基于无人机多时相植被指数的冬小麦产量估测

通过无人机搭载多光谱相机,对不同水分亏缺条件下冬小麦多个生育期进行遥感监测,采用不同种类多光谱植被指数表征冬小麦的生长特征,分析了植被指数与冬小麦产量的相关关系,并利用多时相植被指数构建产量估测数据集,采用偏最小二乘回归、支持向量机回归和随机森林回归3种机器学习算法进行冬小麦产量估测。结果表明,随着冬小麦的生长,多个植被指数与产量的相关性不断增强,灌浆末期相关系数达到0.7,植被指数与产量的线性回归决定系数也达到最大。多时相植被指数反映了冬小麦生长的变化特征,进一步提高了冬小麦产量估测精度,采用开花期和灌浆初期的多时相植被指数进行估产比采用单个生育期的植被指数估测产量的精度高,采用偏最小二乘回归模型的估测精度R²提高约0.021,支持向量机回归模型R²提高约0.015,随机森林回归模型R²提高约0.051。采用灌浆末期的多时相植被指数,3种模型均有较高的估测精度,偏最小二乘回归模型估测精度最高时的R²、RMSE分别为0.459、1 822.746 kg/hm²,支持向量机回归模型估测精度最高时的R²、RMSE分别为0.540、1 676.520 kg/hm²,随机森林回归模型估测精度最高时的R²、RMSE分别为0.560、1 633.896 kg/hm²,本文数据集训练的随机森林回归模型估测精度最高,且稳定性更好。     

基于无人机多光谱遥感的棉花生长参数和产量估算

及时准确地监测棉花长势和产量是精准农业栽培管理的关键。无人机(UAV)平台能够快速获取高时空分辨率的遥感数据,在作物生长参数和产量估算方面显示出巨大的潜力。以山东省滨州市棉花为研究对象,利用安装在无人机上的多光谱相机获取遥感影像,分别提取各波段反射率,筛选出8种植被指数,采用多元线性回归(MLR)、随机森林(RF)、人工神经网络(BPNN)3种方法分别构建棉花的株高、叶绿素相对含量、单株产量的估计模型并进行验证。结果表明,基于BPNN的预测模型精度明显优于MLR和RF模型,盛花期与成熟期棉花株高估计模型验证集的R²分别为0.842和0.670;叶绿素相对含量估算模型验证集的R²分别为0.725和0.765;产量估算模型验证集的R²分别为0.860和0.846。为无人机遥感在作物生长参数与产量估算领域中的应用提供理论依据,为进一步优化农业生产管理、科学决策提供参考。     

西北地区冬小麦腾发量估算模型适用性评价

为实现对西北地区冬小麦腾发量(ET)的准确估算,在对不同生育期ET的影响因子进行分析后分别采用双作物系数模型、单作物系数模型和Priestley-Taylor(PT)模型模拟ET,并以大型蒸渗仪实测ET为标准值对比其精度.结果表明:气象因子是播种-返青(Ⅰ期)和抽穗-乳熟(Ⅲ期)ET的主导因子,作物因子是乳熟-收获(Ⅳ期)ET的主导因子,2种因子对返青-抽穗(Ⅱ期)和全生育期ET的驱动作用相近;Ⅰ期双作物系数模型、单作物系数模型和PT模型的R²分别为0.511 8,0.239 3,0.374 2,RMSE变化范围为0.284 6~0.366 3 mm/d,总体评价指标GPI排名分别为1,3,2;Ⅱ期3个模型的R²均在0.700 0 以上,RMSE为0.540 9~0.844 0 mm/d,双作物系数模型模拟效果最好;Ⅲ期各模型的R²均高于0.600 0,RMSE为0.828 8~1.258 7 mm/d,双作物系数模型GPI排名第1;Ⅳ期3个模型的R²分别为0.799 1,0.671 6,0.270 8,RMSE为0.968 1~1.946 2 mm/d,作物系数模型模拟精度明显高于PT模型;全生育期各模型RMSE为0.551 5~0.893 6 mm/d,双作物系数模型的R²达到0.902 2.     

