基于粒子滤波的LAI时间序列重构算法设计与实现

遥感观测的叶面积指数（LAI）时间序列数据广泛应用于作物长势监测,但数据受大气条件等影响,存在数值偏低和时间序列数据缺失等问题。为此,本文设计了一种基于重采样粒子滤波的LAI时间序列重构算法,以LAI为同化变量,在WOFOST模型本地化的基础上,实现了遥感LAI数据和WOFOST模型模拟的LAI数据的同化,以重构LAI时间序列。算法将WOFOST作物模型简化为LAI状态随时间演变的非线性计算方程,作为重采样粒子滤波的状态转移方程;将地面实测LAI数据和遥感LAI数据建立的线性方程,作为重采样粒子滤波的观测方程,建立LAI时间序列数据同化模型。以带权重粒子表示LAI时间序列状态后验分布,并在循环迭代中对粒子重采样,以此实现单点和区域LAI时间序列重构。应用该算法,对河北省冬麦区2010年LAI时间序列进行重构,结果表明,基于重采样粒子滤波的LAI时间序列重构算法在单点和区域上得到的LAI值明显更接近冬小麦实际生长状况,且算法能够弥补遥感LAI时序数据的缺失,为进一步的作物长势监测提供基础支撑。     

遥感同化WOFOST模型动态监测水稻重金属污染胁迫

为研究土壤重金属污染对作物生长尤其是根系生长的影响,探讨了利用遥感与作物生长模型同化方法获取水稻根重WRT(Weight of Root)的变化,进而动态监测水稻重金属污染胁迫的可行性。以吉林省长春市两块不同污染水平的水稻种植区为研究对象,以叶面积指数LAI(Leaf Area Index)为结合点,使用灰色关联度分析选择与根重关联度最高的作物参数CVR(干物质转化为根重的效率,Efficiency of Conversion into Roots),通过粒子群优化算法PSO(Particle Swarm Optimization)优化CVR,实现作物生长模型WOFOST(World Food Studies)与CCD遥感数据的同化,并用同化后的WOFOST模型模拟WRT进行水稻重金属污染胁迫状况分析,最后对研究区水稻重金属污染胁迫进行了分级评价。结果表明,整个生长期污染严重区域水稻根重比污染较轻区的水稻根重低,二者比值范围为0.894~0.972,均值为0.922,在水稻分蘖期比值最低达到0.894。可见根重的变化是监测水稻重金属污染胁迫的有效指标,该方法能够在水稻生长的早期(分蘖期)就监测到重金属污染胁迫。     

遥感信息与作物生长模型同化应用的研究进展

卫星遥感技术能大面积、周期性地实时获取地表农作物信息,并且通过适当的反演方法能够定量地提供作物在区域尺度上的状况;作物生长模型应用物理数学方法从机制上定量地描述作物生长过程及其与环境因素之间的关系,在单点上对叶面积指数、生物量和产量等具有很好的模拟准确性。利用数据同化算法,将作物生长模型与遥感信息进行同化,已经成为当前农作物长势监测和产量预算研究中的重要手段。在简要回顾遥感数据和作物模型2种经典耦合方法的基础上,重点综述了连续同化和顺序同化2种不同同化方式的研究进展,并对数据同化算法进行了简单介绍,最后提出存在的一些问题并探讨了未来的研究方向。     

基于PyWOFOST作物模型的东北玉米估产及精度评估

【目的】构建合理的作物估产方案,提高作物估产精度。【方法】本文以基于集合卡尔曼滤波（Ensemble Kalman Filter,EnKF）构建的遥感信息-作物模型结合模型（PyWOFOST）为基础,建立了以LAI为结合点,适用于中国东北地区玉米的同化模拟模型,并使用MODIS LAI数据作为外部同化数据进行同化模拟,重点分析了遥感观测（MODIS LAI）和模型参数（出苗-开花期所需积温,TSUM1）的不确定性（即随机误差）对同化模拟结果的影响。最后,利用PyWOFOST模型实现了区域尺度上的玉米估产。【结果】同化外部观测数据后的玉米模拟产量较未同化外部数据的模拟产量有明显改善,20个未受灾害影响的农气站玉米产量同化前的模拟误差及在TSUM1的不确定性为0、10、20、30℃时的同化后模拟误差分别为14.04%、12.71%、11.91%、10.44%及10.48%;同化后的模拟LAI普遍较同化前的模拟LAI更接近实测LAI,更符合玉米LAI的变化趋势;同化前模拟发育期与实测发育期平均绝对误差为3.4 d,而同化后在TSUM1的不确定性为0、10、20、30℃时模拟发育期与实测发育期的平均误差分别为3.5、4.3、5.0、5.5 d。区域尺度上玉米估产结果表明,58.82%的区域玉米估产误差在15%以内,同化产量和统计产量的确定系数为0.806。【结论】基于集合卡尔曼滤波同化遥感信息进行作物估产是可行的。     

