基于权重最优组合和多时相遥感的作物估产

多时相遥感数据比单一时相携带了更多的反映作物产量的信息，研究如何将多时相遥感信息进行有机融合以提高作物估产精度的方法是具有意义的。权重最优组合（WOC）是一种通过对单个模型权重的最优化，来构建高精度组合模型的原理方法。论文以黑龙江农垦友谊农场大麦产量遥感估算为例，首先利用大麦4个时相的Landsat5 TM影像分别构建单一时相的大麦产量模型，然后利用WOC的迭代算法，通过赋予4个单一时相产量模型以最优权重，生成基于多时相遥感的组合模型估算大麦产量，结果表明：基于WOC和多时相遥感的组合估产模型的决定系数R2与单一时相的相比得到较大改善，估算精度提高明显。同时，通过对WOC获取的各时相单一模型最优权重大小进行分析表明：应用多时相遥感数据进行作物估产时，权重大小能够反映各时相遥感数据所携带的产量信息的多少，这对于如何选择和确定能有效反映作物产量的敏感遥感时相具有一定的指导意义。     

基于信息扩散和关键期遥感数据的冬小麦估产模型

农作物估产对于国家制定粮食进出口政策和保障粮食安全具有重要意义。为构建高精度的作物估产模型,探讨了一种将信息扩散原理和关键期遥感数据相结合的农作物遥感估产方法。首先利用信息扩散原理将关键期遥感数据生成的NDVI和实割实测产量数据扩散到多维监控空间,采用模糊合成的方法建立关键期遥感数据和实割实测产量之间的离散关系模型。然后针对模型的稳定性和精度进行交叉验证,并与多元线性回归模型和BP神经网络模型进行对比。结果表明,利用信息扩散方法构建的遥感估产模型稳定性和精度都明显提高,与多元回归方法和BP神经网络方法相比,决定系数分别提高0.180、0.491,均方根误差分别降低173.10、487.79 kg/hm2。该方法能较好地模拟冬小麦遥感估产中归一化植被指数和产量之间的非线性关系,且泛化推广能力优异,为应用关键期遥感数据进行冬小麦估产提供了一种有效方法。     

基于GF-1与Landsat8 OLI影像的作物种植结构与产量分析

作物种植结构监测和估产是精准农业遥感的重点领域,其研究对于指导作物种植结构和制定农业政策具有重要意义。该文以黑龙江省北安市为研究区,以2015年的Landsat8 OLI和多时相GF-1为遥感数据源,基于物候信息和光谱特征确定的农作物识别关键时期和特征参数,构建面向对象的决策树分类模型,开展作物种植结构监测研究;综合植被光谱指数和地面采样数据,采用逐步回归方法建立产量遥感估算模型。结果表明:多源与多时相的遥感数据可以反映不同农作物的季相特征,应用本文所构建的决策树分类模型,作物分类效果较好,总体精度达87.54%,Kappa系数为0.8115;2015年,北安市的主要作物类型为大豆、玉米、水稻和小麦,面积分别为2204、1955、122和19 km~2,其中大豆的种植面积最大,占作物种植面积的51.24%。基于NDVI、EVI和GNDVI构建的多元回归模型为北安市大豆和玉米产量估算最优模型(R~2=0.823 7,均方根误差135.45 g/m~2,精度80.55%);北安市玉米高产区集中分布在西部,大豆的高产区主要分布在东部;2015年北安市玉米和大豆的单产分别为8 659、2 846 kg/hm~2,总产量分别为16.93×10~8、6.27×10~8 kg。利用作物关键物候期的多源多时相遥感数据能够精确高效地提取作物种植结构,构建的产量估算多元回归模型,为精准农业科学发展提供参考。     

