临夏州的春小麦遥感估产

以甘肃省临夏州所包括的8个县市为研究区域,应用遥感手段,采用8个年份的250m分辨率的MODIS-NDVI遥感数据,经过低通滤波技术进行平滑处理后对春小麦进行估产。研究选用了春小麦关键生育期月NDVI数据范围为0.2~0.8,相关处理后,建立起其与小麦产量的关系。最后采用逐步回归方法建立春小麦关键生育期月NDVI与冬小麦产量间关系的估产模型。获得实测春小麦产量数据,选取某一年份的NDVI数据对建立的估产模型进行精度检验,结果表明,估产的相对误差在-3.93%~4.72%之间。表明,经过低通滤波技术平滑后的作物关键生育期内MODIS-NDVI遥感数据用于春小麦估产,其方法精度较高,具有一定的可行性。     

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MODIS遥感资料的江西省双季早稻估产研究

利用MODIS植被指数产品,对江西省双季早稻总产进行的估算。以江西省行政区划为分区,2005—2009年江西省8个主要水稻种植区域为样本,对分区内早稻总产与分区内增强型植被指数值之和进行相关性分析,结果表明二者之间显著相关。通过建立一元线性回归与多元回归方程的方法构建了江西省早稻估产模型,利用2001—2004年及2010年的数据对模型进行验证与预测,综合均方根误差与相对误差选择出了最优模型。最优模型表明利用分蘖期与拔节期两个时期的增强型植被指数建立的模型最适宜江西省水稻总产的估算,利用该模型对江西省2010年省级早稻总产估算的结果与统计值的相对误差为0.8%,对江西省双季早稻的遥感估产工作具有一定的指导意义。     

冬小麦遥感估产研究进展

本文对冬小麦遥感估产的研究现状及进展进行了分析。内容包括应用的信息源类型、冬小麦产量估测模型的建立、冬小麦面积信息的提取等，并不冬小麦估产有关问题进行了探讨。     

用PLS算法由HJ-1A/1B遥感影像估测区域冬小麦理论产量

【目的】作物遥感估产是遥感技术在农业生产中研究与应用的重点领域,能够向大田区域生产提供及时可靠的产量信息,准确地估测作物产量,对于确保国家粮食安全,制定社会发展规划,指导和调控宏观种植业结构调整,提高涉农企业与农民的经营管理水平具有重要意义,为进一步提高遥感估产精度,显示国产影像在农业估产中的应用效果。通过筛选冬小麦理论产量的敏感遥感变量,构建基于国产影像的理论产量遥感估测模型,实现区域冬小麦理论产量遥感估测,为及时了解不同生态区域冬小麦产量丰欠变化趋势提供参考。【方法】以2010年4月26日、2011年4月28日、2012年4月28日和2013年5月2日冬小麦开花期四景HJ-1A/1B影像为遥感数据,提取出13个遥感变量,以江苏省泰兴、姜堰、仪征、兴化、大丰5县作为试验采样区,于各实验区选取具有代表性的样点进行采样,并于室内进行测定,将335个实测的冬小麦理论产量样本按3﹕2比例分成建模集和验证集样本,依据估算残差平方和处于最小值确定模型所需主成分数,将决定系数、均方根误差和相对误差为模型评价参数,利用建模集样本分析了卫星遥感变量与冬小麦理论产量的定量关系,运用偏最小二乘回归算法构建及验证了以理论单产为目标的多变量遥感估产模型,将其算法模型估产效果与线性回归算法和主成分分析算法模型进行比较,并制作了冬小麦理论产量空间等级分布图。【结果】理论产量与所选的大多数遥感变量间关系密切,且多数遥感变量两两间具有极显著的多重相关性;理论产量偏最小二乘回归模型的最佳主成分数为4,且结构加强色素植被指数、归一化植被指数、绿色归一化植被指数和植被衰减指数为理论产量遥感估测的敏感变量;经建模集和验证集评价,理论产量估测模型的决定系数分别为0.79和0.76,均方根误差分别为720.45和928.05 kg·hm^-2,相对误差分别为11.45%和13.92%,且估测精度比线性回归算法分别提高了25%以上和27%以上,比主成分分析算法分别提高了15%以上和16%以上,说明偏最小二乘回归算法模型估测区域理论产量的效果明显好于线性回归和主成分分析算法,且具有较强的应用能力。【结论】该模型应用结果与冬小麦理论产量实际区域分布情况相符合,为提高遥感对区域冬小麦理论产量的估测精度提供了一种有效途径,有利于大面积应用和推广。     

