基于双变量同化和交叉小波变换的冬小麦单产估测

为进一步提高陕西省关中平原冬小麦产量估测的精度,利用集合卡尔曼滤波算法(EnKF)将CERES-Wheat模型模拟的0～20 cm土壤含水率和叶面积指数(LAI)与遥感观测的条件植被温度指数(VTCI)和LAI进行同化,同时利用交叉小波变换分析冬小麦各生育时期同化VTCI和LAI与产量之间的共振周期,通过计算小波互相关度获得各生育时期同化VTCI和LAI的权重,进而构建基于加权VTCI和LAI的冬小麦单产估测模型。结果表明,在样点尺度,经过EnKF同化的VTCI和LAI能够综合表达模型模拟值和遥感观测值的变化趋势;在区域尺度,无论是否同化,经过交叉小波变换的各生育时期VTCI和LAI分别与产量之间存在特定的共振周期,同时发现,同化有助于对关键生育时期的特征提取;相较于未同化构建的估产模型,经过同化构建的估产模型的归一化均方根误差为13.23%,决定系数为0.50,平均相对误差为10.58%,精度略有提升,且估测产量的分布与统计产量的分布更为一致,因此认为将同化与交叉小波相结合构建的双变量单产估测模型精度更高,可为进一步实现高精度的区域产量估测提供研究基础。     

基于LAI和VTCI及Copula函数的冬小麦单产估测

受全球变暖影响,近年来干旱事件发生的频率和强度均呈显著增加的趋势,严重影响了农作物的产量。因此,选择合适的监测指标、构建准确的产量估测模型,对保障国家粮食安全具有十分重要的意义。以关中平原为研究区域,基于与作物长势密切相关的条件植被温度指数（VTCI）和叶面积指数（LAI）,采用主成分分析法（PCA）结合Copula函数分别构建县域尺度单变量（VTCI或LAI）、双变量（VTCI和LAI）的冬小麦单产估测模型。结果表明,基于PCA-Copula构建的综合LAI与冬小麦的单产模型精度最高（R2=0.567,P<0.001）,但综合VTCI和LAI与冬小麦间的单产模型（R2=0.524,P<0.001）用于研究区域2012—2017年各县（区）的冬小麦单产估测时误差分布更为集中、最大误差更小,比基于综合VTCI、综合LAI建立的估产模型的估测结果更可靠,表明应用PCA-Copula构建的双变量估产模型更适合大范围的冬小麦单产估测。     

基于遥感多参数和IPSO-WNN的冬小麦单产估测

冬小麦是我国的主要粮食作物之一。为进一步准确地估测冬小麦产量,以陕西省关中平原为研究区域,选取冬小麦主要生育期与水分胁迫和光合作用等密切相关的条件植被温度指数（VTCI）、叶面积指数（LAI）和光合有效辐射吸收比率（FPAR）作为遥感特征参数,采用改进的粒子群算法优化小波神经网络（IPSO-WNN）以改善梯度下降方法易陷入局部最优的缺陷,并构建冬小麦产量估测模型。结果表明,IPSO-WNN模型的决定系数R2为0.66,平均绝对百分比误差（MAPE）为7.59%,相比于BPNN（R2=0.46,MAPE为11.80%）与WNN（R2=0.52,MAPE为9.80%）,IPSO-WNN能够进一步提高模型的精度、增强模型的鲁棒性。采用灵敏度分析的方法探究对冬小麦产量影响较大的输入参数,结果发现,抽穗-灌浆期的FPAR对冬小麦产量影响最大,其次拔节期的VTCI、抽穗-灌浆期和乳熟期的LAI以及返青期和拔节期的FPAR对冬小麦产量的影响较大。通过IPSO-WNN输出获取冬小麦综合监测指数I,构建I与统计单产之间的估产模型以估测关中平原冬小麦单产,结果显示,估测单产与统计单产之间的R2为0.63,均方根误差（RMSE）为505.50kg/hm2,相比于前人的研究较好地解决了估产模型存在的“低产高估”的问题,因此,本文基于IPSO-WNN构建的估产模型能够较准确地估测关中平原冬小麦产量。     

