基于无人机遥感影像的覆膜农田面积及分布提取方法

针对基于无人机遥感的覆膜农田识别研究甚少的现状,该文以云南省昭通市鲁甸县为研究区,获取了研究区中地表类型复杂程度不同的2幅航空影像(复杂区影像和简单区影像)作为试验数据,利用灰度共生矩阵对原始航片影像进行纹理特征提取并选择纹理特征最佳提取参数;然后基于随机森林算法进行纹理特征重要性评价,优选纹理特征,结合原始数据进行最大似然初步分类;运用众数分析进行分类后处理;最后结合图像形态学算法与面积阈值分割法提取出了最终的覆膜农田面积及分布。通过试验结果发现,依据该文提出的方法,复杂区和简单区覆膜农田识别的总体精度、Kappa系数、产品精度、用户精度和面积误差分别达到了94.84%、0.89、92.48%、93.39%、0.38%和96.74%、0.93、97.39%、94.63%、1.95%。该文提出的融合监督分类和图像形态学算法的覆膜农田提取方法可以简单、快速的将地膜连成块,形成覆膜农田对象,进而通过面积阈值分割法获取高精度的覆膜农田分布信息。该方法可以为精准覆膜农田识别算法的发展提供参考。     

山东省冬小麦单产监测与预报方法研究

针对传统农业估产方法效率低、成本高的现状,以山东省为研究区,基于山东省10年表面反射率8 d合成产品MOD09A1、全球陆地蒸发蒸腾8 d合成产品MOD16A2数据和历史产量数据,以增强型植被指数(EVI)、作物水分胁迫指数(CWSI)和经过历史产量分解得到的技术产量为输入,利用最小二乘法构建了山东省级和市级尺度的冬小麦单产估算模型,并在监测和预报两种模式下进行了模型的应用和精度验证。结果表明,在监测模式下,省级估产精度为96.91%,各市监测精度均不小于89.41%,其中菏泽市监测精度最高,为99.31%,济宁市监测精度最低,为89.64%;在预报模式下,返青期结束(第89天)、拔节期结束(第121天)和乳熟期结束(第145天)时的省级小麦预报精度均不低于96.44%,各市预报精度均不小于89.41%,其中青岛市预报精度最高,3次预报的平均精度为99.07%,济宁市预报精度最低,3次预报的平均精度为89.81%。本文建立的估产模型对市级和省级作物单产估算均有较高的适用性,可以实现动态产量预报。本研究对及时了解冬小麦的生长状况、制定科学有效的农业生产决策具有参考价值。     

基于趋势单产和干旱指数的河南省冬小麦单产估算

为了探究相关气象因子对小麦生产的影响,获取极端气候条件下满足精度需求的作物估产模型,以河南省为研究区,对研究区的历史小麦单产数据进行时间序列分解,得到趋势单产,再结合不同时间尺度干旱指数作为输入变量,以实际单产作为输出变量,建立随机森林回归单产估计模型。选择典型干旱年份(2011年)与非干旱年份(2015年)进行小麦单产模型的精度验证,并对输入变量的重要性进行了分析。结果显示,随机森林回归单产估计模型拟合精度整体较高,各市模型的决定系数平均为0.87,平均绝对值误差的均值为17.69 kg·hm~(-2),平均绝对相对误差的均值为0.07。面积加权和简单平均估计得到的各市小麦估产的精度平均值在2011年分别为96.16%和95.12%,在2015年分别为92.99%和92.26%。干旱年份估产精度整体上高于非干旱年份估产精度,面积加权后的小麦单产估计精度略高于简单平均的小麦单产估计精度。对建模贡献最大的输入变量是趋势单产。就干旱指数来说,1个月时间尺度的干旱指数重要性整体高于2和3个月时间尺度的干旱指数;4月份的干旱指数重要性整体高于生长季其他月份的干旱指数。该模型能够准确及时地获取极端气候下小麦产量信息以及变量对小麦产量的影响,可以为研究气候变化对小麦产量的影响和提高极端气候条件下的估产精度提供方法参考。     

异常气候条件下小麦估产方法研究

发展针对异常气候条件下的作物估产模型,对于理解气候变化对作物产量的影响,提高估产模型的适用性具有重要意义。本文提出了一种综合气象灾害指标、遥感植被指数与趋势产量的随机森林回归估产方法,基于该方法构建了中国五大麦区的小麦单产估算模型,并选择典型的灾害年份在县级尺度和麦区尺度上分别进行了精度验证,对比分析了不同麦区输入变量对估产模型构建的重要性。结果显示：五大麦区估产模型拟合精度的R²均在0.95以上,各麦区县级实际单产与预测单产平均相对误差均低于0.060,区级均低于0.049;输入变量在不同麦区的重要性存在差异。标准化降水蒸散指数在五大麦区重要性均较高,干热风指标在西北春麦区与北部春麦区相比其他区域更重要,月平均温度距平与月平均降水距平在各个麦区的重要性差异不大,小麦拔节期与抽穗期的标准化差分植被指数（NDVI）重要性相对其他时间段的NDVI更高。本文构建的估产模型能够满足异常气候条件下估产的精度,可以为极端气候条件下大尺度的估产研究提供参考。