基于4D-VAR和条件植被温度指数的冬小麦单产估测

条件植被温度指数(VTCI)综合了地表主要参数——归一化植被指数(NDVI)和地表温度(LST),能够较为准确地对干旱进行监测,可为抗旱救灾、作物估产等提供科学依据。为了提高VTCI的区域估产精度,以陕西省关中平原为研究区域,将遥感反演的VTCI与CERES-Wheat小麦生长模型模拟的土壤浅层含水率相结合,通过四维变分(4D-VAR)同化算法实现2008—2014年冬小麦主要生育期旬尺度VTCI的同化。将同化和未同化的VTCI分别运用改进的层次分析法、熵值法及两者组合赋权法建立冬小麦单产估测模型,选择最优估测模型对2011年关中平原各县(区)进行单产估测和精度评价,并分析2008—2014年关中平原冬小麦单产的时空分布特征,结果表明:无论是在单点尺度还是区域尺度,同化的VTCI均能更好地响应外部观测数据,区域VTCI纹理性更好,更符合VTCI的先验知识。与未同化VTCI构建的估测模型相比,应用同化的VTCI所建的估测模型的估测精度明显提高,相关系数达到0.784(P0.001)。应用最优估测模型对2011年关中平原29个县(区)估产结果中,有16个县(区)的估测单产相对误差小于10%,28个县(区)的估测单产相对误差小于15%,总体平均相对误差为8.68%,均方根误差为421.9 kg/hm~2。近年来关中平原的冬小麦单产呈现个别年份波动、总体增长的年际变化规律,且呈现出中部单产最高、西部次之、东部最低的空间分布特征,与实际情况符合。     

基于LAI和VTCI及Copula函数的冬小麦单产估测

受全球变暖影响,近年来干旱事件发生的频率和强度均呈显著增加的趋势,严重影响了农作物的产量。因此,选择合适的监测指标、构建准确的产量估测模型,对保障国家粮食安全具有十分重要的意义。以关中平原为研究区域,基于与作物长势密切相关的条件植被温度指数（VTCI）和叶面积指数（LAI）,采用主成分分析法（PCA）结合Copula函数分别构建县域尺度单变量（VTCI或LAI）、双变量（VTCI和LAI）的冬小麦单产估测模型。结果表明,基于PCA-Copula构建的综合LAI与冬小麦的单产模型精度最高（R2=0.567,P<0.001）,但综合VTCI和LAI与冬小麦间的单产模型（R2=0.524,P<0.001）用于研究区域2012—2017年各县（区）的冬小麦单产估测时误差分布更为集中、最大误差更小,比基于综合VTCI、综合LAI建立的估产模型的估测结果更可靠,表明应用PCA-Copula构建的双变量估产模型更适合大范围的冬小麦单产估测。     

基于双变量同化和交叉小波变换的冬小麦单产估测

为进一步提高陕西省关中平原冬小麦产量估测的精度,利用集合卡尔曼滤波算法(EnKF)将CERES-Wheat模型模拟的0～20 cm土壤含水率和叶面积指数(LAI)与遥感观测的条件植被温度指数(VTCI)和LAI进行同化,同时利用交叉小波变换分析冬小麦各生育时期同化VTCI和LAI与产量之间的共振周期,通过计算小波互相关度获得各生育时期同化VTCI和LAI的权重,进而构建基于加权VTCI和LAI的冬小麦单产估测模型。结果表明,在样点尺度,经过EnKF同化的VTCI和LAI能够综合表达模型模拟值和遥感观测值的变化趋势;在区域尺度,无论是否同化,经过交叉小波变换的各生育时期VTCI和LAI分别与产量之间存在特定的共振周期,同时发现,同化有助于对关键生育时期的特征提取;相较于未同化构建的估产模型,经过同化构建的估产模型的归一化均方根误差为13.23%,决定系数为0.50,平均相对误差为10.58%,精度略有提升,且估测产量的分布与统计产量的分布更为一致,因此认为将同化与交叉小波相结合构建的双变量单产估测模型精度更高,可为进一步实现高精度的区域产量估测提供研究基础。     