融合多源遥感数据的夏玉米土壤水分反演方法对比研究

为了解决在夏玉米植株高度较高(> 1.5 m)情况下,无人机遥感土壤水分反演过程中冠层与地表之间多次散射对微波后向散射的衰减问题,寻找合适的反演方法。通过融合运用无人机多光谱和热红外数据、Sentinel-1A SAR卫星数据,结合田间实测数据,对植被覆盖下的土壤水分反演与精度验证进行研究;采用温度植被干旱指数(TVDI)、水云模型(WCM)以及引入MIMICS模型参数的改进水云模型(Improved WCM) 3种方法进行土壤水分反演。其中,TVDI方法拔节期反演精度R²为0.50(10 cm)和0.42(20 cm),乳熟期反演精度R²为0.49(10 cm)和0.46(20 cm);WCM方法拔节期反演精度R²为0.53(10 cm)和0.44(20 cm),乳熟期反演精度R²为0.18(10 cm)和0.02(20 cm);Improved WCM方法拔节期反演精度为0.76(10 cm)和0.69(20 cm),乳熟期反演精度为0.78 (10 cm)和0.74(20 cm)。采用引...     

不同灌溉制度对制种玉米产量和阶段耗水量的影响

通过田间试验研究了相同灌水定额(900 m³/hm²)条件下,不同灌水次数(0,2,3,4次)对制种玉米生育期土壤水分分布特征、耗水规律以及产量影响.结果表明,不同灌溉制度主要影响作物拔节后0~100 cm土壤水分分布.相同灌溉定额条件下,灌水时间影响制种玉米的穗行数、行粒数产量特征值.各处理耗水强度均呈“低、高、低”的变化趋势,峰值主要出现在制种玉米抽雄期-灌浆期.制种玉米各生育阶段对缺水的敏感程度由大到小依次为灌浆期、拔节期、苗期、乳熟期、抽雄期.在西北干旱半干旱地区,制种玉米苗期-拔节期、拔节期-抽雄期、抽雄期-灌浆期进行3次灌水,灌水定额为900 m³/hm²,灌溉定额为2 700 m³/hm²的灌溉制度具有明显的经济产量效益和节水效益.     

土壤信息采集传感器节点的透地通信特性试验

为了揭示电磁波在土壤中传输的一般特性,部署无线地下传感器网络节点,设计了土壤信息采集传感器节点的透地通信试验.试验利用433 MHz载波频率无线地下传感器网络节点,通过小麦大田试验和计算机模拟,对不同的接收节点高度、发射节点和接收节点间水平距离等条件下传感器节点电磁波的传输特性进行了研究,建立了接收信号强度和丢包率的关系模型,提出了小麦4个生育期农田土壤信息采集传感器节点在土壤中的传输特性.试验结果表明,接收节点高度变化时,接收节点高度和节点间水平距离对接收信号强度影响的8种模型拟合优度,R²最大为0.998,R²最小为0.837;对丢包率影响的8种模型拟合优度,R²最大为0.998,R²最小为0.900.节点间水平距离变化时,接收节点高度和节点间水平距离对接收信号强度影响的8种模型拟合优度,R²最大为0.958,R²最小为0.847;对丢包率影响的8种模型拟合优度,R²最大为0.997,R²最小为0.941.     

基于无人机多光谱遥感的大豆生长参数和产量估算

为适应现代农业发展对作物生长动态、连续、快速监测的要求，本文基于无人机多光谱遥感技术，以西北地区大豆作为研究对象，分别筛选出与大豆叶面积指数(Leaf area index, LAI)、地上部生物量和产量相关性较好的5个植被指数，采用支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)和反向神经网络(Back propagation neural network, BPNN)分别构建了大豆LAI、地上部生物量和产量的估计模型，并对模型进行了验证。结果表明，基于RF模型构建的大豆LAI和地上部生物量预测模型的精度显著高于SVM与BP模型，LAI估计模型验证集的R²为0.801,RMSE为0.675 m²/m²,MRE为18.684%;地上部生物量估算模型验证集的R²为0.745,RMSE为1 548.140 kg/hm²,MRE为18.770。而在产量的估算模型构建中，在大豆开花期(R4)基于RF模型构建的大豆产量预...     

