基于遥感信息与作物模型集合卡尔曼滤波同化的区域冬小麦产量预测

区域作物产量预测是国家粮食安全评估的重要内容。遥感虽能获取大面积地表信息,却难以反映作物生长发育的内在过程。作物生长模型已经在单点尺度能成功模拟作物的生长发育过程,但是区域尺度作物关键参数的获取仍很困难。遥感信息与作物模型结合的数据同化已经成为区域产量预测的最有效途径。该文选择河北省衡水地区冬小麦为研究对象,在WOFOST模型标定与区域化的基础上,利用WOFOST模型描述冬小麦生育期内叶面积指数(LAI)变化规律。针对MODIS数据的混合像元造成反演的LAI产品偏低的系统误差,利用实测LAI样本点融合MODIS-LAI趋势信息修正MODIS-LAI数据产品。采用集合卡尔曼(EnKF)算法同化冬小麦返青到抽穗期的MODIS-LAI与WOFOST模拟的LAI以获得时间序列最优的LAI,并以此重新驱动WOFOST模型估算区域冬小麦产量。结果表明,EnKF同化后的冬小麦产量比未同化的产量预测精度有显著提高,与县平均统计产量相比,在潜在模式下,决定系数由0.13提高到0.38,均方根误差由2480下降到880kg/hm2。研究表明,遥感信息与作物模型的EnKF同化是1种有效的作物产量预测方法,并在区域尺度应用上具有广阔的应用潜力。该研究可为区域尺度的作物估产提供参考。     

基于HJ-1A/1B数据的冬小麦成熟期遥感预测

基于遥感数据获取作物成熟度信息,制订收割顺序,是遥感在精准农业中的一个重要应用课题,目前的作物物候监测在空间分辨率和预测的时效性上尚无法满足精准农业的要求。以山东禹城市为研究区,选取观测点,分析冬小麦成熟期临近过程中水分和叶绿素的动态变化,获取基于遥感监测小麦成熟期的依据。以HJ-1A CCD数据构建的植被指数来反映作物绿度的变化,以HJ-1B IRS数据构建的归一化水指数来反映作物含水率的变化,通过回归分析建立了冬小麦成熟期的遥感预测模型,实现了禹城市冬小麦成熟期的遥感监测。小麦成熟期预测值与观测值的相关性达极显著水平,预测与观测小麦成熟期的先后顺序较为一致,在以误差小于1 d作为成功预测衡量标准的情况下,预测结果的准确度为65%。提出了使用HJ-1A/1B数据开展冬小麦成熟期预测的模型,而使用不同时相遥感数据预测成熟期的通用模型将成为下一步研究重点。     

甘肃省冬小麦水分盈亏指数的改进及其应用

冬小麦是甘肃省主要粮食作物,水分是限制该省旱作冬小麦生产最主要的因素,降水时空分布不均造成冬小麦干旱常年发生,因此准确监测甘肃省冬小麦干旱及定量评估灾害损失可为决策部门制定农业防灾减灾措施及保障区域粮食安全提供科学依据。利用甘肃省1981—2014年3个农业气象观测站土壤水分和冬小麦生育状况观测资料,38个冬小麦种植县气象资料、产量资料及干旱灾情资料,考虑冬小麦休闲期土壤储水及生育期水分盈亏量修订了作物水分盈亏指数,修订后作物水分盈亏指数与土壤储水、冬小麦产量要素和产量损失相关性较高,能客观、准确、定量地反映干旱对甘肃冬小麦产量的影响;利用水分盈亏指数分别建立冬小麦产量要素和产量损失评估模型。结果表明:产量要素评估模型均通过0.01水平显著性检验,产量损失评估模型大部分通过0.05水平显著性检验。产量要素评估模型回代结果与冬小麦产量要素实测值间均通过0.01水平的F检验;产量损失评估模型验证结果表明,68.4%种植县通过0.05水平F检验,基本能准确评估全省大部分地方干旱对冬小麦产量造成的损失。修订后作物水分盈亏指数能客观反映甘肃省冬小麦干旱,建立的评估模型能准确评估干旱对冬小麦造成的损失,具有一定的应用价值。     

