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.     

基于遥感蒸散发的区域作物估产方法

灌区作物产量估算对农业用水效率评价和灌区水分管理具有重要意义。该研究以干旱区代表性灌区-内蒙古河套灌区主要农作区为研究对象,基于遥感蒸散发模型HTEM和遥感作物识别结果获取河套灌区玉米生育期日蒸散发量。选取Jensen模型、Blank模型和Stewart模型3种常用水分生产函数模型,建立河套灌区玉米估产模型,并分析各估产模型的适用性及其参数。结果表明,研究区玉米生育期多年平均蒸散发量约为526 mm。3个模型均有较高的估产精度,其中Stewart模型的产量模拟精度最高,相对误差为4.30%,相关系数为0.75。因此,Stewart模型在河套灌区具有更好的适用性,基于遥感蒸散发模型、遥感作物识别模型和作物水分生产函数模型建立灌区作物估产模型可以取得良好的模拟效果。     

作物模型应用与遥感信息集成技术研究进展

作物模型和遥感技术以各自独有的优势在作物生产监测、评估及未来预测等方面发挥着关键作用。作物模型与遥感信息集成技术在大尺度、高精准的农业生产监测、评估与预测上具有明显的应用优势和广阔的发展前景。为了促进这些技术在区域尺度上的作物产量预测、农业气象灾害影响评估及农业应对气候变化决策等方面更加广泛地应用,本文采用文献综述的方法,系统归纳了欧洲、美国、澳大利亚及中国作物模型的发展与应用,总结了当前主流的数据集成方法的原理、特点和不足,概述了作物模型与遥感信息集成技术的实际应用,探讨了提升数据集成精度存在的问题,并对未来研究方向进行展望。结果表明,国内外对于作物模型及其与遥感数据集成的研究与应用广泛而深入,利用同化方法能够有效提高作物模型模拟精度,为作物模型实现区域尺度作物生长及产量评估、气候变化对产量影响、农田管理决策等提供技术支撑。作物模型模拟结果及遥感反演数据的不确定性、数据同化策略的多样性以及尺度效应是进一步提高集成系统精度与效率的限制因素。因此,遥感数据多源融合、同化过程多变量协同、作物模型多类型耦合以及数据高性能并行计算是未来作物模型与遥感数据集成研究的发展趋势。     

基于遥感和作物生长模型的作物产量差估测

传统的作物生长模型很难模拟大田的实际产量，因为大量的数据、复杂的数学运算以及误差传递限制了作物生长模拟模型的运用。目前为止实际产量仅能通过观测和实地调查获得。该文将NOAA-14 AVHRR遥感获取的冠层温度信息引入作物生长模型，利用冠气温差计算作物水分胁迫系数，可以近似地估计区域作物实际生长速率和产量，进而建立了遥感-作物模拟复合模型PS-X，提出了估算区域作物实际产量的方法。PS-X模型可在不同层次模拟作物的生长和产量，在PS-1、PS-2、PS-X水平计算的分别是作物的光温生产潜力、水分限制下的生产力和实际产量。利用该模型，论文分别模拟了邯郸地区1998年夏玉米的光温生产潜力、水分限制下的生产力和实际产量，并通过比较不同模拟水平下产量和农户调查产量进行区域产量差分析。结果表明：PS-1和PS-2水平之间的产量差主要由水分和土壤质地差异造成；PS-2与PS-X水平间的平均产量差异较大，占总产量差（PS-1与PS-X水平之差）的81.4%，主要由田间管理差异造成；对于平原地区，夏玉米产量估测精度可达90%以上；砂质土壤区估算冠层温度和水分胁迫系数比壤质、粘质土壤区要高，因此砂质土壤区模拟作物产量较低，这与PS-2计算结果、农户调查数据一致。研究证实，区域上应用遥感瞬时温度信息建立遥感-作物模拟复合模型进行估产是可行的。     

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。     

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。     

作物生长模型与定量遥感参数结合研究进展与展望

作物生长模型与定量遥感参数的结合,不仅满足前者实现区域应用的需求,也有助于提高后者的反演精度,在生态、农业、资源调查与全球气候变化等研究上意义重大。该文从作物生长模型空间应用拓展的角度,对国内外主流作物生长模型、定量遥感参数以及两者结合的参数与方法进行了概述,分析了典型作物生长模型的主要模拟过程及其驱动、初始化、输出等参数,总结了当前定量遥感正反演结果可为作物生长模型区域应用提供的参数数据;建立了作物生长模型模拟过程与定量遥感参数的对应关系,对比分析了作物生长模型与定量遥感参数的不同结合方式。基于以上内容,对作物生长模型面应用的限制因素及其与定量遥感参数的关系、作物生长模型面应用时参数尺度效应的影响、作物生长模型与定量遥感参数耦合方法的发展3个方面展开了讨论,以期为作物生长模型与定量遥感参数开展更好的结合研究提供参考。     

基于支持向量回归（SVR）和多时相遥感数据的冬小麦估产

发展和构建高精度的作物遥感估产模型,对于国家制订粮食进出口政策和保障粮食安全具有重要意义.尝试利用支持向量回归方法(SVR)构建遥感估产模型,首先利用北京郊区2004年和2007年冬小麦主要生育期多时相Landsat TM影像生成的归一化植被指数,通过SVR构建遥感估产模型进行产量估算.然后针对模型的稳健型和预报能力进行交叉验证,并与常规的多元回归方法进行对比.结果表明,利用SVR方法构建的遥感估算模型有效地提高了估算精度,与多元回归方法相比,2004年和2007年决定系数分别提高0.2162、0.2158,均方根误差分别降低0.1682、0.2912.因此基于SVR和多时相遥感数据构建估产模型用于冬小麦估产是可行、有效的,为应用多时相遥感数据进行冬小麦估产提供了一种方法.     

