基于Landsat8卫星数据的蝗虫遥感监测方法研究

区域性的蝗虫灾害对农业生产形成了巨大的危害。实现对蝗虫的发生发展的实时监测对于治蝗防蝗具有重要意义。以内蒙古赤峰市北部三旗为研究区域,通过对Landsat8 OLI卫星数据蝗虫寄主植物分类,结合叠加先验蝗区分布图,判别出蝗虫适生地。然后,采用Landsat8卫星数据,反演叶面积指数、地表温度和土壤湿度等蝗虫生境参数,并结合外业同步调查蝗虫生境数据、地表覆盖数据、历史蝗灾数据等进行分析与建模。同时,利用逐步回归分析得到了蝗虫虫口密度与叶面积指数、地表温度和土壤湿度等生境参数的关系模型,验证结果表明,监测模型具有较高的精度,决定系数为0.50,均方根误差为3.17。     

基于MCMC方法的WOFOST模型参数标定与不确定性分析

为探究作物生长模型参数的自动标定技术及其不确定性分析方法,该研究以郑州农业气象试验站为试验点,利用融入了snooker更新(snooker update)的DE-MC(differential evolution Markov chain,差分进化马尔科夫链)方法实现对WOFOST(world food studies)作物生长模型的参数标定和不确定性定量评价。snooker更新增加了DE-MC算法中候选样本的多样性,从而实现利用更少的并行链对多维参数空间进行有效采样,较适合于WOFOST模型参数众多的特性。结果表明:相比于模型默认值,采用MCMC(Markov chain Monte Carlo,马尔科夫链-蒙特卡洛)标定后的参数,叶面积指数(leaf area index,LAI)模拟精度可提高51.40%~53.07%,产量模拟精度提高8.25%~8.88%。标定参数中,SPAN、SLATB070、SLATB040、AMAXTB130和SLATB00的后验分布可近似为高斯分布,其中SPAN的不确定性最低。带入后验参数集合进行模型,LAI在三叶期至返青期之间以及拔节期至抽穗期之间模拟的不确定性较大;产量模拟的不确定性随时间不断增大,至乳熟期前后达到稳定。该方法能够实现对多参数复杂作物生长模型的参数标定和不确定性分析,对作物模型参数估计及提高模拟精度具有重要作用。     

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。     

基于遥感DSI指数的干旱与冬小麦产量相关性分析

利用2000—2012年MODIS ET/PET和NDVI数据集构建干旱指数(DSI),监测山东省和河南省冬小麦主产区的农业干旱,并在地级市尺度上进一步评估冬小麦关键生育期干旱对冬小麦产量的影响。结果表明:2010年9月—2011年2月山东省特大干旱过程显示的DSI不仅能监测气象干旱,还能较好地反映农业干旱在空间上的差异性以及时间上的演变。不同冬小麦生育期干旱对冬小麦产量影响不同,灌浆期干旱对冬小麦产量的影响最大,干旱致使土壤水分亏缺,影响了作物正常的灌浆强度,进而导致作物减产;其次是拔节期;返青期干旱对产量基本没有影响。     

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MODIS与WOFOST模型同化的区域冬小麦成熟期预测

针对遥感技术只能获取作物的表征信息、对作物内在机理过程变化描述较为困难的问题,引入作物生长模型与遥感数据同化进行作物成熟期预测研究。以叶面积指数(LAI)作为耦合变量,以MODIS LAI(MCD15A3H产品)作为遥感数据源,结合2017—2018年实时气象数据以及气象预报数据,以2018年5月1日为预报时间节点,构建LAI归一化代价函数,采用复合形混合演化算法(Shuffled complex evolution-University of Arizona,SCE-UA)最小化代价函数,优化WOFOST作物模型的输入参数,用优化后的参数重新驱动WOFOST模型逐像元模拟冬小麦生长过程,得到研究区冬小麦成熟期的预测结果,并使用研究区内农业气象站点的观测数据进行验证。结果表明,冬小麦预测开花期、成熟期的均方根误差(RMSE)分别为2. 10、2. 48 d,预测精度较高。该方法能够为农作物的大区域成熟期预测提供重要理论基础。     

基于积温-辐射与LAI积分面积模型的玉米成熟期预测

为预测区域尺度的玉米成熟期,以4d的MODIS叶面积指数产品（LAI）为数据源,选择黑龙江省、吉林省和辽宁省3省玉米为研究对象,结合农业气象资料和全球多模式集合预报资料（THOPREX interactive grand gloabal ensemble,TIGGE）,采用积温-辐射和LAI曲线积分面积两种模型,提前10d对东北地区玉米成熟期进行逐日动态预测。结果表明,LAI曲线积分面积模型的预测结果在时效和精度上均为最优,该模型决定系数R2达到0.87,均方根误差（RMSE）为2.5d,并且有效地克服了当前成熟期预测方法空间分辨率低和预测时效性差等局限性。LAI曲线积分面积模型适用于大面积农作物成熟期预测。     

长时间序列气象数据结合随机森林法早期预测冬小麦产量

冬小麦生育早期的产量预测对于制定冬小麦整个生长期的精准管理决策具有重要参考意义。该文基于随机森林算法,采用1990—2015年河南省小麦平均拔节期至平均抽穗期地面观测气象数据与统计产量数据,分别提取不同穗分化期的温湿度、降水等47个气象要素和小麦种植区经纬度、高程3个空间要素,共计50个参数作为特征变量集,以实际单产、气象产量和相对气象产量分别作为目标变量,构建多种变量组合模型对冬小麦产量进行回归预测,并结合袋外数据重要性结果对产量影响因子进行分析。研究结果表明:1)使用气象产量和相对气象产量作为目标变量建模的预测效果优于单产模型,决定系数R~2均达到0.8以上,气象产量的平均绝对误差(mean absolute error,MAE)和均方根误差(root mean square error,RMSE)分别为415和558 kg/hm~2,相对气象产量的MAE和RMSE分别为0.07和0.09;2)相较于气象特征,空间特征在产量预测中起决定性作用,且小花分化期以及抽穗开花期的气象特征产量预测精度高于其他穗分化期;3)在气象特征中,利用袋外数据变量重要性得出平均温度、最低温度、负积温、最高温度在不同生育阶段对产量的影响程度。该研究结果为冬小麦生育早期产量预测提供了新的思路和方法。     

冬小麦拔节期遥感监测方法研究

遥感数据因其空间连续成像和重复采样的特点,可用于区域尺度小麦拔节期监测,为冬小麦晚霜冻害监测研究提供基础数据。以河南省冬麦区为研究区,建立气象台站获取的积温与遥感获取的陆面温度（LST）累积值间的关系方程,在此基础上,将冬小麦返青-拔节期间的积温需求量转化成累积LST需求量,利用Terra/MODIS LST数据产品MOD11A2,从返青日期开始求算累积LST值达到返青-拔节期间的累积LST需求量的日期,获得拔节期开始时间。结果表明,河南省小麦拔节期开始日期集中在3月下旬至4月上旬;年际间同期气温差异会引起小麦拔节期开始时间显著波动;空间分布上,除信阳地区外,河南省冬小麦拔节期开始时间大致由南到北逐渐推迟;小麦拔节期开始时间监测值与观测值之间的误差大部分能控制在5 d之内,说明利用LST遥感数据结合积温法可以监测冬小麦的拔节期。