基于卫星光谱尺度反射率的冬小麦生物量估算

为探索基于光学卫星遥感数据的冬小麦地上生物量估算方法,本研究通过3年田间试验,获取冬小麦4个关键生育期（拔节期、抽穗期、开花期和灌浆期）和3种施氮水平下的地上生物量以及对应的近地冠层高光谱反射率数据。通过将高光谱数据重采样为具有红边波段的RapidEye、Sentinel-2和WorldView-2卫星波段反射率数据,构建任意两波段归一化植被指数。同时,将卫星波段反射率数据与6种机器学习和深度学习算法相结合,构建冬小麦生物量估算模型。研究结果表明：任意两波段构建的最佳植被指数在冬小麦开花期对生物量的敏感性最强（决定系数R2为0.50～0.56）。在不同施氮水平条件下,高施氮水平增强了植被指数对生物量的敏感性。Sentinel-2波段数据所构建的植被指数优于其他两颗卫星波段数据。对6种机器学习和深度学习算法,总的来说,基于深度神经网络（Deep Neural Networks,DNN）算法所构建的模型要优于其他算法。在单一生育期中,在拔节期（R2为0.69～0.78,归一化均方根误差为26%～31%）和开花期（R2为0.69～0.70,归一化均方根误差为24%～25%）的估算精度最高。Sentinel-2波段数据与DNN算法结合的估算精度最高,在全生育期中预测精度R2为0.70。施氮水平的提高同样增强了DNN模型的估算精度,3颗卫星波段数据在300 kg/hm2施氮条件下的预测精度R2都在0.71以上,均方根误差小于219 g/m2。研究结果揭示了光学卫星遥感数据在不同生育期和施氮条件下估算冬小麦生物量的潜力。     

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。     

采用SEPLS_ELM模型估算夏玉米地上部生物量和叶面积指数

利用高光谱数据进行作物生长状况监测具有无损和高效的特点,是现代精准农业发展的必要手段。该研究以连续3 a（2018-2020）不同水氮供应下夏玉米营养生长期采集的212份植物样品（地上部生物量和叶面积指数）和高光谱实测数据为数据源,分别采用偏最小二乘回归（Partial Least Squares Regression,PLS）、极限学习机（Extreme Learning Machine,ELM）、随机森林（Random Forest,RF）和基于PLS叠加策略的叠加极限学习机算法（Stacked Ensemble Extreme Learning Machine based on the PLS,SEPLS_ELM）构建了夏玉米营养生长期地上部生物量和叶面积指数估算模型。结果表明：基于PLS和ELM构建的夏玉米地上部生物量和叶面积指数估算模型的精度均较低,前者验证集R2低于0.85、均方根误差高于550 kg/hm2,后者R2低于0.90、均方根误差高于0.40 cm2/cm2。相比之下,基于RF和SEPLS_ELM构建的夏玉米营养生长期地上部生物量和叶面积指数估算模型均有着较高的估算精度,SEPLS_ELM模型表现尤为突出,其地上部生物量和叶面积指数估算模型验证集的R2分别为0.955和0.969,均方根误差分别为307.3 kg/hm2和0.24 cm2/cm2,表明叠加集成模型能够充分利用高光谱数据并提高作物地上部生物量和叶面积指数估算精度。     

频率直方图与植被指数结合的冬小麦遥感产量估测

基于机器学习方法建立的作物产量估测模型常因过拟合等问题导致泛化性能偏低,产量估测精度不高。该研究以河南省为研究区,分别对不同波段地表反射率数据采用均值法和频率直方图法构造样本特征集作为输入变量,结合随机森林（Random Forest,RF）算法建立冬小麦遥感估产模型。研究结果表明,频率直方图法预测效果优于均值法,平均绝对误差和均方根误差分别为660和860 kg/hm2,决定系数最高达到0.83,达极显著水平（P<0.01）;7个地表反射率波段中,近红外1波段表现最好;单个合成指数中,归一化水分指数的表现要优于归一化植被指数;波段组合中,归一化植被指数和归一化水分指数的组合验证效果最优,平均绝对误差和均方根误差分别为444和527 kg/hm2,决定系数为0.89,达极显著水平（P<0.01）,其组合预测效果在4月15日至22日时段内表现最佳,该时段对冬小麦产量的影响最大。该研究通过采用基于频率直方图法构建样本特征结合随机森林算法建立冬小麦遥感估产模型,可为县域冬小麦遥感估产提供一种有效的解决方案。     