基于BP神经网络的土壤贮水量预报模型研究

[目的]为实现作物的实时灌溉提供科学依据。[方法]利用实测气象资料、桓台县节水灌溉试验站2008～2009冬小麦试验资料等建立BP神经网络预报模型,应用Matlab神经网络工具箱,采用Trainlm算法进行模型训练,对试验田的土壤贮水量进行预测。[结果]基于BP神经网络的土壤贮水量预报模型的泛化能力较强;在冬小麦日耗水量较大的拔节、扬花、灌浆3个时期,该模型的预报精度较高,稳定性较好。[结论]基于BP神经网络的土壤贮水量预报模型在冬小麦耗水较大时期的模拟值具有较高的精度。     

基于气象资料的中国冬小麦收获指数模型

【目的】建立基于气象资料的中国冬小麦收获指数统计模型,为构建作物产量模型提供支持。【方法】获取河南、河北、山东合计30个农业气象观测站近20年冬小麦农业气象观测数据,利用时间序列分析方法提取趋势收获指数,收获指数观测值与趋势收获指数差值即为由气象要素决定的气象收获指数。采用逐步回归分析方法建立基于气象要素的冬小麦收获指数统计模型,模型模拟并反映气象要素变化对冬小麦气象收获指数的影响。【结果】冬小麦关键生育期气象要素与气象收获指数相关关系显著,但单站尺度和区域尺度的显著性水平存在差异。利用209组独立数据,分别在单站和区域尺度对建立的冬小麦收获指数模型进行了验证,单站尺度上模型模拟值与实测值的线性相关系数和斜率分别是0.65和0.4(2n=209,P0.001),均方根误差12.2%,平均偏差-2.4%,拟合指数75.8%,模拟效率42.3%;区域尺度上模型模拟值与实测值的线性相关系数和斜率分别是0.56和0.33(n=209,P0.001),均方根误差13.3%,平均偏差-1.3%,拟合指数为69.0%,模拟效率为31.7%。【结论】基于气象资料构建的冬小麦收获指数模型可以较好地模拟不同气象条件下冬小麦收获指数的动态,该模型可与作物NPP模拟模型相耦合,用于区域尺度上冬小麦产量的模拟研究。     

Simple model based on artificial neural network for early prediction and simulation winter rapeseed yield

The aim of the research was to create a prediction model for winter rapeseed yield.The constructed model enabled to perform simulation on 30 June,in the current year,immediately before harvesting.An artificial neural network with multilayer perceptron(MLP) topology was used to build the predictive model.The model was created on the basis of meteorological data(air temperature and atmospheric precipitation) and mineral fertilization data.The data were collected in the period 2008–2017 from 291 productive fields located in Poland,in the southern part of the Opole region.The assessment of the forecast quality created on the basis of the neural model has been verified by defining forecast errors using relative approximation error(RAE),root mean square error(RMS),mean absolute error(MAE),and mean absolute percentage error(MAPE) metrics.An important feature of the created predictive model is the ability to forecast the current agrotechnical year based on current weather and fertilizing data.The lowest value of the MAPE error was obtained for a neural network model based on the MLP network of 21:21-13-6-1:1 structure,which was 9.43%.The performed sensitivity analysis of the network examined the factors that have the greatest impact on the yield of winter rape.The highest rank 1 was obtained by an independent variable with the average air temperature from 1 January to 15 April of 2017(designation by the T1-4_CY model).     

冬小麦遥感估产多种模型研究

综合冬小麦地面光谱资料及相应的农学参数资料,ＮＯＡＡ／ＡＶＨＲＲ 资料,历年各县冬小麦单产、播种面积、总产资料,历年新疆各站气象资料,监测点历年冬小麦发育期、密度、产量分析等资料,证明地面光谱植被指数与冬小麦密度、生物量、叶面积指数关系密切,从而建立了密度与生物量的光谱监测模型,进而建立了北疆试验区各层冬小麦种植面积估算和产量预报卫星遥感模型,辅以冬小麦产量农业气象预报模型、农学模型及模拟模型,自１９９４ 年投入应用以来的结果表明,这套模型预报精度高、效果很好     

Winter wheat yield estimation based on assimilated Sentinel-2 images with the CERES-Wheat model