基于LAI和VTCI及粒子滤波同化算法的冬小麦单产估测

为进一步提高冬小麦单产的估测精度和验证粒子滤波算法在同化研究中的适用性,以陕西省关中平原为研究区域,以叶面积指数(LAI)和条件植被温度指数(VTCI)为同化系统的状态变量,采用重采样粒子滤波算法同化CERES-Wheat模型模拟的与遥感数据反演的LAI和VTCI,并依据在不同类型样点应用最优同化LAI和VTCI构建的单产组合估测模型对2008—2014年冬小麦单产进行估测。结果表明,同化LAI具有良好的时间和空间连续性,可减缓CERES-Wheat模型模拟LAI的剧烈变化,其峰值出现时间与遥感LAI变化趋势基本同步,更加符合关中平原冬小麦实际变化情况;同化VTCI能同时表达模型模拟值和遥感观测值的变化趋势,且更能反映冬小麦对水分胁迫的敏感性。比较不同类型样点基于不同同化变量建立的估产模型,发现在旱作样点,同时同化VTCI和LAI的单产估测结果(R2=0.531)优于单独同化VTCI(R2=0.475)或LAI(R2=0.428)的估测结果,且同时同化VTCI和LAI与实测产量间相关性达极显著水平(P0.001);而在灌溉样点单独同化LAI的估测结果精度最高(R2=0.539),同时同化VTCI和LAI的估测结果次之(R2=0.457),单独同化VTCI的估测结果较差(R2=0.243)。表明在旱作样点,冬小麦叶面积指数和水分胁迫是影响其产量形成的主要因子,而在灌溉样点,叶面积指数是影响冬小麦产量形成的主要因子。     

基于随机森林回归的玉米单产估测

为了提高玉米单产估测精度,以河北省中部平原为研究区域,以条件植被温度指数(VTCI)和上包络线S-G滤波的叶面积指数(LAI)为特征变量,通过随机森林回归确定玉米主要生育时期VTCI和LAI的权重,构建加权VTCI和LAI与玉米单产的单变量和双变量估产模型。结果表明,基于随机森林回归的双变量估产模型精度最高(R~2=0. 303),达极显著水平(P 0. 001)。将随机森林回归双变量估产模型用于研究区域2012年各县(区)玉米单产估测,结果表明,53个县(区)玉米估测单产与实际单产的平均相对误差为9. 85%,均方根误差为824. 77 kg/hm~2,模型精度较高。基于随机森林回归双变量估产模型逐像素估测研究区域2010—2018年玉米单产,结果表明,玉米单产在空间上的分布特征为西部地区最高、北部和南部次之、东部地区最低,年际间的分布特征为在波动中呈先减少后增加的趋势。     

基于双参数和粒子滤波同化算法的夏玉米单产估测

为了提高河北省中部平原夏玉米的估产精度和进一步验证粒子滤波同化算法对农业作物估产的适用性,采用粒子滤波算法同化CERES-Maize模型模拟和MODIS数据反演的叶面积指数(Leaf area index,LAI)、条件植被温度指数(Vegetation temperature condition index,VTCI),应用随机森林回归算法确定夏玉米不同生育时期LAI和VTCI的权重,构建单产估测模型。结果表明,无论是单点尺度还是区域尺度,同化的LAI和VTCI均能较好地响应外部观测数据,同化LAI可减缓CERES-Maize模型模拟LAI的剧烈变化;同化VTCI结合模型模拟和遥感观测,更能反映夏玉米对水分胁迫的敏感性。利用2015年河北省中部平原各县(区)夏玉米产量对较优估产模型进行精度验证,结果表明,同化前后夏玉米产量模拟结果与统计产量间的归一化均方根误差由12.71%下降到10.50%,平均相对误差由12.57%下降到8.43%,说明基于同化LAI和VTCI构建的双参数单产估产模型可用于区域夏玉米单产估测。     