冬小麦生物量高光谱遥感监测模型研究

【目的】高光谱遥感能快速、实时、无损监测作物长势。研究不同氮磷水平下冬小麦不同生育时期地上部生物量高光谱遥感监测模型,可提高地上部生物量高光谱监测精度。【方法】在西北农林科技大学连续进行了 5 年田间定位试验,设置 5 个施氮水平 (N, 0, 75, 150, 225 和 300 kg/hm2) 和 4 个磷施用水平 (P₂O₅, 0, 60, 120 和 180 kg/hm2),选用不同抗旱类型冬小麦品种,测定了从拔节期至成熟期生物量与冠层光谱反射率,通过相关分析、回归分析等统计方法,建立并筛选基于不同植被指数的冬小麦不同生育时期生物量分段遥感监测模型。【结果】冬小麦生物量与光谱反射率在 670 nm 和 930 nm 附近具有较高相关性,在可见光和近红外波段处均有敏感波段;在拔节期、孕穗期、抽穗期、灌浆期、成熟期,生物量与归一化绿波段差值植被指数 (GNDVI)、比值植被指数 (RVI)、修正土壤调节植被指数 (MSAVI)、红边三角植被指数 (RTVI) 和修正三角植被指数Ⅱ (MTVIⅡ) 均达极显著相关性 (P < 0.01),相关系数 (r) 范围为 0.923～0.979;在不同生育时期,分别基于 GNDVI、RVI、MSAVI、RTVI 和 MTVIⅡ 能建立较好的生物量分段监测模型,决定系数 (R2) 分别为 0.987、0.982、0.981、0.985、0.976;估计标准误差 SE 分别为 0.157、0.153、0.163、0.133、0.132;预测值与实测值间相对误差 (RE) 分别为 8.47%、7.12%、7.56%、8.21%、8.65%;均方根误差 (RMSE), 分别为 0.141 kg/m2、0.113 kg/m2、0.137 kg/m2、0.176 kg/m2、0.187 kg/m2。【结论】在拔节期、孕穗期、抽穗期、灌浆期、成熟期可以用 GNDVI、RVI、MSAVI、RTVI 和 MTVIⅡ 监测冬小麦生物量,具有较好的年度间重演性和品种间适用性。同时,分段监测模型较统一监测模型具有较好的监测效果及验证效果,能有效改善高光谱遥感监测模型精度。     

基于无人机数码影像的冬小麦株高和生物量估算

高效、快速地获取作物的株高和生物量信息,对农业生产有重要意义。该文利用2015年4月-6月获得了冬小麦拔节期、挑旗期和开花期的高清数码影像。首先基于无人机高清数码影像生成冬小麦的作物表面模型(crop surface model,CSM),利用CSM提取出冬小麦的株高(Hcsm),然后利用提取的21种数码影像图像指数,构建了拔节期、挑旗期和开花期混合的多生育期生物量估算模型,并进行单生育期和多生育期模型对比分析;最后选择逐步回归(stepwise regression,SWR)、偏最小二乘(partial least square,PLSR)、随机森林(random forest,RF)3种建模方法对多生育期估算模型进行对比,挑选出冬小麦生物量估算的最优模型。结果表明,提取的Hcsm和实测株高(H)具有高度拟合性(R2=0.87,RMSE=6.45 cm,NRMSE=11.48%);与仅用数码影像图像指数构建的生物量估算模型相比(R2=0.721 2,RMSE=0.137 2 kg/m2,NRMSE=26.25%),数码影像图像指数融入H和Hcsm所得模型效果更佳,其中融入Hcsm的模型精度和稳定性(R2=0.819 1,RMSE=0.110 6 kg/m2,NRMSE=21.15%)要优于加入株高H所构建的估算模型(R2=0.794 1,RMSE=0.117 9 kg/m2,NRMSE=22.56%);SWR生物量估算模型(R2=0.7212)效果优于PLSR(R2=0.677 4)和RF(R2=0.657 1)生物量估算模型。该研究为冬小麦生长状况高效、快速监测提供参考。     