基于双参数和Morlet多时间尺度特性的冬小麦单产估测

为进一步研究冬小麦在不同时间尺度下长势及产量变化情况,以陕西省关中平原为研究区域,选择与作物长势密切相关的条件植被温度指数（VTCI）和叶面积指数（LAI）作为研究指数,Morlet小波作为函数,利用小波变换和交叉小波变换分别分析不同时间尺度下冬小麦各生育时期VTCI和LAI与单产时间序列间的主振荡周期和共振周期。通过计算小波互相关度,确定各生育时期VTCI和LAI的权重,从而分别构建基于加权VTCI、加权LAI的单参数和双参数估产模型。结果表明,不同生育时期VTCI和LAI与单产间存在不同的主振荡周期和共振周期;通过小波变换构建的基于加权VTCI、加权LAI单产估测模型的归一化均方根误差（NRMSE）分别为16.88%、13.58%,决定系数（R2）分别为0.259、0.520,基于双参数的估产模型NRMSE为13.52%, R2为0.531,表明基于双参数估产模型精度更高。通过交叉小波变换构建的基于加权VTCI、加权LAI单产估测模型的NRMSE分别为16.83%、13.56%,R2分别为0.263、0.522,基于双参数的估产模型NRMSE为13.40%,R2为0.533,表明基于交叉小波构建的估产模型比基于小波变换的估产模型精度均有所提高。利用共振周期构建的双参数估产模型对关中平原2011—2018年冬小麦的单产进行估测,结果显示,产量分布呈现西部高东部低的空间分布特征。     

基于随机森林回归的玉米单产估测

为了提高玉米单产估测精度,以河北省中部平原为研究区域,以条件植被温度指数(VTCI)和上包络线S-G滤波的叶面积指数(LAI)为特征变量,通过随机森林回归确定玉米主要生育时期VTCI和LAI的权重,构建加权VTCI和LAI与玉米单产的单变量和双变量估产模型。结果表明,基于随机森林回归的双变量估产模型精度最高(R~2=0. 303),达极显著水平(P 0. 001)。将随机森林回归双变量估产模型用于研究区域2012年各县(区)玉米单产估测,结果表明,53个县(区)玉米估测单产与实际单产的平均相对误差为9. 85%,均方根误差为824. 77 kg/hm~2,模型精度较高。基于随机森林回归双变量估产模型逐像素估测研究区域2010—2018年玉米单产,结果表明,玉米单产在空间上的分布特征为西部地区最高、北部和南部次之、东部地区最低,年际间的分布特征为在波动中呈先减少后增加的趋势。     

基于LAI和VTCI及粒子滤波同化算法的冬小麦单产估测

为进一步提高冬小麦单产的估测精度和验证粒子滤波算法在同化研究中的适用性,以陕西省关中平原为研究区域,以叶面积指数(LAI)和条件植被温度指数(VTCI)为同化系统的状态变量,采用重采样粒子滤波算法同化CERES-Wheat模型模拟的与遥感数据反演的LAI和VTCI,并依据在不同类型样点应用最优同化LAI和VTCI构建的单产组合估测模型对2008—2014年冬小麦单产进行估测。结果表明,同化LAI具有良好的时间和空间连续性,可减缓CERES-Wheat模型模拟LAI的剧烈变化,其峰值出现时间与遥感LAI变化趋势基本同步,更加符合关中平原冬小麦实际变化情况;同化VTCI能同时表达模型模拟值和遥感观测值的变化趋势,且更能反映冬小麦对水分胁迫的敏感性。比较不同类型样点基于不同同化变量建立的估产模型,发现在旱作样点,同时同化VTCI和LAI的单产估测结果(R2=0.531)优于单独同化VTCI(R2=0.475)或LAI(R2=0.428)的估测结果,且同时同化VTCI和LAI与实测产量间相关性达极显著水平(P0.001);而在灌溉样点单独同化LAI的估测结果精度最高(R2=0.539),同时同化VTCI和LAI的估测结果次之(R2=0.457),单独同化VTCI的估测结果较差(R2=0.243)。表明在旱作样点,冬小麦叶面积指数和水分胁迫是影响其产量形成的主要因子,而在灌溉样点,叶面积指数是影响冬小麦产量形成的主要因子。     

