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EVI-RBF的玉米长势监测及产量预测

近年来,农作物长势监测和产量预测研究大多是通过建立复杂的生长模型来实现的,而这往往不具有较强的推广性。本研究建立了一种基于植被指数和产量统计数据的玉米长势监测及产量预测方法。以玉米为研究对象,利用MODIS09A1数据建立其2000-2018年的增强型植被指数(EVI)时间序列,并将该序列作为径向基(RBF)神经网络的输入参数,下一阶段的EVI值或玉米产量作为网络的输出参数,完成玉米的长势监测及产量预测。该方法被成功应用到黑龙江省哈尔滨市宾县的玉米研究中,对玉米EVI值的预测精度达到了90.0%以上,产量预测相较于传统的线性回归模型也有明显提高,预测精度达到了98.6%。依赖植被指数和产量统计数据的长势监测及产量预测方法有较大的应用推广前景。     

基于TM影像的南方丘陵区早稻估产研究——以奉新县为例

传统的估产方法难以对水稻种植面积和产量进行及时准确地预测.利用TM影像资料,根据地物光谱特征的差异,提取稻田种植面积信息,在此基础上分析早稻像元的植被指数,与作物单产建立回归方程,通过检验标准筛选出方程拟合率高的估产模型,从而预报水稻总产.结果显示:2009年奉新县早稻实际总产和平均单产与遥感估产的结果相比,早稻总产误差率为5.78%,单产误差率为1.79%.由此可以看出,结合GIS技术和资料进行水稻估产,既提高了估产精度,又降低了费用,具有一定的可靠性和实用性.     

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。     

基于PyWOFOST作物模型的东北玉米估产及精度评估

【目的】构建合理的作物估产方案,提高作物估产精度。【方法】本文以基于集合卡尔曼滤波（Ensemble Kalman Filter,EnKF）构建的遥感信息-作物模型结合模型（PyWOFOST）为基础,建立了以LAI为结合点,适用于中国东北地区玉米的同化模拟模型,并使用MODIS LAI数据作为外部同化数据进行同化模拟,重点分析了遥感观测（MODIS LAI）和模型参数（出苗-开花期所需积温,TSUM1）的不确定性（即随机误差）对同化模拟结果的影响。最后,利用PyWOFOST模型实现了区域尺度上的玉米估产。【结果】同化外部观测数据后的玉米模拟产量较未同化外部数据的模拟产量有明显改善,20个未受灾害影响的农气站玉米产量同化前的模拟误差及在TSUM1的不确定性为0、10、20、30℃时的同化后模拟误差分别为14.04%、12.71%、11.91%、10.44%及10.48%;同化后的模拟LAI普遍较同化前的模拟LAI更接近实测LAI,更符合玉米LAI的变化趋势;同化前模拟发育期与实测发育期平均绝对误差为3.4 d,而同化后在TSUM1的不确定性为0、10、20、30℃时模拟发育期与实测发育期的平均误差分别为3.5、4.3、5.0、5.5 d。区域尺度上玉米估产结果表明,58.82%的区域玉米估产误差在15%以内,同化产量和统计产量的确定系数为0.806。【结论】基于集合卡尔曼滤波同化遥感信息进行作物估产是可行的。     

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。     

基于植被指数对望奎县粮食作物产量预测方法的研究

以望奎县为研究区,利用TM影像确定望奎县土地利用现状,根据当年农作物生长季节内累积植被指数的平均值之和与农作物产量存在的关系,建立了最大植被指数遥感估产模型。并使用2007～2010年的MODIS遥感资料和该估产模型,对2007～2010年的望奎县粮食总产进行了估测,其中,前2个年度的估产误差都接近3%。此方法在大范围粮食总产预测中值得借鉴。     