基于无人机数码影像的马铃薯生物量估算

株高和植被覆盖度（Vegetation Coverage, VC）是估算生物量的重要参数，而生物量的准确估算对农业生产具有重要作用。该研究获取马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期的无人机和地面数码影像，并实测株高、地上生物量和地面控制点（Ground Control Point, GCP）的三维空间坐标。首先基于数字表面模型（Digital Surface Model, DSM）提取马铃薯株高，其次利用地面和无人机数码影像提取马铃薯VC实测值和估测值，然后将提取的株高、VC和二者乘积与选取的11种植被指数和生物量作相关性分析，挑选出相关性较好的前6种植被指数和3种农学参数，最后通过线性回归（Linear Regression，LR）、偏最小二乘回归（Partial Least Square Regression，PLSR）、随机森林（Random Forest，RF）算法和支持向量机（Support Vector Machine, SVM）估算生物量。结果表明，提取株高和实测株高拟合的决定系数为0.86，标准均方根误差为13.42%；提取VC值和实测VC值拟合的决定系数为0.84，标准均方根误差为15.76%；利用LR建模和验证精度由低到高依次为提取的株高、VC和二者乘积，每种变量的估算效果均从现蕾期到块茎增长期逐渐变好，从淀粉积累期到成熟期逐渐变差；每个生育期利用3种方法以不同变量估算生物量效果依次由低到高为植被指数、植被指数结合提取株高、植被指数结合提取VC、植被指数结合提取的株高和VC，其中PLSR模型效果优于RF和SVM模型。该研究为马铃薯长势快速监测提供参考。     

基于多源无人机影像特征融合的冬小麦LAI估算

为探讨无人机多源影像特征融合估测作物叶面积指数的能力,该研究以冬小麦为研究对象,利用多旋翼无人机搭载高清数码相机和UHD185成像光谱仪获取研究区冬小麦关键生育期（扬花期、灌浆期）的可见光和高光谱影像。综合考虑可见光、高光谱影像特征与冬小麦叶面积指数的相关性及影像特征重要性进行特征筛选,然后,以可见光植被指数、纹理特征、可见光植被指数+纹理特征、高光谱波段、高光谱植被指数及高光谱波段+植被指数分别作为输入变量构建多元线性回归、支持向量回归和随机森林回归的叶面积指数估测模型（单传感器数据源）;以优选的两种影像特征结合支持向量回归、随机森林回归构建叶面积指数估测模型（两种传感器数据源）,比较分析单源与多源影像特征监测冬小麦叶面积指数的性能。进一步地,考虑到小区土壤空间异质性会影响冬小麦叶面积指数估测结果,该研究探讨了不同影像采样面积下基于单源遥感数据构建的小麦叶面积指数估测模型精度。研究结果表明：在扬花期和灌浆期,使用两种影像优选特征构建的随机森林回归估测模型精度最佳,验证集决定系数分别为0.733和0.929,均方根误差为0.193和0.118。可见光影像采样面积分别为30%和50%,高光谱影像采样面积为65%时,基于单源影像特征构建的随机森林回归估测模型在扬花期和灌浆期效果最好。综上,该研究结果可为无人机遥感监测作物生理参数提供有价值的依据和参考。     