基于CNN-RNN网络的中国冬小麦估产

在大范围内快速、准确地预估作物产量，对作物管理、粮食安全、粮食贸易和决策有重要意义。遥感为大规模作物估产提供了便利，大多数研究者结合深度学习和遥感影像取得了较好的结果。然而，农作物生长状态随时间变化，其产量具有非线性时空特征，单一的深度学习方法无法充分利用影像信息。因此，该研究提出了一种基于卷积神经网络（Convolutional Neural Networks，CNN）和门控循环单元（Gated Recurrent Unit，GRU）混合神经网络估产模型（CNN-GRU），利用CNN从多光谱遥感影像中提取丰富的空间-光谱特征，在此基础上，结合GRU从多时相遥感影像中自适应学习冬小麦生育期各阶段之间的时间依赖，从多尺度融合冬小麦的生长特征并对其产量进行回归预测。该研究以全国冬小麦主产区为研究区，选取2001-2018年MODIS影像和冬小麦产量数据，构建了冬小麦估产数据集，并验证了CNN-GRU估产模型的性能。结果表明：1）以2016-2018年估产样本作为测试集，CNN-GRU估产模型的均方根误差（Root Mean Square Error，RMSE）年平均值为818.3 kg/hm2，相较于CNN、GRU、支持向量回归（Support Vector Regression，SVR）、随机森林（Random Forest，RF）和决策树（Decision Tree，DT）模型分别降低了20.13%、18.81%、29.51%、34.84%和36.57%；2）将冬小麦整个生育期划分为6个时间窗，CNN-GRU估产模型在灌浆-成熟期时精度最高，RMSE为817 kg/hm2，而抽穗-开花期的RMSE为823 kg/hm2，相较于灌浆-成熟期高0.7%。因此，该估产模型有能力提前2个月预测全国冬小麦主产区产量。     

基于无人机遥感植被指数优选的田块尺度冬小麦估产

田块尺度作物快捷精准估产对规模化农业经营管理具有重要意义。因此,急需选取最优植被指数和最佳无人机遥感作业时期,建立冬小麦无人机遥感估产模型,获取及时、快速、低成本的无人机遥感估产方法。该文以山东省滨州市典型规模化农田为研究对象,利用固定翼无人机遥感平台对冬小麦进行多期遥感观测与估产。基于2016年冬小麦返青拔节期、抽穗灌浆期和成熟期的无人机遥感影像数据集,采用最小二乘法,构建了基于不同植被指数与冬小麦实测产量的9种线性模型,并结合作物实测产量进行模型评价。多时相多种类植被指数的优选分析结果显示,抽穗灌浆期估产模型R~2最高,RMSE最低(n=34)。其中,模型R~2达到0.70的植被指数共6个,从高到低依次为EVI2、MSAVI2、SAVI、MTVI1、MSR和OSAVI;RMSE由低到高依次为EVI2、MSAVI2、SAVI、MTVI1、MSR和OSAVI。另外,该文进一步评价农田土壤像元对无人机遥感估产的影响,经过阈值滤波法处理后,返青拔节期估产模型的R~2(n=34)从约0.20提升至0.30以上,RMSE和MRE下降;抽穗灌浆期模型的RMSE降低,R~2(n=34)有所提升但不显著。综上所述,最佳无人机飞行作业时期为冬小麦抽穗灌浆期,最优植被指数为EVI2,土壤像元的滤除对抽穗灌浆期无人机遥感估产模型的影响不显著。因此,优化后的基于植被指数的无人机遥感估产模型,可以快速有效诊断和评估作物长势和产量,为规模化农业种植经营提供一种快捷高效的低空管理工具。     

基于遥感数据和气象数据的水旱地冬小麦产量估测

研究利用遥感数据进行了运城地区冬小麦不同生育时期归一化差值植被指数和产量关系的研究,利用气象数据和光谱数据构建了冬小麦光谱产量模型、气象产量模型以及光谱气象产量模型。结果表明：运城地区水旱地冬小麦均以5月8日左右的NDVI值与产量相关性最好,且达极显著水平,因此该时期为建立冬小麦遥感估产模型的最佳时相。通过对冬小麦光谱产量模型、气象产量模型以及光谱气象产量模型预测效果进行的F检验,表明各模型均达到极显著水平。与其他两种模型相比,光谱气象产量模型的决定系数（R2）有明显的提高,并且相对均方根误差（RRMSE     