基于遥感多参数和门控循环单元网络的冬小麦单产估测

为进一步准确、实时监测冬小麦长势并估测其产量,以陕西省关中平原为研究区域,选取冬小麦旬或生育时期尺度的条件植被温度指数（VTCI）、叶面积指数（LAI）和光合有效辐射吸收比率（FPAR）作为遥感特征参数,分别构建不同时间尺度的单参数、双参数和多参数的门控循环单元（GRU）神经网络模型,并模拟得到冬小麦长势综合监测指数I,结果表明,旬尺度的模型精度总体高于生育时期尺度的模型精度。基于5折交叉验证法进一步验证旬尺度多参数GRU模型的鲁棒性,并构建I与统计单产之间的线性回归模型以估测冬小麦单产,结果显示,冬小麦估测单产与统计单产的决定系数（R2）为0.62,均方根误差（RMSE）为509.08kg/hm2,平均相对误差（MRE）为9.01%,相关性达到极显著水平（P<0.01）,表明旬尺度的多参数估产模型能够较准确地估测关中平原冬小麦产量,且产量分布呈现西高东低的空间特性和整体保持稳定且平稳增长的年际变化特征。此外,基于GRU模型捕获冬小麦生长的累积效应,分析在连续旬中逐步输入参数对产量估测的影响,结果显示,模型具有识别冬小麦关键生长阶段的能力,3月下旬至4月下旬是冬小麦生长的关键时期。     

基于4D-VAR和条件植被温度指数的冬小麦单产估测

条件植被温度指数(VTCI)综合了地表主要参数——归一化植被指数(NDVI)和地表温度(LST),能够较为准确地对干旱进行监测,可为抗旱救灾、作物估产等提供科学依据。为了提高VTCI的区域估产精度,以陕西省关中平原为研究区域,将遥感反演的VTCI与CERES-Wheat小麦生长模型模拟的土壤浅层含水率相结合,通过四维变分(4D-VAR)同化算法实现2008—2014年冬小麦主要生育期旬尺度VTCI的同化。将同化和未同化的VTCI分别运用改进的层次分析法、熵值法及两者组合赋权法建立冬小麦单产估测模型,选择最优估测模型对2011年关中平原各县(区)进行单产估测和精度评价,并分析2008—2014年关中平原冬小麦单产的时空分布特征,结果表明:无论是在单点尺度还是区域尺度,同化的VTCI均能更好地响应外部观测数据,区域VTCI纹理性更好,更符合VTCI的先验知识。与未同化VTCI构建的估测模型相比,应用同化的VTCI所建的估测模型的估测精度明显提高,相关系数达到0.784(P0.001)。应用最优估测模型对2011年关中平原29个县(区)估产结果中,有16个县(区)的估测单产相对误差小于10%,28个县(区)的估测单产相对误差小于15%,总体平均相对误差为8.68%,均方根误差为421.9 kg/hm~2。近年来关中平原的冬小麦单产呈现个别年份波动、总体增长的年际变化规律,且呈现出中部单产最高、西部次之、东部最低的空间分布特征,与实际情况符合。     

基于Sentinel的时间序列田块尺度LAI重建与冬小麦估产

为了进行田块尺度的冬小麦单产估测,以陕西省关中平原为研究区域,基于Sentinel-1、Sentinel-2和Sentinel-3卫星数据反演叶面积指数（LAI）,并利用增强的深度卷积神经网络融合模型（EDCSTFN）和增强的时空自适应反射率融合模型（ESTARFM）对Sentinel-1、Sentinel-2和Sentinel-3 LAI进行时空融合,进而重建尺度12d的空间分辨率20m LAI并用于冬小麦单产估测。结果表明,基于Sentinel-1后向散射系数和相干性能够准确地反演关中平原冬小麦种植区的20m空间分辨率LAI,决定系数（R2）在冬小麦主要生育期可达0.70以上;相比于基于Sentinel-2和Sentinel-3的ESTARFM模型和EDCSTFN模型（EDCSTFN_S3）,基于Sentinel-1和Sentinel-2的EDCSTFN模型（EDCSTFN_S1）可以明显提高距离参考影像获取日期较远的日期的LAI时空融合精度,ESTARFM、EDCSTFN_S3和EDCSTFN_S1 3个模型在5月下旬的融合结果对应的R2分别为0.53、0.71和0.76;基于时空融合LAI的冬小麦估产结果与冬小麦单产数据具有良好的相关性（R2=0.52,P<0.01）,估产结果的均方根误差为358.25kg/hm2,归一化均方根误差为19%,平均相对误差为7.34%,并显示了丰富的田块尺度冬小麦单产分布细节特征,展现了进行田块尺度冬小麦精确估产的潜力。     