基于GF-1影像的普达措国家公园森林地上生物量遥感估算

精确估算森林地上生物量有利于掌握森林资源碳储量的分布特征,该研究以普达措国家公园为研究区,基于国产高分一号(GF-1)全色多光谱(Panchromatic Multispectral Sensor,PMS)卫星影像和数字高程数据,提取波段信息、植被指数、纹理信息和地形因子,利用多元线性逐步回归、支持向量机、神经网络和随机森林模型,估算森林地上生物量。研究结果表明,基于GF-1影像构建的随机森林模型的精度效果最佳,决定系数为0.77,均方根误差为27.53 t/hm2;普达措国家公园森林地上生物量为7085614t,平均生物量达136.01t/hm2,表明公园内寒温性针叶林发育完好;海拔3 500～4000m区域森林生物量平均值最高,为126.56t/hm2,与生态保护目标分布范围相符;不同坡向生物量存在差异,阴坡和半阴坡平均生物量高出其他坡向20.48%,立地条件较优。研究结果证实基于GF-1优化的生物量经验模型具有对亚高山天然林地上生物量的估算潜力,对区域森林资源的有效科学管理和维护森林生态环境具有重要意义。     

冬小麦鲜生物量估算敏感波段中心及波宽优选

开展高光谱作物生物量估算敏感波段中心和最优波段宽度筛选对提高作物生物量估算精度具有重要意义。该文以冬小麦为研究对象,利用小麦关键生育期内350～1000 nm 冠层高光谱数据和实测地上鲜生物量,研究任意两波段构建的窄波段归一化植被指数 N-NDVI（narrow band normalized difference vegetation index）与冬小麦地上鲜生物量间的相关关系,构建拟合精度 R2二维图,并以 R2极大值区域重心作为高光谱估算鲜生物量敏感波段中心。通过对敏感波段中心进行波段扩展和相应生物量估算验证,最终确定敏感波段最佳波段宽度。在此基础上,开展基于敏感波段最优波段宽度下冬小麦地上鲜生物量估算和精度验证。结果表明,在 N-NDVI 与冬小麦鲜生物量间拟合 R2≥0.65的二维区域内,确定了401 nm/692 nm、579 nm/698 nm、732 nm/773 nm、725 nm/860 nm、727 nm/977 nm 5个鲜生物量估算的高光谱敏感波段中心;在高光谱估算生物量归一化均方根误差 NRMSE≤10%、相对误差 RE≤10%条件下,上述5个敏感波段中心的最优波段宽度分别为±21 nm、±5 nm、±51 nm、±40 nm 和±23 nm。通过与实测鲜生物量数据对比,利用上述敏感波段中心最优波段宽度进行作物生物量估算,精度在 P<0.01水平上均达到极显著水平,且 RE、NRMSE 分别在8.15%～9.14%、8.69%～9.65%范围内。可见,利用作物冠层高光谱进行冬小麦地上鲜生物量估算时,N-NDVI 与鲜生物量间拟合 R2极大值区域重心的作物高光谱敏感波段筛选和最优波段宽度确定具有一定可行性,为开展作物高光谱数据波段优选提供了新思路,也为多光谱遥感波段设置及遥感数据应用潜力评价提供一定依据。     

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。     

基于无人机数码影像和高光谱数据的冬小麦产量估算对比

作物产量准确估算在农业生产中具有重要意义。该文利用无人机获取冬小麦挑旗期、开花期和灌浆期数码影像和高光谱数据,并实测产量。首先利用无人机数码影像和高光谱数据分别提取数码影像指数和光谱参数,然后将数码影像指数和光谱参数与冬小麦产量作相关性分析,挑选出相关性较好的9个指数和参数,最后以选取的数码影像指数和光谱参数为建模因子,通过MLR(multiple linear regression,MLR)和RF(random forest,RF)对产量进行估算。结果表明:数码影像指数和光谱参数与实测产量均有很强的相关性。利用数码影像指数和光谱参数通过MLR和RF构建的产量估算模型均在灌浆期表现精度最高,在灌浆期,数码影像指数和光谱参数构建的MLR模型R~2和NRMSE分别为0.71、12.79%,0.77、10.32%。对模型对比分析可知,以光谱参数为因子的MLR模型精度较高,更适合用于估算冬小麦产量。利用无人机遥感数据,通过光谱参数建立的MLR模型能够快速、方便地对作物进行产量预测,并可以根据不同生育期的产量估算模型有效地对作物进行监测。     

