基于EnKF和随机森林回归的玉米单产估测

为了提高玉米的估产精度,以河北省中部平原为研究区域,采用CERES-Maize模型模拟2013—2018年8个典型样点玉米整个生育期的叶面积指数(LAI),将遥感反演的LAI与CERES-Maize模型模拟的LAI相结合,通过集合卡尔曼滤波(En KF)同化算法实现2013—2018年玉米主要生育时期旬尺度LAI的同化,运用随机森林回归法计算同化和未同化的LAI权重,进而建立玉米单产估测模型,对2015年53个县(区)的玉米进行单产估测和精度评价,并分析2013—2018年玉米的单产时空分布特征。结果表明,采用En KF算法对8个研究样点进行单点同化,同化LAI更符合玉米实际生长情况;将样点LAI同化值从单点尺度扩展到区域尺度,同化LAI图像减少了相邻像素间LAI陡升陡降的现象,其效果优于遥感反演的LAI;与未同化LAI构建的估测模型相比,应用同化的LAI所建的估测模型精度明显提高,R2提高了0.024 5;在2015年河北中部平原53个县(区)估产结果中,总体平均相对误差为12.11%,RMSE为371 kg/hm2,NRMSE为6.18%;河北中部平原玉米单产估测结果呈现个别年份波动、总体呈先减少后增加的年际变化特点,并呈现西部地区最高、北部和南部地区次之、东部地区最低的空间分布特征。     

基于双参数和粒子滤波同化算法的夏玉米单产估测

为了提高河北省中部平原夏玉米的估产精度和进一步验证粒子滤波同化算法对农业作物估产的适用性,采用粒子滤波算法同化CERES-Maize模型模拟和MODIS数据反演的叶面积指数(Leaf area index,LAI)、条件植被温度指数(Vegetation temperature condition index,VTCI),应用随机森林回归算法确定夏玉米不同生育时期LAI和VTCI的权重,构建单产估测模型。结果表明,无论是单点尺度还是区域尺度,同化的LAI和VTCI均能较好地响应外部观测数据,同化LAI可减缓CERES-Maize模型模拟LAI的剧烈变化;同化VTCI结合模型模拟和遥感观测,更能反映夏玉米对水分胁迫的敏感性。利用2015年河北省中部平原各县(区)夏玉米产量对较优估产模型进行精度验证,结果表明,同化前后夏玉米产量模拟结果与统计产量间的归一化均方根误差由12.71%下降到10.50%,平均相对误差由12.57%下降到8.43%,说明基于同化LAI和VTCI构建的双参数单产估产模型可用于区域夏玉米单产估测。     

基于Shapley值组合预测的玉米单产估测

为进一步促进机器学习技术在玉米单产估测中的应用,以河北中部平原为研究区域,选取与玉米长势和产量密切相关的条件植被温度指数（Vegetation temperature condition index,VTCI）和叶面积指数（Leaf area index,LAI）为特征变量,通过极限梯度提升（Extreme gradient boosting,XGBoost）算法和随机森林（Random forest,RF）算法分别对玉米单产进行估测。基于组合预测思想与Shapley值理论,分别确定组合预测模型中XGBoost与RF模型权重,进而得到组合预测模型,结果表明,基于Shapley值确定的组合估产模型精度较高（R2=0.32）,达极显著水平（P<0.001）。同时将组合预测模型应用于河北中部平原2012年各县（区）玉米的单产估测,结果表明,模型精度较高（R2=0.52）,玉米估测单产与实际单产的平均相对误差和均方根误差分别为9.86%、831.14kg/km2,达到极显著水平（P<0.001）,且组合预测模型的精度均优于单一估测模型。研究发现,河北中部平原玉米估测单产随年份发生波动变化,呈先降低后升高的趋势。玉米估测单产以西部地区最高,其次是北部和南部地区,东部地区最低。