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。     

基于气象因素的玉米单产堆栈集成学习建模与预测

【目的】在世界气候变化加剧和气象灾害频发的背景下,探究气象因素对玉米单产的重要性并准确预测玉米单产对于促进农业生产和田间管理具有重要意义。本文旨在量化分析玉米各生育阶段气象因素对单产的重要性并建立高精度、高可靠性的玉米气象单产堆栈集成学习估测模型来预测单产。【方法】利用HP滤波法和移动平均法确定各县域趋势单产模型并分离出各县气象单产。采用轻量级梯度提升机（LightGBM）、Bagging和Stacking 3种集成学习方法,通过对中国12个省份596个县级行政区域和气象观测站跨度34年的日度气象数据和玉米产量数据进行分析,建立3种基于不同集成学习框架（LightGBM、Bagging和Stacking）的玉米气象单产预测模型。【结果】适用HP滤波法作为趋势单产模型的县域主要集中在陕西、河南、江苏和安徽地区。相较于HP滤波法,更多县域适用于移动平均法,且多数县域R 2分布于0.8以上。基于5年滑动预测和模型精度评价指标,3种模型对玉米单产的平均绝对百分比误差（MAPE）指标均低于6%。Stacking模型MAPE值达到4.60%,预测精度高,泛化性强。结果表明玉米气象单产堆栈集成学习预...     

GIS支持下的临汾市冬小麦动态估产模型研究

利用1982—2008年临汾市各县(市)的气象观测资料及冬小麦单产资料,在ArcGIS地理信息系统软件下,将各因子进行插值后,再提取耕地区域的要素信息,在SPSS 11.5统计软件中以旬为单位建立了临汾市冬小麦动态估产模型,并利用2008年的实测资料对模型进行了验证。结果表明,研究所建立的动态估产模型精度较高,其估产相对误差绝对值在0.33%～5.87%之间,具有较高的稳定性。同时,从模型估产的相对误差动态变化来看,随着时间的推移,即越临近小麦成熟期,估产误差越小,说明气象因素的累计作用对冬小麦估产具有重要的意义。     

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。     

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。     

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。     

基于灰色系统理论的四川油料作物单产预测

为准确预测四川油料作物的产量以保障市场供给,根据2001—2015年四川油料作物单产数据,运用灰色系统理论,建立GM(1,1)预测模型,并通过残差、级比偏差、关联度、后验差检测及模拟数据检查对模型的合理性和精度进行误差检验,并应用模型预测未来3年四川油料作物的单产。结果表明:P~0=98.22%90%、ρ(avg)=4.52%10%、r=0.97760.6、P=1,F=1.1141F_(0.05)=19.00,由此可见,灰色系统理论GM(1,1)适用于油料作物单产预测,并具有较高精度。预测得出,2016年、2017年、2018年的油料作物单产分别为162.25kg/667m~2、164.71kg/667m~2和167.22kg/667m~2,与2015年相比,分别上涨2.70%、4.26%和5.84%。     

河北省粮食产量变化贡献因素分解与测算——基于粮食内部结构调整的视角

利用河北省1980~2015年粮食生产数据,采用RLI模型对1980~2015年河北省粮食生产变化的贡献因素进行了分解测算,并对比分析了粮食播种面积变动、各作物单产水平变化和粮食种植结构调整对河北省粮食生产变动的贡献。测算结果显示,粮食作物单产水平的提高是粮食增产的首要贡献因素,其中,小麦和玉米单产水平的提高是影响作物生产力效应的主体,贡献率为101.84%;作物种植结构调整中,玉米的贡献率最大;播种面积变化的产量效应为负,对粮食增产的贡献率为-21.69%。粮食产量变化的3个贡献因子,在研究期不同时段的作用差异显著。     

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。     

基于MODIS-NDVI的水稻遥感估产——以重庆三峡库区为例

以重庆三峡库区为研究对象,利用MODIS-NDVI为遥感特征参量,分析水稻关键生育期的长势并对产量进行预测.考虑到NDVI数据饱和的局限性,选取库区各区县0.2～0.8范围内的NDVI值与作物产量建立水稻估产模型,进行相关性分析,估算出的水稻产量表明,各关键生育期的相关性系数均在0.75以上,且与实产数据对比表明,各区县预测精度均在90%以上,可见利用MODIS-NDVI能够有效的进行水稻监测和估产.     