基于遥感多参数和CNN-Transformer的冬小麦单产估测

为了提高冬小麦单产估测精度,改善估产模型存在的高产低估和低产高估等现象,以陕西省关中平原为研究区域,选取旬尺度条件植被温度指数（VTCI）、叶面积指数（LAI）和光合有效辐射吸收比率（FPAR）为遥感特征参数,结合卷积神经网络（CNN）局部特征提取能力和基于自注意力机制的Transformer网络的全局信息提取能力,构建CNN-Transformer深度学习模型,用于估测关中平原冬小麦产量。与Transformer模型（R2为0.64,RMSE为465.40kg/hm2,MAPE为8.04%）相比,CNN-Transformer模型具有更高的冬小麦单产估测精度（R2为0.70,RMSE为420.39kg/hm2,MAPE为7.65%）,能够从遥感多参数中提取更多与产量相关的信息,且对于Transformer模型存在的高产低估和低产高估现象均有所改善。基于5折交叉验证法和留一法进一步验证了CNN-Transformer模型的鲁棒性和泛化能力。此外,基于CNN-Transformer模型捕获冬小麦生长过程的累积效应,分析逐步累积旬尺度输入参数对产量估测的影响,评估模型对于冬小麦不同生长阶段的累积过程的表征能力。结果表明,模型能有效捕捉冬小麦生长的关键时期,3月下旬至5月上旬是冬小麦生长的关键时期。     

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...     

基于VTCI和分位数回归模型的冬小麦单产估测方法

条件植被温度指数(VTCI)是一种综合了归一化植被指数(NDVI)与地表温度(LST)的遥感干旱监测方法,在关中平原的近实时干旱监测中具有其适用性。分位数回归能全面反映因变量的条件分布在不同分位数处的特征,回归结果稳健可靠。为了进一步研究VTCI干旱监测结果与小麦单产之间的关系及提高冬小麦单产估测精度,构建了不同分位数τ(0.1,0.3,0.5,0.7,0.9)下关中平原各市2008—2014年的冬小麦主要生育期VTCI与单产之间的线性回归模型,并基于中位数(τ=0.5)回归模型对研究区域的冬小麦单产进行了估测。结果表明,分位数回归模型比较全面地反映了不同分位数下冬小麦单产分布与VTCI之间的相关程度,弥补了最小二乘估产模型回归结果单一、易受异常值影响等的不足。中位数回归模型的单产估测结果与实际单产之间的相对误差和均方根误差的最小值及平均值均低于最小二乘回归模型,估测精度较高。此外,中位数单产估测模型获取的冬小麦估产结果在年际变化规律与空间分布特征上与实际产量均较相符,说明分位数回归在研究VTCI与产量之间的关系及冬小麦单产估测中具有其适用性与可靠性。     

基于条件植被温度指数的冬小麦产量预测

条件植被温度指数(VTCI)综合了地表主要参数——植被指数(NDVI)和地表温度(LST),能够较为准确地对干旱进行监测,可为抗旱救灾、遥感作物估产等提供科学依据。在改进层次分析法的加权VTCI与冬小麦产量的相关性研究成果和VTCI的季节性ARIMA模型干旱预测研究成果基础上,对关中平原的冬小麦产量进行向前1旬、2旬和3旬的预测研究。研究结果表明,产量预测结果与产量监测结果吻合较好,预测精度随着预测步长的增大而降低,关中平原4个地级市平均产量预测结果的最大相对误差为3.27%,说明用该方法可以进行向前3旬的产量预测。     