基于遥感多参数和IPSO-WNN的冬小麦单产估测

冬小麦是我国的主要粮食作物之一。为进一步准确地估测冬小麦产量,以陕西省关中平原为研究区域,选取冬小麦主要生育期与水分胁迫和光合作用等密切相关的条件植被温度指数（VTCI）、叶面积指数（LAI）和光合有效辐射吸收比率（FPAR）作为遥感特征参数,采用改进的粒子群算法优化小波神经网络（IPSO-WNN）以改善梯度下降方法易陷入局部最优的缺陷,并构建冬小麦产量估测模型。结果表明,IPSO-WNN模型的决定系数R2为0.66,平均绝对百分比误差（MAPE）为7.59%,相比于BPNN（R2=0.46,MAPE为11.80%）与WNN（R2=0.52,MAPE为9.80%）,IPSO-WNN能够进一步提高模型的精度、增强模型的鲁棒性。采用灵敏度分析的方法探究对冬小麦产量影响较大的输入参数,结果发现,抽穗-灌浆期的FPAR对冬小麦产量影响最大,其次拔节期的VTCI、抽穗-灌浆期和乳熟期的LAI以及返青期和拔节期的FPAR对冬小麦产量的影响较大。通过IPSO-WNN输出获取冬小麦综合监测指数I,构建I与统计单产之间的估产模型以估测关中平原冬小麦单产,结果显示,估测单产与统计单产之间的R2为0.63,均方根误差（RMSE）为505.50kg/hm2,相比于前人的研究较好地解决了估产模型存在的“低产高估”的问题,因此,本文基于IPSO-WNN构建的估产模型能够较准确地估测关中平原冬小麦产量。     

基于非线性特征的干旱影响评估研究

客观地认识干旱的非线性特征是干旱影响评估的关键,对制定抗旱减灾策略具有重要指导意义。以陕西省关中平原为研究区域,以核函数方法为非线性算法,基于核主成分分析方法(KPCA),将遥感反演的条件植被温度指数(VTCI)映射到高维特征空间下对其进行特征提取,并结合Copula函数构建主成分间的联合分布模型,确定2008—2013年冬小麦主要生育期的综合VTCI;构建综合VTCI与冬小麦单产间的线性回归模型,评估干旱对冬小麦产量的影响。结果表明,相比于传统的主成分分析方法(PCA),KPCA能有效地提取干旱的非线性特征,且降维效果更好。与PCA-Copula方法构建的回归模型相比,应用KPCA-Copula方法所建综合VTCI与单产间的回归模型的拟合度明显提高,决定系数达到0.608(p0.001),对应模型的估测单产与实测单产之间的均方根误差(RMSE)为298.1 kg/hm2,相比于PCA-Copula的结果降低了60.1 kg/hm2,且KPCA-Copula获取的综合VTCI更符合关中平原实际的干旱特征。这表明KPCA-Copula方法能够较好地体现干旱的非线性特征,更加适用于干旱影响评估研究。     

基于主成分分析和Copula函数的干旱影响评估研究

干旱是关中平原主要的农业灾害之一,准确地评估干旱的影响,对抗旱减灾及作物稳产具有重要意义。基于关中平原2008—2013年冬小麦主要生育期旬尺度的条件植被温度指数(VTCI)干旱监测结果,将Copula函数用于评估冬小麦主要生育时期干旱对其产量的影响。针对多元变量导致Copula函数参数求解困难的问题,采用主成分分析法(PCA)提取主要生育时期的VTCI的主成分因子,形成新的相互独立的指标,进而结合Copula函数建立PCACopula法,确定关中平原主要生育时期的综合VTCI,并构建其与冬小麦单产间的线性回归模型,评估干旱对产量的影响。结果表明,应用PCA-Copula法得到的综合VTCI与单产间的相关性达到极显著水平(P0.001),所建回归模型的拟合度与熵值法的结果相比有所提高,决定系数由0.39提高到0.49,且对应模型的估测单产与实测单产间的均方根误差较熵值法的结果降低了30.2 kg/hm2,平均相对误差降低了0.66%,表明PCA-Copula法能较好地应用于评估冬小麦主要生育时期干旱对其产量的影响。     