基于作物生长模型和遥感数据同化的区域玉米产量估算

为了将遥感观测到的玉米生长期间作物冠层方向反射波谱的时间序列变化信息用于区域玉米产量估算,该文将时间序列中分辨率成像光谱仪(moderate resolution imaging spectroradiometer,MODIS)数据和高空间分辨率LandsatTM遥感观测数据相结合,以叶面积指数(LAI)作为耦合作物生长模型(crop environment resource synthesis-Maize,CERES-Maize)和植被冠层反射率模型(scattering by arbitrarily inclined leaves,SAIL)的关键参数,提出了将耦合模型与时间序列遥感观测数据同化进行区域玉米产量估算的方案。该文选择吉林省榆树市为研究区,采用MODIS和LandsatTM2种尺度数据集,利用SCE-UA(shuffled complex evolution method developed at the University of Arizona)算法分别进行玉米产量同化估产研究,得到玉米单产空间分布的估计结果,结合遥感估算的种植面积求算榆树市玉米总产量。结果表明,与玉米统计总产量相比,2007、2008和2009年遥感数据同化估算的总产量误差分别为9.15%、14.99%和8.97%;与仅利用CERES-Maize模型模拟得到的产量误差相比,3a间遥感估算总产量的误差分别减小了7.49%、1.21%和5.23%,且采用MODIS和TM遥感数据估算的玉米产量表现了其空间差异性。利用榆树市3a间玉米产量的明显差异,分析了时序遥感数据对作物长势和产量变化信息的表达能力,同年份内时序归一化差值植被指数越大,对应的玉米产量越高;年际间遥感观测反射率的差异通过数据同化方法能够反映年际间玉米产量差的变化。该文提出的玉米估产方案为将来进一步结合多源遥感数据、植被冠层反射率模型与作物生长模型进行区域玉米估产研究提供了参考。     

冬小麦叶面积指数高光谱遥感反演方法对比

冬小麦叶面积指数(LAI,leafarea index)是评价其长势和预测产量的重要农学参数,高光谱遥感能够实现快速无损地监测叶面积指数。该文旨在将田间监测与高光谱遥感相结合,探索研究不同冬小麦叶面积指数高光谱反演方法的模拟精度及适应性。针对国际上普遍应用的2种高光谱遥感反演LAI模型方法,即回归分析法和BP神经网络法,在介绍2种LAI反演模型的基础上,选择位于黄淮海平原的山东省济南市长清区为研究区域,通过ASD地物光谱仪和SunScan冠层分析系统对冬小麦的冠层光谱及LAI变化进行田间观测,然后利用回归分析法和BP神经网络法构建冬小麦LAI反演模型,将模型估算LAI值和田间观测LAI值进行比对,分析评价2种方法的反演精度。结果表明,BP神经网络法较回归分析法估算冬小麦LAI的精度有较大提高,检验方程的决定系数(R2)为0.990、均方根误差(RMSE)为0.105。利用BP神经网络法构建反演模型能较好的对冬小麦LAI进行反演。研究结果可为不同冬小麦长势遥感监测提供理论和技术上的支持,并为大尺度传感器监测冬小麦长势和估产提供参考。     

Comparison of two inversion methods for winter wheat leaf area index based on hyperspectral remote sensing