基于小波能量系数和叶面积指数的冬小麦生物量估算

生物量是评价作物长势及产量估算的重要指标,科学、快速、准确地获取生物量信息,对于监测冬小麦生长状况以及产量预测等具有重要意义。以冬小麦为研究对象,通过相关性分析,选取相关性较好的小波能量系数,同时耦合叶面积指数,基于支持向量回归算法、随机森林算法、高斯过程回归3种算法构建冬小麦生物量估算模型。结果显示,基于小波能量系数,分别利用支持向量回归算法、随机森林算法、高斯过程回归进行生物量估算,4个生育期的验证R2分别是0.55、0.40、0.39;0.75、0.70、0.83;0.84、0.92、0.93;0.84、0.89、0.85。表明高斯过程回归模型估算精度最优。叶面积指数耦合小波能量系数,利用支持向量回归算法、随机森林回归算法、高斯过程回归进行生物量估算,4个生育期的验证R2分别是0.76、0.73、0.77;0.76、0.72、0.84;0.87、0.94、0.94;0.85、0.90、0.91。表明高斯过程回归算法估算精度最优,并且在一定程度上能够克服冠层光谱饱和现象,提高模型估算精度。以小波能量系数和叶面积指数为输入变量结合高斯过程回归算法建立冬小麦生物量估算模型,可以提高生物量估算精度,为基于遥感技术的作物参数快速估算提供参考。     

顺序同化不同时空分辨率LAI的冬小麦估产对比研究

选择PyWOFOST模型为动态模型,以叶面积指数(LAI)为状态变量,遥感LAI为观测值,采用集合卡尔曼滤波(En KF)同化算法,研发了一种遥感LAI与作物模型同化的区域冬小麦产量估测系统。为消除云的污染,采用Savitzky-Golay(S-G)滤波算法重构时间序列MODIS LAI;通过构建地面观测LAI与3个关键物候期Landsat TM植被指数回归统计模型,获得区域TM LAI;通过融合3个关键物候期的TM LAI与时间序列S-G MODIS LAI,生成尺度转换LAI。对比分析3种不同时空分辨率的遥感LAI的同化精度,研究结果表明,同化尺度转换LAI获得了最高的同化精度,与官方县域统计产量相比,在潜在模式下,决定系数由同化前的0.24提高到0.47,均方根误差由602kg/hm2下降到478 kg/hm2。结果表明,遥感观测与作物模型的尺度调整对提高冬小麦同化模型精度具有重要作用,遥感LAI与作物模型的En KF同化方法是一种有效的区域作物产量估测方法。     

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...     

基于无人机成像高光谱影像的冬小麦LAI估测

利用无人机Cubert UHD185 Firefly成像光谱仪和ASD光谱仪获取了冬小麦挑旗期、开花期和灌浆期的成像和非成像高光谱以及LAI数据。首先,对比ASD与UHD185光谱仪数据光谱反射率,评价两者精度;然后,选取7个光谱参数,分析其与冬小麦3个生育期LAI的相关性,并使用线性回归和指数回归挑选出最佳估测参数;最后利用多元线性回归、偏最小二乘、随机森林、人工神经网络和支持向量机构建了冬小麦3个不同生育期LAI的估测模型。结果表明:UHD185光谱仪光谱反射率在红边区域与ASD光谱仪趋势一致性很高,反射率在挑旗期、开花期、灌浆期的R^2分别为0.9959、0.9990和0.9968,UHD185光谱仪数据精度较高;7种光谱参数在挑旗期、开花期、灌浆期与LAI相关性最高的参数分别是NDVI(r=0.738)、SR(r=0.819)、NDVI×SR(r=0.835);LAI-MLR为冬小麦LAI的最佳估测模型,其中开花期拟合性最好,精度最高(建模R^2=0.6788、RMSE为0.69、NRMSE为19.79%,验证R^2=0.8462、RMSE为0.47、NRMSE为16.04%)。