基于WOFOST模型与遥感数据同化的县级尺度玉米估产研究

区域尺度的作物生长动态监测和产量预测对于保障粮食安全和农业政策的制定具有重要参考依据。遥感数据同化应用极大提高了作物估产的时效性和精度。为及时、准确地实现县级尺度粮食产量的估测,以及提升产量估测的精度,以辽宁省铁岭县为研究区,采用WOFOST(world food studies)模型与遥感同化相结合的方法对铁岭县玉米进行估产研究。通过采用扩展傅里叶幅度敏感性检验算法(extened Fourier amplitude sensitivity test,EFAST)敏感性分析方法实现玉米估产敏感性参数的分析,以及本地化;通过采用参数自动率定程序PEST(parameter estimation)实现参数的优化,验证结果为采样点产量的平均误差为852.39 kg·hm^-2,模型模拟的精度达到92.82%。为进一步提高和优化模型估产精度,将遥感反演得到的叶面积指数采用集合卡尔曼滤波算法与模型模拟的叶面积指数进行数据同化,平均误差从同化前的852.39 kg·hm^-2降低为435.01 kg·hm^-2,估产精度从92.82%提...     

基于数据同化系统的作物产量预测研究进展

数据同化系统融合了遥感数据和作物生长模型的优势,是实时监测农业生产状况的有力手段。本文在简要介绍作物产量遥感估测方法的基础上,重点对数据同化算法的发展情况、多源遥感数据在数据同化上的应用潜力、数据同化系统的不确定性以及数据同化系统的尺度效应4方面进行论述。并且针对农业应用现状,提出未来应充分挖掘多源遥感数据、多作物生长模型集合和数据算法的优势,最终实现以机理模型为纽带的作物估产模式,并为制定田间管理策略、规划粮食产业布局和制定进出口贸易政策提供有力的数据和技术支撑。     

基于EOS/MODIS资料的江西省水稻长势遥感监测

基于2010年的MODIS数据,进行江西省水稻长势遥感监测指标的研究,提取了4种植被指数作为遥感参数,即比值植被指数RVI、归一化植被指数NDVI、植被状态指数VCI和增强植被指数EVI,并利用植被指数进行叶面积指数LAI的反演,建立了植被指数VI-LAI模型。在VI-LAI模型中EVI、NDVI与LAI的相关性较好。利用LAI的预测值和地面实测数据进行精度的分析,结果显示EVI的三次方(Cubic)模型在各方面都优于其他植被指数和其他模型,因此选择EVI作为水稻的长势遥感监测指标。     

农作物空间格局遥感监测研究进展

遥感技术因其高时效、宽范围和低成本等优点正被广泛应用于对地观测活动中,为大区域尺度掌握农作物空间格局提供了新的科学技术手段。本文系统总结了近10年来国内外农作物空间格局遥感监测在理论、方法、实践应用等方面取得的新进展,指出了亟待解决的问题,并对今后的发展方向进行了展望。研究认为,农作物种植面积遥感监测主要根据遥感传感器记录的不同农作物光谱特征的差异,进行不同农作物种植面积的识别,方法主要包括:基于光谱特征、基于作物物候特征和基于多源数据的农作物遥感识别方法。遥感技术应用于农作物复种模式监测主要根据时间序列植被指数描述的作物季节活动过程,利用不同的拟合方法得到作物生长曲线,实现作物复种模式有效监测。农作物种植方式遥感监测是更高层次的遥感应用,主要利用时间序列遥感数据,根据作物植被指数的变化规律区分不同作物生育周期,判断不同复种模式下作物的种植顺序和方式。在未来相当长的一段时间内,建立农作物空间格局遥感监测的理论和技术体系、发展和改进遥感影像分类方法、优化时间序列遥感数据平滑技术和提高信息提取的自动化与流程化将是农作物空间格局遥感监测需要重点解决的几个关键问题。     

温室智能装备系列之十一 近地光谱技术在温室生产中的应用

研究背景 温室生产过程中的作物长势监测是作物生长管理的重要依据。科学地获取第一手的温室作物长势数据、植被生长状态、植被覆盖度等信息,能够为精准水、肥管理提供可靠的基础数据,因此也一直是温室园艺生产环节关注的热点问题。目前,应用比较广泛的是对植被指数的监测,包括LAI和NDVI。     