Assimilating Sentinel-2 images with the CERES-Wheat model can improve the precision of winter wheat yield estimates at a regional scale. To verify this method, we applied the ensemble Kalman filter(EnKF) to assimilate the leaf area index(LAI) derived from Sentinel-2 data and simulated by the CERES-Wheat model. From this, we obtained the assimilated daily LAI during the growth stage of winter wheat across three counties located in the southeast of the Loess Plateau in China: Xiangfen, Xinjiang, and Wenxi. We assigned LAI weights at different growth stages by comparing the improved analytic hierarchy method, the entropy method, and the normalized combination weighting method, and constructed a yield estimation model with the measurements to accurately estimate the yield of winter wheat. We found that the changes of assimilated LAI during the growth stage of winter wheat strongly agreed with the simulated LAI. With the correction of the derived LAI from the Sentinel-2 images, the LAI from the green-up stage to the heading–filling stage was enhanced, while the LAI decrease from the milking stage was slowed down, which was more in line with the actual changes of LAI for winter wheat. We also compared the simulated and derived LAI and found the assimilated LAI had reduced the root mean square error(RMSE) by 0.43 and 0.29 m2 m–2, respectively, based on the measured LAI. The assimilation improved the estimation accuracy of the LAI time series. The highest determination coefficient(R2) was 0.8627 and the lowest RMSE was 472.92 kg ha–1 in the regression of the yields estimated by the normalized weighted assimilated LAI method and measurements. The relative error of the estimated yield of winter wheat in the study counties was less than 1%, suggesting that Sentinel-2 data with high spatial-temporal resolution can be assimilated with the CERES-Wheat model to obtain more accurate regional yield estimates.     

异常气候条件下小麦估产方法研究

发展针对异常气候条件下的作物估产模型,对于理解气候变化对作物产量的影响,提高估产模型的适用性具有重要意义。本文提出了一种综合气象灾害指标、遥感植被指数与趋势产量的随机森林回归估产方法,基于该方法构建了中国五大麦区的小麦单产估算模型,并选择典型的灾害年份在县级尺度和麦区尺度上分别进行了精度验证,对比分析了不同麦区输入变量对估产模型构建的重要性。结果显示：五大麦区估产模型拟合精度的R²均在0.95以上,各麦区县级实际单产与预测单产平均相对误差均低于0.060,区级均低于0.049;输入变量在不同麦区的重要性存在差异。标准化降水蒸散指数在五大麦区重要性均较高,干热风指标在西北春麦区与北部春麦区相比其他区域更重要,月平均温度距平与月平均降水距平在各个麦区的重要性差异不大,小麦拔节期与抽穗期的标准化差分植被指数（NDVI）重要性相对其他时间段的NDVI更高。本文构建的估产模型能够满足异常气候条件下估产的精度,可以为极端气候条件下大尺度的估产研究提供参考。     

山东寿光冬季日光温室内温度变化特征及低温预报(英文)

[目的]为了提高设施农业气象服务水平,减轻气象灾害对日光温室蔬菜生产的影响。[方法]利用2008~2011年冬季日光温室内外气象观测资料,采用相关及逐步回归分析方法,对冬季日光温室内温度变化特征及最低气温预报模型进行分析研究。[结果]晴天和多云天气下日光温室内的气温有明显的日变化,且晴天状况下温度变化幅度要大于多云天气;连阴天时日光温室内气温较低,严重影响植物正常生长发育。日光温室内最低气温与温室外气温及温室内湿度、气温、地温相关性较好。[结论]试验建立了日光温室内最低气温预报模型,利用最新资料对模型进行预报检验,不同天气状况下日光温室内最低气温预报值平均绝对误差小于1℃,平均相对误差低于10%。     

东北玉米生长发育动态模拟模型研究

利用相关试验数据和气象资料,通过MATLAB及相关软件求得模型参数,确立东北玉米生长发育动态模拟模型,对玉米生育期、植株累积干物质及产量等进行模拟。经实测值与模拟值对比发现,玉米各生育期之间观测与模拟的平均绝对误差都为2.6 d,植株干物质累积量的平均相对模拟误差为25%,玉米叶面积指数实测值和模拟值吻合较好,R2和RMSE分别为0.975和0.261,模型模拟效果较好,可用于对玉米生长和产量的模拟以及对作物的生长监测和遥感估产。