MODIS干旱指数结合RBFNN反演冬小麦返青期土壤湿度

土壤湿度是农业干旱信息最重要的表征因子,它的反演对区域乃至全球农业干旱监测及预报都具有重要意义。该文基于MODIS遥感干旱监测指数构建了冬小麦返青期土壤湿度的评价指标体系,在此基础上,结合径向基函数神经网络(RBFNN)协同反演农地土壤湿度。首先,针对单一利用遥感干旱指数反演土壤湿度具有一定的局限性问题,选取监测土壤含水量、作物需水形态变化、冠层含水量、冠层温度等参量的遥感干旱监测指数作为综合评价指标;并利用实测土壤湿度作为验证标准,从原始遥感干旱监测指数中选取出适宜的指标集;然后,以选取的评价指标集为输入层,以实测土壤湿度作为输出层的输出,构建RBFNN的农地土壤湿度反演模型。研究结果表明:应用在河南省冬小麦返青期时,基于MODIS遥感干旱监测指数与RBFNN协同反演的土壤湿度模型具有较好的反演效果;模型的评价指标集与10 cm深度的土壤湿度相关性更好,而且能综合多通道遥感信息来反映土壤湿度的变化;模型的平均预测精度达到93.27%,与BP-NN和线性回归反演模型相比,反演精度分别提高了2.92和9.97百分点;模型回归分析相对1:1斜线的偏差最小;相关系数为0.846 49,回归决定系数为0.862 6。研究结果可为区域土壤湿度的遥感反演提供新的案例参考。     

干旱条件下APSIM模型修正及华北冬小麦产量模拟效果

干旱是影响华北地区冬小麦产量的主要农业气象灾害之一,作物生长模型是评估干旱对作物产量影响主要方法之一,但作物生长模型对极端天气气候条件下（如干旱）作物产量模拟效果仍存在不确定性。为提高作物模型在干旱条件下对作物产量模拟的精准性,该研究利用调参验证后的农业生产系统模型（agricultural production systems simulator,APSIM）,通过查阅与华北地区冬小麦相关的186篇大田试验文献获得1 876对观测数据,以作物水分亏缺指数为干旱指标,评估APSIM模型在冬小麦拔节-开花和开花-成熟阶段干旱对产量影响的模拟效果,提出APSIM在拔节-开花和开花-成熟阶段干旱对小麦产量影响的修正系数。基于历史气候条件、SSP245和SSP585未来气候情景资料,分析了冬小麦拔节-开花和开花-成熟阶段干旱时空分布特征,并采用修正系数校正后的APSIM模型评估华北地区冬小麦拔节-开花和开花-成熟阶段不同等级干旱对其产量的影响。结果表明,APSIM模型低估了拔节-开花阶段干旱对冬小麦产量影响程度,轻旱、中旱和重旱校正系数分别为0.85、0.91和0.85;APSIM模型可准确模...     

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。     

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。     

基于微小型无人机的遥感信息获取关键技术综述

近年来,基于微小型无人机的遥感信息获取技术广泛应用在农业领域。采用微小型无人机遥感信息平台获取农田作物信息,具有运行成本低、灵活性高以及获取数据实时快速等特点,是目前农田作物信息快速获取的主要方法之一,是精准农业发展的重要方向。该文主要对微小型无人机遥感技术平台的发展、遥感信息获取技术、遥感图像的处理与解析、以及微小型无人机遥感平台应用在作物信息监测和生产管理等方面进行了深入剖析,强调了遥感信息获取与解析技术的重要性和存在的问题,受微小型无人机飞行稳定性和载荷量的限制,如何实时快速准确地调整机载遥感传感器的姿态使被测目标始终处于监测视野中,并实现图像信息的远距离获取与传输,以及如何处理和解析无人机遥感系统获取高质量的遥感图像是微小型无人机遥感技术能否被广泛应用在各研究领域的关键技术。最后,提出了增强无人机飞行控制系统的高稳定性、遥感图像的精确获取及数据的实时传输和高精度的图像后处理方法,对作物信息监测技术的发展和应用具有重大意义,是实现大面积精准农业生产管理决策的重要依据。     