基于CBERS遥感的冬小麦长势分级监测

应用遥感信息技术,可实时对冬小麦长势进行分级监测预报,便于农业部门及时制定和实施相应的管理措施,达到目标化生产的目的。以江苏省姜堰市为例,进行了基于中巴资源卫星(CBERS-02)遥感的冬小麦拔节期长势分级监测研究。经过计算机分类和人机交互式判读解译,结合GPS样点信息校验,冬小麦面积解译精度在90%以上。利用遥感植被指数反演叶面积指数(LAI)等长势信息,对整个区域的冬小麦长势状况进行分级监测。叠加样点的实测数据校验,监测精度达到85%以上,最终制作区域的冬小麦长势分级专题图,并对各长势状况进行了分析。结果说明,中巴资源卫星影像数据可以满足区域冬小麦长势监测要求,并可在实际生产中进行推广应用。     

Assimilation of Remote Sensing and Crop Model for LAI Estimation Based on Ensemble Kalman Filter

Data assimilation in agricultural remote sensing research is of great significance to integrate with remote sensing observations and model simulations for parameters estimation.The present investigation not only designed and realized the Ensemble Kaiman Filtering algorithm (EnKF) assimilation by combing the crop growth model (CERES-Wheat) with remote sensing data,but also optimized and updated the key parameters (LAI) of winter wheat by using remote sensing data.Results showed that the assimilation LAI and the observation ones agreed with each other,and the R2 reached 0.8315.So assimilation remote sensing and crop model could provide reference data for the agricultural production.     

基于Bi-LSTM模型的时间序列遥感作物分类研究

【目的】及时、准确地作物分类制图是农情监测的重要依据。本研究基于双向长短期记忆网络模型探究深度学习技术在时间序列遥感作物分类与早期识别中的应用潜力。【方法】本文以黄河三角洲地区为例,以哨兵2号全年可用卫星影像为数据源,构建年时间序列NDVI数据集;采用循环神经网络构架,搭建针对结构化时序数据的双向长短期记忆网络模型（bidirectional long short-term memory,Bi-LSTM）,开展遥感作物分类,并评估模型的泛化能力;通过输入不同长度时间序列遥感数据,探究满足一定制图精度条件下的作物最早可识别时间。【结果】作物年生长时序特征对于大多数作物遥感分类识别都具有较好的区分能力,基于年时间序列NDVI数据的Bi-LSTM模型作物分类总体准确率达90.9%,Kappa系数达到0.892。通过测试不同时间序列长度对作物分类的影响发现,对大多数作物来说,其分类精度随着数据时间序列长度增加而不断提高,冬小麦、水稻等作物在生长季早期即具有较为独特的分类特征,因而利用生长季早期的时间序列影像即可获得较高的制图精度,而棉花、春玉米等作物需要完整生长序列影像才能更好地保证分类精度。【结论】卫星影像时间序列蕴含的结构化特征信息可以有效地降低特定时段的作物光谱混淆;双向循环神经网络模型能够同时考虑前向和后向的时间状态信息,可以学习作物不同阶段的光谱变化特征,在水稻、棉花、春玉米等易混淆作物的识别上表现优异;模型能够有效地把握样本总体上的变化趋势,在农作物多分类任务中表现出较好的泛化能力和鲁棒性。本研究通过集成深度学习和遥感时间序列,为及时、快速的区域作物高精度制图提供了可行的思路。     

2种水稻生长模型比较

[目的]比较ORYZA2000和WOFOST 2种模型对江西省水稻生长的模拟效果。[方法]利用江西省当地田间试验观测数据,收集水稻的关键参数,同时结合同期逐日气象数据等资料分别对ORYZA2000和WOFOST 2种模型进行比较。采用适应性评价对水稻多个生理指标进行评价与验证。[结果]以统一化均方根误差(NRMSE)来衡量作物模型的模拟结果,ORYZA2000模型模拟结果显示水稻各生物量的NRMSE值小于25%,而WOFOST模型对叶面积指数及穗生物量模拟偏差较大,分别为46%和55%。[结论]ORYZA200在穗生物量和叶面积指数的模拟中比WOFOST模型模拟效果较好。     