冬小麦叶面积指数（LAI, leaf area index）是评价其长势和预测产量的重要农学参数,高光谱遥感能够实现快速无损地监测叶面积指数。该文旨在将田间监测与高光谱遥感相结合,探索研究不同冬小麦叶面积指数高光谱反演方法的模拟精度及适应性。针对国际上普遍应用的2种高光谱遥感反演LAI模型方法,即回归分析法和BP神经网络法,在介绍2种LAI反演模型的基础上,选择位于黄淮海平原的山东省济南市长清区为研究区域,通过ASD地物光谱仪和SunScan冠层分析系统对冬小麦的冠层光谱及LAI变化进行田间观测,然后利用回归分析法和BP神经网络法构建冬小麦LAI反演模型,将模型估算LAI值和田间观测LAI值进行比对,分析评价2种方法的反演精度。结果表明,BP神经网络法较回归分析法估算冬小麦LAI的精度有较大提高,检验方程的决定系数（R2）为0.990、均方根误差（RMSE）为0.105。利用BP神经网络法构建反演模型能较好的对冬小麦LAI进行反演。研究结果可为不同冬小麦长势遥感监测提供理论和技术上的支持,并为大尺度传感器监测冬小麦长势和估产提供参考。     

基于车载近地遥感系统的冬小麦生育早期产量估测方法

冬小麦生育早期的产量估测对于制定冬小麦整个生长期的精准管理策略具有重要的参考意义。该文利用车载近地遥感估产系统对冬小麦生育早期冠层叶片光谱信息进行动态获取,提出了一种基于冠层光谱信息的动态光化学植被指数MPRI(mobile photochemical reflectance index),构建了基于MPRI的冬小麦产量车载近地遥感估产模型,分析了估测效果,结合GIS手段对估产数据进行了空间分析。研究结果表明:冬小麦生育早期冠层指数MPRI对冬小麦的产量单点估测具有一定的效果,决定系数R2约为0.78。车载近地遥感估产系统动态测量时,MPRI表现出良好的数据识别能力。通过设置阈值能够剔除动态测量中的土壤背景干扰信息,说明MPRI对于冬小麦生育早期产量具有较好的估测效果。对动态估产结果进行空间分析,能够掌握小区域内小麦生育早期产量的空间分布情况,为冬小麦生育早期产量估测提供了新的思路和方法。     

运用PLS算法由HJ-1A/1B遥感影像估测区域小麦实际单产

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。该研究以2010-2013年HJ-1A/1B影像为遥感数据,分析了卫星遥感变量与小麦实际单产的定量关系,运用偏最小二乘回归算法构建及验证了以实际单产为目标的多变量遥感估产模型,并制作了小麦实际单产空间等级分布图。研究表明:实际单产与所选用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严重的多重相关关系;实际单产偏最小二乘回归模型的最佳主成分为5,且植被衰减指数、绿色归一化植被指数、调整土壤亮度的植被指数、比值植被指数和归一化植被指数为实际单产遥感估测的敏感变量;建模集和验证集实际单产估测模型的决定系数分别为0.74和0.70,均方根误差分别为754.05和748.20 kg/hm2,相对误差分别为11.5%和8.88%,且估测精度比线性回归算法分别提高20%以上和40%以上,比主成分分析算法分别提高18%以上和30%以上,说明偏最小二乘回归算法模型估测区域实际单产的效果要明显好于线性回归和主成分分析算法,该模型应用结果与小麦实际单产区域分布情况相符合,为提高区域小麦实际单产的遥感估测精度提供了一种途径。     

农作物单产遥感估算模型研究进展

作物单产估算是农作物估产中的关键技术,也是作物估产的难点之一.遥感技术凭借其宏观、及时和动态等特点已在农作物产量估算中占据着极为重要的地位,运用遥感信息建模估算作物产量已成为区域作物估产的必然要求.在总结农作物单产遥感估算模型研究成果的基础上,将作物单产遥感估算方法划分为四种模式加以详细阐述,分析了用于单产建模的遥感数据源的多元化趋势,讨论了如何有效验证模型估算精度的问题,最后对作物单产遥感估算模型今后的发展趋势作了展望.     