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。     

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。     

中国作物生长模拟监测系统构建及应用

该文系统阐述了中国作物生长模拟监测系统（Crop Growth Simulating and Monitoring System in China, CGMS-China）的构建方法及其在国家级农业气象业务中的应用。CGMS-China是基于WOFOST、Oryza2000、WheatSM、ChinaAgroys 4个作物模型构建的系统,在作物长势监测评估、农业气象灾害影响评估、作物产量预报等农业气象业务中均有应用。该系统可进行作物长势监测、产量预报、农业气象灾害影响评估。利用CGMS-China模拟输出的地上生物量、叶面积指数、穗质量,建立作物长势评估指标,可对小麦、玉米、水稻进行实时长势监测与评估。通过CGMS-China对2014年8月中旬华北黄淮夏玉米的干旱产量损失评估和2016年6月22日早稻高温热害的产量损失预估表明,CGMS-China对农业气象灾害影响评估的效果较好。利用CGMS-China对2014年冬小麦主产省进行产量预报,各省的平均预报相对误差为7%。与此同时,在CGMS-China中利用遥感数据同化方法,对山西洪洞县进行产量预报,预报相对误差小于11%。该系统在国家级农业气象业务中具有良好的应用前景。     

我国农业遥感的应用现状与展望

目前，遥感技术在我国农业上主要应用在农用地资源的监测与保护、农作物大面积估产与长势监测、农业气象灾害监测和作物模拟模型等几方面。该文对我国农业遥感上述几方面的研究、应用进行了讨论、分析与评价，认为3S一体化、灾害预测研究、高光谱遥感、定量遥感是今后的发展方向。同时，遥感技术的应用与发展，对我国农业数字化进程的推进有不可替代的作用。     

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.     

基于植被指数的作物产量监测方法研究

在作物收获以前进行大范围的作物长势评价与作物产量估测，对粮食供需平衡、贸易、农业政策制定非常重要。该文收集了1984年到2002年的NOAA卫星和农业统计资料，计算耕地范围的植被状态指数VCI、温度状态指数TCI和植被生长状态指数VHI，分析了遥感植被指数与作物产量间的相关关系，分别建立了基于植被指数的线性回归模型和非线性回归模型。结果表明，遥感植被指数与作物产量间存在较好的相关性，其非线性回归模型在拟合精度上高于线性回归模型。研究目的是利用卫星资料得出应用于监测作物长势的植被指数，建立作物产量监测模型，应用于农作物遥感监测业务化运行系统。     

遥感数据和作物模型集成方法与应用前景

为了促进遥感数据和作物模型集成这一新方法在农业领域中更广泛的应用,在分析遥感数据和作物模型农业应用中各自优缺点的基础上,阐明二者结合的必要性,并介绍了遥感数据和作物模型的3种集成方式.回顾了遥感数据和作物模型同化的研究进展,并重点分析了遥感数据和作物模型结合在农作物产量预测、品质遥感预报、精准施肥管理决策、精准灌溉决策等领域的应用潜力,最后指出了当前遥感数据和作物模型结合中存在遥感定量化、参数集和驱动数据的获取、最优化算法选择和改进、作物模型的完善和订正等问题,有望随着遥感数据源的丰富、定量遥感和作物模型的发展、以及同化理论的进一步完善得到解决.     

基于无人机遥感影像的大豆叶面积指数反演研究

作物叶面积指数的遥感反演是农业定量遥感研究热点之一,利用无人机遥感监测系统获取农作物光谱信息精确反演叶面积指数对精准农业生产与管理意义重大。本研究以山东省嘉祥县一带的大豆种植区为试验区,设计以多旋翼无人机为平台同步搭载Canon Power Shot G16数码相机和ADC-Lite多光谱传感器组成的无人机农情监测系统开展试验,分别获取大豆结荚期和鼓粒期的遥感影像。使用比值植被指数(RVI)、归一化植被指数(NDVI)、土壤调整植被指数(SAVI)、差值植被指数(DVI)、三角植被指数(TVI)5种植被指数,结合田间同步实测叶面积指数(leaf area index,LAI)数据,采用经验模型法分别构建了单变量和多变量LAI反演模型,通过决定系数(R2)、均方根误差(RMSE)和估测精度(EA)3个指标筛选出最佳模型。研究表明,有选择性地分时期进行农作物的叶面积指数反演是必要的,鼓粒期作为2个生育期中大豆LAI反演的最佳时期,其NDVI线性回归模型对大豆LAI的解释能力最强,R2=0.829,RMSE=0.301,反演大豆LAI最准确,EA=85.4%,生成的鼓粒期大豆LAI分布图反映了当地当时大豆真实长势情况。因此,以多旋翼无人机为平台同步搭载高清数码相机和多光谱传感器组成的无人机农情监测系统对研究大豆叶面积指数反演是可行性,可作为指导精准农业研究的一种新方法。