基于高分辨率遥感影像的玉米田叶面积指数反演

根据玉米田样地生物物理参量的野外实测数据,对PROSAIL模型输入参数的取值范围进行率定。通过PROSAIL模型参数敏感性分析,确定不同的输入参数设置方案,模拟不同的叶面积指数、叶倾角、叶绿素含量对应的玉米冠层反射率,建立叶面积指数的缨帽三角分布模式,从而获得玉米田红光-近红外波段反射率-LAI查找表,选取宁夏中卫市WV-3高分辨率遥感影像对玉米种植区域LAI进行反演。通过与实测数据比较,分析了PROSAIL模型在高分辨率遥感影像农作物LAI反演方面的适用性,为高分辨率遥感影像反演农作物LAI提供了方法参考。结果表明,PROSAIL模型输入参数的范围率定与不同设置方案的确定是有必要的,并且运用该查找表从WV-3影像反演的LAI与实测数据较一致,查找表均方根误差为0.47,LAI反演均方根误差为0.24。研究表明,该方法在利用WV-3遥感影像进行玉米田LAI反演中具有较强的适用性,能够进行准确有效的大面积叶面积指数遥感反演。     

玉米叶面积指数的普适增长模型

建立了1个模拟叶面积指数动态变化的扩充的Logistic模型,利用禹城、沈阳的玉米叶面积指数(LAI)实测资料进行了拟合,结果表明,此模式是模拟叶面积指数随地理位置、品种、播期、密度变化的统一模型．对叶面积指数与积温间关系的分析,综合了不同地理位置、不同品种、不同播期、不同密度的叶面积指数资料,得到1条相对叶面积指数变化曲线,可反映特定区域作物叶面积指数的动态变化,也可用于区域作物产量模拟和遥感估产的研究。     

基于随机森林算法的冬小麦叶面积指数遥感反演研究

【目的】通过利用随机森林算法（random forest,RF）反演冬小麦叶面积指数（leaf area index, LAI）,及时、准确地监测冬小麦长势状况,为作物田间管理和产量估测等提供科学依据。【方法】本研究依据冬小麦拔节期、挑旗期、开花期及灌浆期地面观测数据,将相关系数分析（correlation coefficient,r）和袋外数据（out-of-bag data,OOB）重要性分析与随机森林算法（random forest,RF）相结合,在优选光谱指数和确定最佳自变量个数的基础上,构建了两种冬小麦LAI反演模型|r|-RF和OOB-RF,并利用独立数据集对两种模型进行验证;然后,将所建LAI反演模型用于无人机高光谱影像,进一步检验所建模型对无人机低空遥感平台的适用性和可靠性。【结果】|r|-RF和OOB-RF反演模型分别采用相关性前5强、重要性前2强的光谱指数作为输入因子时精度最优,验证决定系数（R²）分别为0.805、0.899,均方根误差（RMSE）分别为0.431、0.307,表明这两个模型均能对作物LAI进行精确反演,其中OOB-RF模型的反演效果更好。利用无人机高光谱影像数据结合OOB-RF估算模型反演得到冬小麦LAI与地面实测值的拟合方程的决定系数R²为0.761,RMSE为0.320,数值范围（1.02-6.41）与地面实测（1.29-6.81）亦比较吻合。【结论】本文基于地面数据构建的OOB-RF模型不仅具有较高的反演精度,而且适用性强,可用于无人机高光谱遥感平台提取高精度的冬小麦LAI信息。     

LAI无人机多光谱遥感估测及其在盐渍土改良中的应用

【目的】植被产量能综合直观地反映盐渍土改良效果,冬小麦生长旺盛期的叶面积指数（LAI）是植被产量的常用衡量指标。本研究利用无人机多光谱遥感获取冬小麦生长旺盛期的叶面积指数分布数据,对盐渍土改良效果进行客观准确评价,为人们筛选盐渍土改良技术和产品提供科学指导。【方法】以无棣县渤海粮仓滨海盐渍土改良试验区为研究区,基于无人机多光谱遥感数据,利用线性回归分析、偏最小二乘、随机森林和支持向量机等方法,构建拔节期冬小麦LAI反演模型;并利用因子分析法对盐渍土地区抽样地块进行改良效果评价,建立盐渍土改良效果LAI评价模型,基于该评价模型对整个试验区盐渍土改良效果进行评价。【结果】对冬小麦LAI遥感估测而言,并不是分辨率越高越好,而是5×5均值平滑后的光谱数据与一垄小麦叶面积指数的对应最佳。LAI遥感估测模型中,利用支持向量机建立的模型精度最高。改良效果LAI评价模型的预测结果表明,LAI对盐渍土改良效果的预测精度较高,改良效果最优地块的编号为26、27、28、29、30和31,最优改良方法为引黄淤灌和增施有机肥综合改良措施。【结论】无人机遥感可对盐渍土地区拔节期冬小麦的叶面积指数进行准确反演,基于LAI反演结果的盐渍土改良效果评价能够从众多试验小区中定位出最优的改良效果。与传统方法相比,该方法具有成本低廉、精度高等优势,研究结果有广泛推广前景,可以为盐渍土的改良提供重要技术支持。