基于遥感多参数和门控循环单元网络的冬小麦单产估测

为进一步准确、实时监测冬小麦长势并估测其产量,以陕西省关中平原为研究区域,选取冬小麦旬或生育时期尺度的条件植被温度指数（VTCI）、叶面积指数（LAI）和光合有效辐射吸收比率（FPAR）作为遥感特征参数,分别构建不同时间尺度的单参数、双参数和多参数的门控循环单元（GRU）神经网络模型,并模拟得到冬小麦长势综合监测指数I,结果表明,旬尺度的模型精度总体高于生育时期尺度的模型精度。基于5折交叉验证法进一步验证旬尺度多参数GRU模型的鲁棒性,并构建I与统计单产之间的线性回归模型以估测冬小麦单产,结果显示,冬小麦估测单产与统计单产的决定系数（R2）为0.62,均方根误差（RMSE）为509.08kg/hm2,平均相对误差（MRE）为9.01%,相关性达到极显著水平（P<0.01）,表明旬尺度的多参数估产模型能够较准确地估测关中平原冬小麦产量,且产量分布呈现西高东低的空间特性和整体保持稳定且平稳增长的年际变化特征。此外,基于GRU模型捕获冬小麦生长的累积效应,分析在连续旬中逐步输入参数对产量估测的影响,结果显示,模型具有识别冬小麦关键生长阶段的能力,3月下旬至4月下旬是冬小麦生长的关键时期。     

基于条件植被温度指数的冬小麦产量预测

条件植被温度指数(VTCI)综合了地表主要参数——植被指数(NDVI)和地表温度(LST),能够较为准确地对干旱进行监测,可为抗旱救灾、遥感作物估产等提供科学依据。在改进层次分析法的加权VTCI与冬小麦产量的相关性研究成果和VTCI的季节性ARIMA模型干旱预测研究成果基础上,对关中平原的冬小麦产量进行向前1旬、2旬和3旬的预测研究。研究结果表明,产量预测结果与产量监测结果吻合较好,预测精度随着预测步长的增大而降低,关中平原4个地级市平均产量预测结果的最大相对误差为3.27%,说明用该方法可以进行向前3旬的产量预测。     

基于VTCI空间尺度上推方法的干旱影响评估

基于关中平原Aqua MODIS条件植被温度指数(VTCI)的干旱监测结果,分别采用分布式和聚合式的主导类变异权重法(DCVW)、算术平均值变异权重法(AAVW)和中值变异权重法(MPVW)对市域单元内VTCI进行空间尺度上推,以获取冬小麦主要生育期聚合后的加权VTCI;以加权VTCI与冬小麦产量间的回归分析精度为参考,选择最为合适的空间尺度上推方法。结果表明:采用分布式获得的加权VTCI与冬小麦产量的回归分析结果整体优于聚合式获得的结果。在分布式的上推过程中,MPVW获得的加权VTCI与冬小麦产量间的回归分析精度较低,DCVW和AAVW的精度均较高,其中DCVW获得的加权VTCI与冬小麦产量间回归分析的决定系数R2达0.64,精度最高,说明采用分布式DCVW对市域单元内VTCI进行空间尺度上推得到的加权VTCI最为合理。     

基于LightGBM的冬小麦产量估测与可解释性研究

机器学习模型在作物长势监测和产量估测过程中,复杂模型的内部机制难以理解,为了在准确估测作物产量的同时给出合理解释,本文选取条件植被温度指数(VTCI)以及冬小麦产量数据,基于轻量级梯度提升机(LightGBM)开展关中平原冬小麦的产量估测研究,并将局部可解释性模型无关方法(LIME)、部分依赖图(PDP)和个体条件期望图(ICE)等全局和局部可解释性方法用于对模型估测结果的进一步解释。结果表明,与其他机器学习方法相比,经过网格搜索优化的LightGBM能够准确地估测冬小麦产量,估测单产与实测单产的决定系数R²达到0.32,均方根误差(RMSE)为809.10 kg/hm²,平均相对误差(MRE)为16.55%,达到极显著水平(P<0.01),表明该模型有较高的预测精度和泛化能力。进一步可解释性实验表明,网格搜索优化的LightGBM能够准确提取数据蕴含的信息,从全局角度来看,冬小麦4个生育期中拔节期VTCI对产量形成最为重要,抽穗-灌浆期和乳熟期次之,返青期则影响最小,这与先验知识相符合;从局部角度来看,局部可解释性方法基于冬小麦产量西...     