利用Landsat TM遥感数据监测冬小麦开花期主要长势参数

为精准农业技术体系中的小麦农艺处方管理决策提供详尽的全局性信息,该文以2007－2009年试验实测数据为基础,以Landsat TM影像为遥感数据源,分析了试验样点开花期冬小麦主要长势参数与品质和产量间以及与卫星遥感变量间的相关性,分别建立及评价了TM影像遥感变量监测冬小麦开花期SPAD值、生物量、叶面积指数和叶片氮含量的模型。结果表明：冬小麦开花期,选用作物氮反射指数、近红外波段反射率和归一化植被指数这些遥感变量分别反演冬小麦SPAD值、生物量、叶面积指数和叶片氮含量是可行的;SPAD值、生物量、叶面积指数和叶片氮含量遥感监测模型的精度较高,均方根误差分别为3.12、216.5 kg/hm2、0.269和0.162,以此为基础,制作出具有实际农学意义的冬小麦开花期不同等级SPAD值、生物量、叶面积指数和叶片氮含量遥感监测专题图,实现了主要长势参数空间分布量化表达。基于卫星影像的农田面状信息获取技术克服了点状信息的不足,为农业生产管理决策及时提供信息支持,使该研究技术更利于大面积应用和推广。     

基于改进水云模型和Radarsat-2数据的农田土壤含水量估算

为了直接将雷达遥感中"水云模型"进行反演应用,该研究将"水云模型"中植被参数改为雷达植被指数,利用全极化数据直接支持遥感反演土壤含水量,无需遥感反演植被参数输入。改进模型为利用雷达遥感结合"水云模型"进行土壤含水量监测提供了一种高效便捷方法。基于Radarsat-2全极化数据对冬小麦覆盖的农田土壤含水量进行估算,利用2014年在陕西杨凌区获取的4个生育期内Radarsat-2卫星数据及同步田间测量108组冬小麦农田土壤含水量地面测量数据进行模型参数校正和精度验证。验证结果精度为:改进的雷达植被指数模型原叶面积指数模型(实测叶面积指数验证)原叶面积指数模型(光学遥感反演叶面积指数验证),且改进的雷达植被指数模型可以在多个生育期内对农田土壤含水量进行监测。     

基于CNN卷积神经网络和BP神经网络的冬小麦县级产量预测

冬小麦是中国重要的粮食作物，开展县级冬小麦产量预测对粮食宏观调控和农业精准化发展具有重要指导意义。该研究从县级产量预测角度出发，结合卷积神经网络（Convolutional Neural Networks，CNN）和反向传播神经网络（Back Propagation Neural Networks，BP）技术提出了冬小麦县级产量预测方法，使用CNN卷积神经网络对Sentinel-2遥感数据进行冬小麦种植区的分析和提取，将得到的种植区分布数据与MODIS EVI数据和耕地分布数据进行了融合，利用BP神经网络对融合后的数据进行产量特征提取和预测并选取均方根误差（Root Mean Square Error，RMSE）、平均绝对误差（Mean Absolute Error，MAE）和样本决定系数（Coefficient of Determination，R2）作为精度指标对试验结果进行分析和评价。结果表明，基于CNN卷积神经网络和BP神经网络的冬小麦县级产量预测方法在山东省2014－2016年冬小麦县级产量验证集中R2达到0.87以上，MAE低于269.48 kg/hm2，RMSE低于346.56 kg/hm2，93%的县单产相对误差小于9%，试验结果平均值与中位数的偏差小于1.2%；在河南省2015－2019年冬小麦县级产量验证集中R2达到0.96以上，MAE低于304.84 kg/hm2，RMSE低于418.14 kg/hm2，91%的县单产相对误差小于9%，试验结果平均值与中位数的偏差小于1.6%，方法所构建模型具有良好的预测准确率、鲁棒性和泛化性，可以实现县级尺度下的冬小麦产量预测。