基于无人机高光谱遥感数据的冬小麦产量估算

为了准确和高效地预测作物产量,以冬小麦为研究对象,利用无人机遥感平台搭载高光谱相机,获取了冬小麦各生育期的无人机影像。根据高光谱具有较多的光谱信息且存在特有的红边区域的特点,选取了9种植被指数和5种红边参数。首先,分析植被指数和红边参数与产量的相关性,优选5种植被指数和2种红边参数用于构建产量估算模型;然后,构建了不同生育期的3种产量估算模型:单参数线性回归模型、基于植被指数并使用偏最小二乘回归方法模型、基于植被指数结合红边参数并使用偏最小二乘回归方法模型;最后利用3种模型分别估算冬小麦产量。结果表明:4个生育期内,大部分植被指数和红边参数与产量呈现极显著相关性;拔节期、挑旗期、开花期与灌浆期构建的单参数线性回归模型中表现最佳的参数分别为REP、Dr/Drmin、GNDVI与GNDVI;利用偏最小二乘回归方法提高了产量估算精度,以植被指数结合红边参数为因子构建的模型提高了产量估算效果(优于以植被指数为因子构建的产量模型)。本研究可为无人机高光谱估算作物产量提供参考。     

基于冠层光谱特征和株高的马铃薯植株氮含量估算

为及时准确地掌握作物的植株氮含量（PNC）信息,监测作物生长状况,实现农田氮素施肥的科学管理,以马铃薯为研究对象,首先获取了现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期的数码影像,并实测了各生育期的PNC、株高（H）和地面控制点（GCP）的三维坐标。其次利用各生育期的无人机数码影像与GCP结合生成试验区域的数字正射影像（DOM）和数字表面模型（DSM）,并从中提取冠层光谱特征和株高(H_dsm)。然后将各生育期提取的H_dsm和数码影像变量与地面实测的PNC进行相关性分析,从中筛选出相关性较好的影像变量和H_dsm作为马铃薯PNC估算模型的输入参数。最后分别基于影像变量和影像变量结合H_dsm利用多元线性回归（MLR）、误差反向传播（BP）神经网络和Lasso回归3种方法构建马铃薯PNC估算模型。结果表明：基于DSM提取的H_dsm与实测H具有较高的拟合度（R²为0.860,RMSE为2.663 cm, NRMSE为10.234%）;各生育期加入H_d...     

基于XGBoost-Shapley的玉米不同生育期LAI遥感估算

针对当前快速准确获取叶面积指数（Leaf area index, LAI）时大部分遥感预测方法将光谱信息作为模型主要特征,忽略时序变化特征的问题,利用无人机搭载五通道多光谱相机获取研究区玉米不同生育期的影像数据,基于该数据计算玉米相应生育期植被指数,然后采用植被指数建立各生育期子模型,采用Shapley理论计算子模型均方根误差对全生育期模型均方根误差的贡献度,从而确定各子模型权重,根据权重组合形成具有LAI时序变化特征的估算模型,分别基于支持向量回归（SVR）、多层感知机（MLP）、随机森林（RF）和极限梯度提升树（XGBoost）算法构建组合估算模型。结果表明：采用Shapley理论构建的组合LAI估算模型估算效果优于直接构建的全生育期LAI估算模型。相较于SVR-Shapley、MLP-Shapley以及RF-Shapley模型,XGBoost-Shapley模型的估算效果最佳（R²为0.97,RMSE为0.021,RPD为6.9）。将最优模型XGBoost-Shapley应用于研究区LAI预测,预测结果符合不同生育期玉米长势。本研究为大田玉米长势遥感监测提供...     

基于RS数据和GIS方法的冬小麦水分生产函数估算

以冬小麦遥感监测耗水与产量为数据支持,开展了多种水分生产函数模型的对比研究,探求与研究区相适宜的水分生产函数模型及其参数,其中全生育期水分生产函数模型分别选择直线模型、抛物线模型、D-K模型及指数模型;而分生育阶段水分生产函数模型分别选择Jensen、Minhas、Blank、Stewart及Singh模型。研究结果表明,冬小麦全生育水分生产函数模型推荐采用抛物线模型;而分生育阶段水分生产函数模型推荐采用Stewart模型;冬小麦对水分最敏感的阶段是抽穗期,其次为扬花-成熟期,而出苗-拔节期最小。为此,在北京市大兴区的冬小麦灌溉应优先满足抽穗灌浆期的需水,而在出苗-拔节期适度减少灌溉量,可达到节水增效目的。     