基于遥感多参数和CNN-Transformer的冬小麦单产估测

为了提高冬小麦单产估测精度,改善估产模型存在的高产低估和低产高估等现象,以陕西省关中平原为研究区域,选取旬尺度条件植被温度指数（VTCI）、叶面积指数（LAI）和光合有效辐射吸收比率（FPAR）为遥感特征参数,结合卷积神经网络（CNN）局部特征提取能力和基于自注意力机制的Transformer网络的全局信息提取能力,构建CNN-Transformer深度学习模型,用于估测关中平原冬小麦产量。与Transformer模型（R2为0.64,RMSE为465.40kg/hm2,MAPE为8.04%）相比,CNN-Transformer模型具有更高的冬小麦单产估测精度（R2为0.70,RMSE为420.39kg/hm2,MAPE为7.65%）,能够从遥感多参数中提取更多与产量相关的信息,且对于Transformer模型存在的高产低估和低产高估现象均有所改善。基于5折交叉验证法和留一法进一步验证了CNN-Transformer模型的鲁棒性和泛化能力。此外,基于CNN-Transformer模型捕获冬小麦生长过程的累积效应,分析逐步累积旬尺度输入参数对产量估测的影响,评估模型对于冬小麦不同生长阶段的累积过程的表征能力。结果表明,模型能有效捕捉冬小麦生长的关键时期,3月下旬至5月上旬是冬小麦生长的关键时期。     

基于结构相似度的关中平原旱情空间分布特征

季节性干旱是影响关中平原农业生产最主要的灾害,研究气候变化背景下的关中平原旱情空间分布特征和变化规律具有重要的科学意义与应用价值。基于关中平原2003—2014年每年3月上旬—5月下旬的旬时间尺度条件植被温度指数(VTCI)的干旱监测结果,采用结构相似度(SSIM)研究关中平原VTCI的空间变化特征及其影响因子。结果表明:关中平原VTCI的空间变化特征具有明显的区域差异性和空间异质性,结构性因素是VTCI空间变化的主要影响因子,总体上受水热、地形分布格局等因素的结构性影响,但微地貌、下垫面覆盖的不同及变化和人为因素导致其主体产生变化。当微地貌、下垫面覆盖类型和人为因素成为主导因子时,结构相似度与其高度相关,对其变化的响应非常敏感。与利用某些指数直接作为干旱的指示因子或构建统计模型分析干旱特征相比,引入研究图像的结构信息的参量SSIM实现了定量、准确、形象地描述干旱的空间分布特征和变化规律。     

应用中值融合模型的条件植被温度指数降尺度转换研究

为获得基于Landsat卫星遥感数据更为精确的定量化干旱监测结果,以陕西省关中平原为研究区域,基于Aqua MODIS数据反演的1 km空间分辨率的条件植被温度指数(VTCI)的定量化干旱监测结果(MODIS-VTCI)和Landsat OLI/TIRS数据反演的30 m空间分辨率的VTCI相对干湿监测结果(Landsat-VTCI),应用降尺度的中值融合模型(MFM)将基于MODIS数据反演的VTCI降尺度至30 m空间分辨率的VTCI定量化干旱监测,并对其结果进行验证。结果表明,应用降尺度的中值融合模型转换的VTCI定量化干旱监测结果(MFM-VTCI)与Landsat-VTCI的空间分布及纹理特征相似,两者间的相关系数和结构相似度均较大,均方根误差、差值影像及差值频数分布图所呈现的结果与定量化干旱监测结果和相对干湿监测结果间的系统误差相符,表明Landsat-VTCI与MFM-VTCI间的可比性较强。MFM-VTCI与累计降水间的相关性和MODIS-VTCI与累计降水间的相关性相近,均大于Landsat-VTCI与累计降水间的相关性,表明MFM-VTCI是定量化的干旱监测结果。     

基于点扩散函数的条件植被温度指数降尺度转换方法

以陕西省关中平原为研究区域,基于MODIS数据反演的条件植被温度指数(VTCI)的定量化干旱监测结果(MODIS-VTCI)和基于Landsat数据反演的VTCI相对干湿监测结果(Landsat-VTCI),应用点扩散函数(PSF)将930 m空间分辨率的MODIS-VTCI降尺度转换至30 m,并对降尺度转换的VTCI进行定量化验证。结果表明,降尺度转换的VTCI与Landsat-VTCI间的相关系数和结构相似度均较大,降尺度转换的VTCI与累计降水量间的相关性和MODISVTCI与累计降水间的相关性相近,且均高于Landsat-VTCI与累计降水量间的相关性,说明降尺度转换的VTCI既考虑了Landsat-VTCI的空间变异,又保持了MODIS-VTCI较为准确的定量化干旱监测特性。     

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...