基于GA-RBF融合算法的玉米病虫害产量损失预测研究

鉴于玉米病虫害等影响因素在预测玉米产量损失时所具有的复杂及非线性等特点,采用传统的径向基函数(radial basis function,简称RBF)神经网络预测起来相对较难,且其预测精度较低。针对上述问题,提出1种基于遗传算法(genetic algorithm,简称GA)和径向基函数神经网络相融合的优化算法,对病虫害所造成的玉米产量损失进行预测。该融合算法利用人工神经网络的非线性拟合能力强和遗传算法寻优能力强的优点,建立最优产量损失预测模型,将该模型的估算值与玉米产量的实际值进行拟合,得到较好的拟合效果图。为了验证算法的可行性,以国家863计划示范基地榆树市弓棚镇13号村的试验数据为样本数据进行仿真预测。结果表明,经过GA-RBF融合算法的预测误差为0.207,较优化前误差降低了0.151,预测精度得到提高,实现对玉米病虫害产量损失的有效预测。预测结果可为农民进行科学有效的病虫害防控提供科学依据,经济有效地降低受灾程度,提高玉米产量。     

基于开花期卫星遥感数据的大田小麦估产方法比较

【目的】卫星遥感具有覆盖范围广、获取速度快、信息量大、动态性强等优势,能够及时准确地获取作物产量信息,反映作物产量空间变化趋势。遥感技术作物估产已成为现代农业生产中研究热点。通过改善遥感估产建模方法,以实现进一步提高大田作物遥感估产精度,为宏观了解不同区域作物产量形成情况及变化趋势提供直观、可靠的参考。【方法】论文结合2011—2012年江苏省大丰、兴化、姜堰、泰兴、仪征5个县区的定点观测试验,以国产卫星产品HJ-1A/1B影像为遥感数据,于小麦开花期开展大田定位观测区卫星遥感植被指数、关键生长指标与收获期单产间的定量分析。通过对产量与小麦生长指标以及植被指数进行定量关系分析,进一步增强遥感反演的机理性和重演性。将卫星遥感变量与小麦产量进行相关关系分析作为遥感估产的直接建模方法,间接建模方法则是选取与产量相关性较好的遥感变量以及与遥感变量相关性较好的主要苗情指标,利用筛选得到的敏感遥感变量,首先监测对应的小麦生长指标,结合该小麦生长指标与产量间的定量关系,进而建立间接估产模型,利用此模型进行小麦遥感间接估产。利用直接和间接建模方法,以相关性最高为原则,筛选估算产量的敏感卫星遥感变量。以2012年试验数据为建模样本,采用线性回归分析方法,分析小麦开花期苗情指标、产量与卫星遥感变量两两之间的相关性,分别构建以遥感植被指数为基础的大田小麦估产模型,与地面实测结果一起建立模型共同分析。以2011年试验数据为验证样本,选取评价指标拟合度(R2)和均方根误差(RMSE),对两类模型的估算精度进行验证和比较,以提高遥感反演的定量化水平和可信度。【结果】分别以差值植被指数(difference vegetation index,DVI)和比值植被指数(ratio vegetation index,RVI)为基础的单因子直接估产模型的均方根误差(root mean square error,RMSE)为918 kg·hm-2和1 399.5 kg·hm-2,以DVI和RVI遥感变量构建双变量估产模型的RMSE为1 036.5 kg·hm-2,以归一化植被指数(normalized difference vegetation index,NDVI)和叶片氮积累量为基础构建的间接估产模型的RMSE为805.5 kg·hm-2,说明开花期HJ-1A/1B影像估算小麦区域产量是可行的,且精度较高;经比较,以NDVI和叶片氮积累量为基础的间接估产模型精度明显高于直接估产模型,相较于DVI直接估产模型RMSE降低了112.5 kg·hm-2,相较于RVI直接估产模型RMSE降低了594 kg·hm-2,相较于双因子模型RMSE降低了231 kg·hm-2。【结论】国产卫星HJ-1A/B可以较好满足估测小麦产量要求,且利用间接方法建立作物遥感估产模型要好于直接方法,研究结果为利用遥感技术更为准确估算大田小麦产量提供了一种新的途径。