基于遥感DSI指数的干旱与冬小麦产量相关性分析

利用2000—2012年MODIS ET/PET和NDVI数据集构建干旱指数(DSI),监测山东省和河南省冬小麦主产区的农业干旱,并在地级市尺度上进一步评估冬小麦关键生育期干旱对冬小麦产量的影响。结果表明:2010年9月—2011年2月山东省特大干旱过程显示的DSI不仅能监测气象干旱,还能较好地反映农业干旱在空间上的差异性以及时间上的演变。不同冬小麦生育期干旱对冬小麦产量影响不同,灌浆期干旱对冬小麦产量的影响最大,干旱致使土壤水分亏缺,影响了作物正常的灌浆强度,进而导致作物减产;其次是拔节期;返青期干旱对产量基本没有影响。     

基于多源Sentinel数据的县域冬小麦种植面积提取

冬小麦是我国主要的粮食作物之一,及时准确地获取冬小麦种植面积对农业政策的制定具有重要意义。以河南省扶沟县为研究区域,以多生育期Sentinel-1A和Sentinel-2A/B遥感影像为数据源,构建光谱特征、植被特征和极化特征的多生育期数据集,分析各类地物的特征曲线,采用随机森林算法对单生育期单传感器、单生育期多传感器、多生育期单传感器和多生育期多传感器的遥感影像进行精细分类,实现县域冬小麦制图。结果显示：单生育期的雷达影像无法满足制图要求,拔节期的总体精度最高,仅为62.9%,多生育期雷达影像分类精度达到81.9%,基本满足制图要求;单生育期的光学影像和融合影像在成熟期的精度最高,总体精度分别为93.4%和95.1%,Kappa系数分别为92.4%和94.8%,可以绘制较为精准的冬小麦分布图;多生育期融合影像绘制的扶沟县2019年冬小麦空间分布图,总体精度为96.8%,结果最优。研究结果表明融合的多生育期遥感影像可以为县域冬小麦种植面积的提取提供技术依据。     

Logistic model application for prediction of maize yield under water and nitrogen management

Simulation of crop yield allows better planning and efficient management under different environmental inputs such as water and nitrogen application. However, most of the models are complicated and difficult to understand. Furthermore, input data are not readily available. The objectives of this investigation were to use logistic equation to quantify the influence of seasonal water and nitrogen application on maize biomass accumulation and grain yield and to develop empirical models for prediction of maize biomass and grain yield. Logistic equations were fitted to dray matter (DM) yield at different times in the growing season at different irrigation water and nitrogen levels. The parameters of the logistic equations were then fitted to irrigation water and nitrogen as empirical functions. Further, the harvest index (HI) was related to the applied water and nitrogen as another empirical model. The empirical logistic models were used to estimate the DM and grain yield based on data from another experiment in the same area. Results indicated that the empirical models predicted the DM yield during the growing season with an acceptable accuracy, but dry matter (DM) prediction at harvest was very good. The grain yield also was predicted with a very good accuracy. It is concluded that logistic equation along with the presented empirical models for prediction of constants in logistic equation and HI are appropriate for accurate prediction of DM and grain yield of maize at the study region.     

冬小麦产量分阶段预测模型

为了解决冬小麦估产的时效性和运行化问题,通过对河北省玉田县2007～2009年冬小麦的连续监测,在不同生育期（抽穗期、灌浆期和收获期）对其产量构成三因子（穗数、粒数和粒质量）进行实地抽样测定,并结合冬小麦各个生长发育期的生理生态特点,建立相应的分阶段单产预测模型。试验发现,单因子模型的应用,可使冬小麦估产的预报时间提前到抽穗期,其拟合精度可达到88%以上。双因子模型的应用可使预报时间提前到抽穗后期至灌浆期,模型拟合精度大于90%;结果表明,冬小麦分阶段预产模型可以作为县级区域农业遥感业务化运行系统的基础,增强农业遥感监测产量的预警能力。     

