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APSIM的华北平原不同种植模式下主要温室气体排放效应评估

使用APSIM作物模型,模拟1981−2014年华北平原夏玉米、冬小麦−夏玉米、冬小麦−夏玉米−早播玉米1（提前10d）、冬小麦−夏玉米−早播玉米2（提前20d）四种种植模式下土壤有机碳（SOC）变化、土壤氧化亚氮（N₂O）排放、土壤温室气体排放和产量的变化。结果表明：四种种植模式中,1981−2014年华北平原夏玉米种植模式下土壤N₂O排放量最小（514.81kg·hm⁻²）、土壤主要温室气体平均排放量最少（0.30MgCO_2-eq·hm⁻²）;冬小麦−夏玉米−早播玉米1（提前10d）种植模式下土壤有机碳平均变化量最少,为120.78kg·hm⁻²;冬小麦−夏玉米−早播玉米2（提前20d）种植模式的土壤主要温室气体平均排放量次之,为0.76MgCO_2-eq·hm⁻²;四种种植模式中,冬小麦−夏玉米种植模式的平均产量最高,为23405.47kg·hm⁻²;夏玉米种植模式下土壤主要温室气体排放效应最好（GHG=0.02 MgCO_2-eq·hm⁻²）,冬小麦−夏玉米−早播玉米2（提前20d）种植模式次之（GHG=0.04 MgCO_2-eq·hm⁻²）;在保证产量的前提下,考虑粮食安全、资源节约和环境友好各方面,冬小麦−夏玉米−早播玉米2（提前20d）两年三熟种植模式是华北平原较为理想的种植制度。     

深度学习技术在农业干旱监测预测及风险评估中的应用

人工智能技术的发展，特别是深度学习的出现，推进了农业新发展，是农业现代化生产的新方向。深度学习具有学习能力强、覆盖范围广、适应力强、可移植性好等优点，其开发模拟数据集可以解决实际问题，在农业干旱的监测预测及风险评估中的应用越来越广泛。本文采用文献综述方法，归纳农业干旱监测预测评估技术的发展与应用，总结深度学习模型的原理、优势和不足，概述深度学习模型在农业干旱监测预测及风险评估方面的实际应用，探讨深度学习数据集要求大、数据预处理耗时长、预定义类别范围窄、遥感图像复杂的问题，并对未来研究方向进行展望。结果表明，近年来农业干旱监测预测及风险评估技术取得重要进展，然而由于农业系统的非线性及干旱灾害发生的复杂性，现有技术在适用地域、对象和精准性等方面仍难以满足新形势下实际农业生产的需求。深度学习方法为农业干旱研究提供了新手段，但深度学习模型无法准确表达作物生长具体过程与机理，可尝试探索通过深度学习模型和作物生长模型的耦合来确保深度学习模型的可解释性。对于修正预测序列中存在的误差，可建立基于深度学习模型与大气环流模式的耦合模型，进一步提升模型对中长期农业干旱的预测能力。针对灾害样本容量有限问题，加...