结合遥感技术与水稻生长模型来预算水稻产量

Since remote sensing can provide information on the actual status of an agricultural crop, the integration betwee nremote sensing data and crop growth simulation models has become an important trend for yield estimation and prediction. The main objective of this research was to combine a rice growth simulation model with remote sensing data to estimate rice grain yield for different growing seasons leading to an assessment of rice yield at regional levels. Integration between NOAA (National Oceanic and Atmospheric Administration) AVHRR (Advanced Very High Resolution Radiometer) data and the rice growth simulation model ORYZA1 to develop a new software, which was named as Rice-SRS Model, resulted in accurate estimates for rice yield in Shaoxing, China, with an estimation error reduced to 1.03% and 0.79% over-estimation and 0.79% under-estimation for early, single and late season rice, respectively. Selecting suitable dates for remote sensing images was an important factor which could influence estimation accuracy. Thus, given the different growing periods for each rice season, four images were needed for early and late rice, while five images were preferable for single season rice. Estimating rice yield using two or three images was possible, however, if images were obtained during the panicle initiation and heading stages.     

建立数学模型估测牧草产量研究

准确地估测草地产草量,为确定合理载畜量提供重要的科学依据,对维护草原生态平衡,合理安排畜牧业生产等具有重要的理论与现实意义。估算草地产草量的手段可分为野外测量法、气象模拟模型法和遥感模型法三大类。利用大量的野外实际调查资料,应用微积分原理,推导出估算草地产草量的数学模型,并与其它模型进行对比,探讨了该方法的可靠性及估算精度。最后,将模型推广应用于生产实践中以估测牧草产量。     

光谱指数筛选方法与统计回归算法结合的水稻估产模型对比

为了探寻高效的水稻产量估算方法,在获取2019年黑龙江省三江平原别拉洪河流域内水稻产量数据和MOD09A1遥感数据基础上,对比不同指数筛选方法和统计回归算法结合的建模估产效果,以得到其中最佳的产量估算模型。通过相关系数分析（correlation coefficient,r）法、变量投影重要性分析（Variable Importance in Projection,VIP）法和袋外数据重要性（Out-Of-Bag data importance,OOB）分析法分析水稻4个生育期（分蘖期、抽穗期、孕穗期和乳熟期）的不同波段和光谱指数对于水稻产量的敏感性,筛选出特征波段和指数,再结合随机森林（Random Forest,RF）、支持向量机（Support Vector Machine,SVM）和偏最小二乘（Partial Least Squares,PLS）3种统计回归方法,构建了9种水稻产量估算模型：r-RF、r-SVM、r-PLS、VIP-RF、VIP-SVM、VIP-PLS、OOB-RF、OOB-SVM、OOB-PLS。结果表明：同一指数筛选方法对不同模型的契合程度不同,OOB与RF更为契合,VIP和r与PLS更为契合,r与SVM更为契合;在3种建模方法中偏最小二乘模型和支持向量机模型有较好的效果,随机森林模型效果最好,其中OOB-RF模型最优,其模型验证决定系数为0.742,均方根误差为206 kg/hm2。这为水稻产量估算模型研究提供了关于在指数筛选和回归算法耦合之间的参考,具有一定的理论意义。     

遥感与作物生长模型数据同化应用综述

遥感是获取大面积地表信息最有效的手段，在农业资源监测、作物产量预测中发挥着不可替代的重要作用；作物生长模型能够实现单点尺度上作物生长发育的动态模拟，可对作物长势以及产量变化提供内在机理解释。遥感信息和作物生长模型的数据同化有效结合二者优势，在大尺度农业监测与预报上具有巨大的应用潜力。该文系统综述了遥感与作物生长模型的同化研究，概述了遥感与作物生长模型数据同化系统的构建，在归纳国内外研究进展的基础上，总结了当前主流同化方法的特点以及在不同条件下的同化效果。进而具体分析影响同化精度的关键环节，明确了相关科学概念，并相应指出改善精度的策略或者方向。最后从多参数协同、多数据融合、动态预测、多模型耦合以及并行计算环境5个方面展望了遥感与作物生长模型数据同化的未来研究重点和发展趋势，同时结合农业应用现实需求，介绍一种数据同化与集合数值预报结合的应用框架，为大区域、高精度同化研究提供新的思路与借鉴。