基于改进FasterNet的轻量化小麦生育期识别模型

针对现阶段小麦生育期信息获取需依靠人工观测,效率低、主观性强等问题,本文构建包含冬小麦越冬期、返青期、拔节期和抽穗期4个生育期共计4599幅小麦图像数据集,并提出一种基于FasterNet的轻量化网络模型FSST(Fast shuffle swin transformer),开展4个关键生育期的智能识别。在FasterNet部分卷积的基础上引入Channel Shuffle机制,以提升模型计算速度。引入Swin Transformer模块来实现特征融合和自注意力机制,用来提升小麦关键生育期识别准确率。调整整个模型结构,进一步降低网络复杂度,并在训练中引入Lion优化器,加快网络模型收敛速度。在自建的数据集上进行模型验证,结果表明,FSST模型参数量仅为1.22×107,平均识别准确率、F1值和浮点运算量分别为97.22%、78.54%和3.9×108,与FasterNet、GhostNet、ShuffleNetV2和MobileNetV3 4种模型相比,FSST模型识别精度更高,运算速度更快,并且识别时间分别减少84.04%、73.74%、72.22%和77.01%。提出的FSST模型能够较好地进行小麦关键生育期识别,并且具有识别快速精准和轻量化的特点,可以为大田作物生长实时监测提供信息技术支持。     

根系带水质量模型参数灵敏度分析与标定的研究

利用收集的河南省新乡试验站田间试验数据对根系带水质量模型(ROOt Zone Water Quality Model,RZWQM)输入参数进行灵敏度分析和标定.结果表明,通过参数的灵敏度分析结果对RZWQM进行调参,节省参数校核时间,提高精度.参数标定后模拟值与实测值的对比显示,土壤含水量的模拟均方根差和平均相对误差分...     

融合多源时空数据的冬小麦产量预测模型研究

为提高大尺度冬小麦产量预测精度,以2005—2019年河南省遥感数据、气象数据、土壤含水率等多源时空数据为特征变量,分析其与小麦单产的相关性,并基于随机森林算法对特征变量进行了重要性分析,构建了融合多源时空数据的冬小麦产量预测模型。结果表明:增强型植被指数（Enhanced vegetation index, EVI）、日光诱导叶绿素荧光（Solar-induced chlorophyll fluorescence, SIF）与高程为小麦产量预测的重要因子,与小麦产量呈高度正相关,对小麦产量预测的重要性指标均超过0.45,远大于土壤含水率、降水量、最高温度、最低温度等因子;基于随机森林算法构建的小麦不同生长阶段产量预测模型中,以10月—次年5月和10月—次年4月为特征变量的产量预测模型精度较高,R²分别为0.85和0.84,RMSE分别为821.55、832.01 kg/hm²,在空间尺度上,豫西和豫南丘陵山地模型预测相对误差高于平原地区。该研究结果可为大尺度作物产量预测提供参考。     

基于LightGBM的冬小麦产量估测与可解释性研究

机器学习模型在作物长势监测和产量估测过程中,复杂模型的内部机制难以理解,为了在准确估测作物产量的同时给出合理解释,本文选取条件植被温度指数(VTCI)以及冬小麦产量数据,基于轻量级梯度提升机(LightGBM)开展关中平原冬小麦的产量估测研究,并将局部可解释性模型无关方法(LIME)、部分依赖图(PDP)和个体条件期望图(ICE)等全局和局部可解释性方法用于对模型估测结果的进一步解释。结果表明,与其他机器学习方法相比,经过网格搜索优化的LightGBM能够准确地估测冬小麦产量,估测单产与实测单产的决定系数R²达到0.32,均方根误差(RMSE)为809.10 kg/hm²,平均相对误差(MRE)为16.55%,达到极显著水平(P<0.01),表明该模型有较高的预测精度和泛化能力。进一步可解释性实验表明,网格搜索优化的LightGBM能够准确提取数据蕴含的信息,从全局角度来看,冬小麦4个生育期中拔节期VTCI对产量形成最为重要,抽穗-灌浆期和乳熟期次之,返青期则影响最小,这与先验知识相符合;从局部角度来看,局部可解释性方法基于冬小麦产量西...     

作物非充分灌溉制度优化的01规划模型建立与应用

以农田水量平衡模型及作物水分生产函数模型为基础,引入0-1变量描述在可能的灌溉期内是否进行灌溉,建立了非充分灌溉制度优化的0-1规划模型。模型利用Microsoft Excel的规划求解工具进行求解。将该模型应用于山西省潇河灌区冬小麦灌溉制度优化,结果与现有模拟-优化模型比较接近,但求解过程更为简单。结果表明研究区冬小麦灌溉的关键期是拔节末期(5月上旬);初始土壤含水率较低时,适宜灌水时间有所提前,灌溉的增产效果也更明显;冬小麦蒸散发量及相对产量均随灌水量的增加而增加,但边际产量却逐渐降低。