宁夏南部山区农业干旱预警模型

为建立格点尺度上的农业干旱预警模型,根据自然灾害系统理论,综合干旱孕灾环境、致灾因子、承灾体的特征,选择DEM、坡度、坡向、土壤类型、历史干旱风险指数、农业投入量作为孕灾环境稳定性影响因子,选择前期干旱程度、作物水分满足率、作为致灾危险性因子,选择作物种类、作物发育期水分敏感系数、灌溉条件、作物单产水平等作为承灾体脆弱性因子,在干旱灾害系统分析的基础上,采用层次分析法（AHP）量化影响因子的影响系数,建立基于GIS和空间插值的宁南区域农业干旱预警累乘模型。检验结果表明,预警模型输出干旱等级与实测符合率达到90%以上,能准确预测未来干旱发展趋势和分布范围,比现有基于气候干旱指数的预警模型空间分辨率明显提高,模型输出结果更能反映农业干旱的发生、发展过程,模型可用于区域干旱预警和干旱趋势预测。     

干旱遥感监测模型在中国冬小麦区的应用

温度植被干旱指数（TVDI）和植被供水指数（VSWI）由于其物理意义明确,且数据易于获取,因此成为近些年在遥感旱情监测中应用较多的两个模型。为更好地完成遥感监测任务,提高精度,以全国冬小麦主产区为研究区域,利用EOS/MODIS数据,构建两个干旱指数模型,对2009年冬小麦作物主要生长时期进行干旱监测应用,并将其与不同深度土壤湿度进行相关分析、线性拟合比较及应用验证,认为两指数与10 cm深度土壤湿度相关性较好,TVDI大部表现为极显著相关,VSWI的相关性表现差于TVDI。基于土壤湿度的遥感旱情监测,TVDI比VSWI更能体现区域旱情变化趋势,其优势更明显。     

主被动微波遥感在农区土壤水分监测中的应用初探

土壤水分是农作物生长和旱情监测的重要参数。微波遥感具有全天时、全天候、高穿透性和对水分敏感的特点, 主被动微波遥感的结合能够发挥各自优势, 实现区域尺度土壤水分的连续监测, 与单纯使用被动微波遥感相比, 能够提高空间分辨率。本研究基于TRMM 卫星搭载的微波成像仪TMI 和降雨雷达PR 的特点, 利用粗糙地表的微波辐射传输模型AIEM 模型、参数化模型Qp 模型和植被覆盖地表的辐射传输模型ω-τ模型, 建立了基于被动微波遥感的土壤水分反演模型, 并利用简单散射模型(SSM)和几何光学模型(GOM), 将被动微波与主动微波相联系, 建立了主被动微波遥感相结合的土壤水分变化反演算法, 对2008 年1~4 月期间30°~38°N、110°~120°E 范围内农田覆盖区的土壤水分变化进行了反演。并选取江苏省连云港南部农区中心经纬度为34.45°N、119.25°E 的降雨雷达0.05°×0.05°的网格, 对该网格2008 年1 月2 日~4 月30 日土壤水分逐日变化量的反演值和相应网格的降水逐日变化量进行了对比, 两者具有很好的响应关系。     

农业干旱遥感监测指标及其适应性评价方法研究进展

在利用遥感数据进行长时间、大范围农业干旱遥感监测过程中,如何针对不同区域、不同作物生长阶段选取最合适的监测指标,对于及时、准确地评估干旱对作物生长的影响,实现合理水资源调度和有效抗旱减灾决策都具有重要意义。该文以遥感监测农业干旱的适应性为论述主线,对常用的农业干旱遥感监测指标及其适应性评价方法,从4个方面进行了系统归纳总结:1)国内外农业干旱监测适用的遥感卫星数据源;2)监测农业干旱适用的光谱敏感波段;3)农业干旱遥感监测指标自身的适用性与局限性;4)农业干旱遥感监测指标适应性的评价方法。在此基础上,指出今后在农业干旱遥感监测指标及其区域适应性研究中,需综合考虑作物与其生长环境之间的关系;增加光谱信息,降低遥感数据获取过程中的信噪比;选择农业干旱遥感监测指标适宜的时空尺度;重点解决部分植被覆盖时,如何选择合适的监测指标;加强高光谱技术在精细农业干旱遥感监测指标反演中的研究;进一步在机理上发掘监测指标自身的敏感性和适应性等6个方面的问题及发展趋势。     

遥感监测介电常数与土壤含水率关系模型

为了获取大范围地表土壤水分时空分布信息,该文开展了微波辐射计/散射计监测介电常数与土壤体积含水率之间的关系研究。微波观测的信号与目标的介电常数密切相关,而土壤含水率是决定土壤介电常数的决定性因素,这是利用微波遥感监测土壤水分的物理基础。该研究针对土壤介电常数到土壤水分之间的转换问题,利用Dobson半经验模型建立模拟数据库,用建立的模拟数据库对Hallikainen关系式进行最小二乘回归法标定,建立了适用于微波辐射计SMOS(频率1.4GHz)、AMSR-E(频率6.9GHz)和微波散射计ERS-WCS/METOP-ASCAT(频率5.3GHz)监测的介电常数到土壤体积含水率转换的简化模型。利用模拟数据和实测数据的联合验证结果表明,简化模型具有良好的精度和实用性。     

基于生物量的区域土壤水分变化量反演

为了研究作物生物量与土壤含水量之间的关系,该文以黑龙江军川农场为研究区域,建立了生物量与土壤水分的动力学模型,提出了一种基于生物量的区域土壤水分变化量反演方法。选用SEBAL模型作为参考模型,对同一时期的区域土壤水分变化量的监测结果进行了对比分析。结果表明：玉米全生育期土壤水分变化量集中在-300～-35 mm之间;通过对比基于生物量的监测结果与SEBAL模型的监测结果,发现二者的纹理特征和空间分布相似,分布规律几乎一致,从而验证了本方法能够较好地反映土壤水分的变化,是一种监测土壤水分变化的有效方法。     

土壤水分遥感监测的研究进展

土壤水分是土壤的重要组成部分,在地—气界面间物质、能量交换中起着重要的作用,是农作物生长发育的基本条件和农作物产量预报的重要参数。遥感技术具有大面积同步观测,时效性、经济性强的特点,为大面积动态监测土壤水分提供了可能。简述了到目前为止出现的几种主要的土壤水分遥感监测方法,如热惯量法、作物缺水指数法、归一化植被指数法、植被指数距平法、植被供水指数法、植被状态指数法、温度状态指数法、温度植被干旱指数法、高光谱法、微波遥感法,并分析了各种方法的原理和特点,最后展望了土壤水分遥感监测方法的发展趋势。     

基于微波遥感的土壤水分反演估算研究进展

土壤水分是地表和大气水热过程交换的重要纽带，对于农业生产、生态规划、水资源管理等具有十分重要的意义。微波遥感具有基本不受天气条件影响，具有较好探测植被覆盖下的土壤信息和土壤水分变化趋势等优势，成为目前遥感精确反演土壤水分的热点。本文整理了现有全球尺度的基于微波遥感的土壤水分产品；分析比较了土壤水分反演中主动微波遥感、被动微波遥感、主被动微波协同技术的原理、特点、适用范围和关键技术进展：主动微波遥感和被动微波遥感的 优势分别在于高空间分辨率和高时间分辨率，高空间分辨率可以很好捕捉地表细微的空间信息特征，但囿于土壤水分与后向散射系数之间的复杂关系，特别是植被、地表粗糙度等对雷达后向散射系数的干扰，使得反演土壤水分的精度不高，因而根据现实情况选取不同散射模型以及利用多源数据协同是目前改善精度的研究热点。而高时间分辨率可以实现全球及大尺度下的土壤水分监测，但是很难满足小尺度或者小区域范围的实际研究需求，为了能使实测数据在空间上得以较好匹配，提出多种降尺度方法。结合以上两种微波遥感方式的优劣，依托更为丰富的数据源、相对成熟的观测技术来对两者进行融合以提取更多的水分信息，以提升反演精度或者获得长时间序列数据。在目前的方法中，土壤水分反演在小尺度下表现出良好的性能，但在全球尺度上会出现数据缺失、适用性不强、反演精度不高以及反演过程过于复杂等诸多问题，可以借助多种观测方式（多极化、多角度、多波段）、多时相重复观测、在原有模型上引入新的算法以及数据同化等方面着手进行改进，同时全球卫星导航系统（Global Navigation Satellite System, GNSS） 中长期稳定、高时空分辨率的L波段微波信号在陆面遥感领域的快速发展也为我国北斗卫星导航系统（BeiDou Navigation Satellite System, BDS）的发展提供了借鉴，展现出在土壤水分反演方面的巨大潜力。     

全国土壤水分及作物长势地面监测体系的初步构想

土壤水分和作物长势监测是农情监测系统中不可缺少的重要组成部分。土壤水分含量直接影响着作物生长，作物长势的好坏与作物产量有着密不可分的关系。该文从应用角度出发，通过分析自然环境及作物布局等区域特征，进行监测样点布设，明确了监测内容及评价指标，并构建网络信息化平台，建立大尺度的地面土壤水分及作物长势监测系统，实现数据网络化管理，同时结合遥感信息进行综合应用，及时为政府提供决策支持。     

国家级作物长势遥感监测业务系统设计与实现

作物长势监测是农情遥感监测的重要组成部分。为了建立稳定的作物长势监测业务系统,该文一方面选取NDVI时间序列提取的时空参数从不同侧面描述作物长势,建立作物长势监测的综合性模型,另一方面建立了一个覆盖全国主要农区、由200个县组成的地面调查网络,采集地面实况信息,并采用客户端/服务器（C/S）和浏览器/服务器（B/S）的混合结构开展系统设计,基于遥感和地面调查两个角度设计实现了国家级作物长势遥感监测业务系统,同时对由于作物种类和监测区域不同引起的长势评价标准不一致、模型定量化和业务系统架构仍需根据应用进一步分解完善等问题进行了讨论。以中国冬小麦主产区为例,进行了作物长势监测试验,取得较好的监测结果。目前该系统已在大尺度作物遥感监测中得到应用。     

基于Sentinel多源数据的农田地表土壤水分反演模型构建与验证

土壤水分是影响水文、生态和气候等环境过程的重要参数,而微波遥感是农田地表土壤水分测量的重要手段之一。针对微波遥感反演农田地表土壤水分受植被覆盖影响较大的问题,该文基于Sentinel-1和Sentinel-2多源遥感数据,利用Oh模型、支持向量回归(support vector regression,SVR)和广义神经网络(generalized regression neural Network,GRNN)模型对土壤水分进行定量反演,以减小植被影响,提高反演精度。结果表明:通过水云模型去除植被影响后的Oh模型反演精度有所提高。加入不同植被指数的SVR和GRNN模型的反演效果总体优于Oh模型,基于SVR模型的多特征参数组合(双极化雷达后向散射系数、海拔高度、局部入射角、修改型土壤调整植被指数)反演效果最优,其测试集相关系数和均方根误差分别达到了0.903和0.015 cm~3/cm~3,为利用多源遥感数据反演农田地表土壤水分提供了参考。