冬小麦叶面积指数高光谱遥感反演方法对比

冬小麦叶面积指数(LAI,leafarea index)是评价其长势和预测产量的重要农学参数,高光谱遥感能够实现快速无损地监测叶面积指数。该文旨在将田间监测与高光谱遥感相结合,探索研究不同冬小麦叶面积指数高光谱反演方法的模拟精度及适应性。针对国际上普遍应用的2种高光谱遥感反演LAI模型方法,即回归分析法和BP神经网络法,在介绍2种LAI反演模型的基础上,选择位于黄淮海平原的山东省济南市长清区为研究区域,通过ASD地物光谱仪和SunScan冠层分析系统对冬小麦的冠层光谱及LAI变化进行田间观测,然后利用回归分析法和BP神经网络法构建冬小麦LAI反演模型,将模型估算LAI值和田间观测LAI值进行比对,分析评价2种方法的反演精度。结果表明,BP神经网络法较回归分析法估算冬小麦LAI的精度有较大提高,检验方程的决定系数(R2)为0.990、均方根误差(RMSE)为0.105。利用BP神经网络法构建反演模型能较好的对冬小麦LAI进行反演。研究结果可为不同冬小麦长势遥感监测提供理论和技术上的支持,并为大尺度传感器监测冬小麦长势和估产提供参考。     

基于RGB图像与深度学习的冬小麦田间长势参数估算系统

为准确、快速获取冬小麦田间长势信息,该研究设计并实现了一种基于深度学习的冬小麦田间长势参数估算系统。该系统主要包含长势参数估算模块和麦穗计数模块。长势参数估算模块基于残差网络ResNet18构建长势参数估算模型,实现了冬小麦苗期叶面积指数（Leaf Area Index,LAI）和地上生物量（Above Ground Biomass,AGB）的估算,并基于迁移学习进行泛化能力测试;麦穗计数模块基于Faster R-CNN并结合非极大值抑制（Non Maximum Suppression,NMS）构建麦穗计数模型,实现了开花期麦穗准确计数。结果表明,针对2017-2018和2018-2019两个生长季数据,基于ResNet18的长势参数估算模型对LAI估算的决定系数分别为0.83和0.80,对AGB估算的决定系数均为0.84,优于基于传统卷积神经网络（Convolutional Neural Networks,CNN）、VGG16和GoogLeNet构建的估算模型,并且泛化能力测试表明该模型对数据的季节性差异鲁棒。基于Faster R-CNN的麦穗计数模型,在利用NMS优化后决定系数从0.66增至0.83,提升了25.8%,NRMSE从0.19降至0.05,下降了73.7%。相较于基于CNN构建的分类计数模型,基于Faster R-CNN+NMS的麦穗计数模型表现更优,决定系数为0.83,提升了33.87%,单个麦穗识别时间为1.009 s,效率提升了20.55%。综上所述,该系统能够满足冬小麦田间长势参数估算需求,为冬小麦田间精细化管理提供支撑。     

Comparison of two inversion methods for winter wheat leaf area index based on hyperspectral remote sensing

冬小麦叶面积指数（LAI, leaf area index）是评价其长势和预测产量的重要农学参数,高光谱遥感能够实现快速无损地监测叶面积指数。该文旨在将田间监测与高光谱遥感相结合,探索研究不同冬小麦叶面积指数高光谱反演方法的模拟精度及适应性。针对国际上普遍应用的2种高光谱遥感反演LAI模型方法,即回归分析法和BP神经网络法,在介绍2种LAI反演模型的基础上,选择位于黄淮海平原的山东省济南市长清区为研究区域,通过ASD地物光谱仪和SunScan冠层分析系统对冬小麦的冠层光谱及LAI变化进行田间观测,然后利用回归分析法和BP神经网络法构建冬小麦LAI反演模型,将模型估算LAI值和田间观测LAI值进行比对,分析评价2种方法的反演精度。结果表明,BP神经网络法较回归分析法估算冬小麦LAI的精度有较大提高,检验方程的决定系数（R2）为0.990、均方根误差（RMSE）为0.105。利用BP神经网络法构建反演模型能较好的对冬小麦LAI进行反演。研究结果可为不同冬小麦长势遥感监测提供理论和技术上的支持,并为大尺度传感器监测冬小麦长势和估产提供参考。     

基于赤池信息量准则的冬小麦叶面积指数高光谱估测

冬小麦叶面积指数(leaf area index,LAI)是描述冠层结构的重要参数之一,对评价其长势和预测产量具有重要意义。该文利用灰色关联分析(grey relational analysis,GRA)对植被指数进行排序,用偏最小二乘法(partial least squares regression,PLS)选择不同的植被指数个数作为自变量进行回归建模,通过赤池信息量准则(Akaike’s information criterion,AIC)选择AIC值最小的模型作为冬小麦LAI最优估算模型,即GRA、PLS和AIC 3种方法整合建立冬小麦LAI最优估算模型。使用2008-2009年在中国北京通州区和顺义区获取的整个生育期冬小麦LAI和配套的光谱数据进行建模,利用2009-2010相关数据进行验证。研究表明:采用GRA评价标准与冬小麦LAI关联度最大的植被指数是VOG1,关联度最小的植被指数是SR;通过AIC建立的以8个植被指数作为自变量的冬小麦LAI模型效果最优,建模集的决定系数R2和标准误SE分别为0.76和0.009,验证集的R2和相对均方根误差RRMSE分别为0.63和0.004,预测模型和验证模型均具有较高的精度和可靠性。结果表明采用GRA-PLS-AIC方法进行冬小麦LAI反演是可行的,为提高冬小麦LAI遥感预测精度提供了一种有效的方法。     

基于无人机数码影像的冬小麦株高和生物量估算

高效、快速地获取作物的株高和生物量信息,对农业生产有重要意义。该文利用2015年4月-6月获得了冬小麦拔节期、挑旗期和开花期的高清数码影像。首先基于无人机高清数码影像生成冬小麦的作物表面模型(crop surface model,CSM),利用CSM提取出冬小麦的株高(Hcsm),然后利用提取的21种数码影像图像指数,构建了拔节期、挑旗期和开花期混合的多生育期生物量估算模型,并进行单生育期和多生育期模型对比分析;最后选择逐步回归(stepwise regression,SWR)、偏最小二乘(partial least square,PLSR)、随机森林(random forest,RF)3种建模方法对多生育期估算模型进行对比,挑选出冬小麦生物量估算的最优模型。结果表明,提取的Hcsm和实测株高(H)具有高度拟合性(R2=0.87,RMSE=6.45 cm,NRMSE=11.48%);与仅用数码影像图像指数构建的生物量估算模型相比(R2=0.721 2,RMSE=0.137 2 kg/m2,NRMSE=26.25%),数码影像图像指数融入H和Hcsm所得模型效果更佳,其中融入Hcsm的模型精度和稳定性(R2=0.819 1,RMSE=0.110 6 kg/m2,NRMSE=21.15%)要优于加入株高H所构建的估算模型(R2=0.794 1,RMSE=0.117 9 kg/m2,NRMSE=22.56%);SWR生物量估算模型(R2=0.7212)效果优于PLSR(R2=0.677 4)和RF(R2=0.657 1)生物量估算模型。该研究为冬小麦生长状况高效、快速监测提供参考。     

基于手机相机获取冬小麦冠层数字图像的氮素诊断与推荐施肥研究

本文利用不同型号手机、通过不同拍摄角度获取冬小麦拔节期冠层图像,并对其图像进行色彩参数的提取、处理与分析,与传统小麦氮素营养指标进行相关性分析,筛选出敏感色彩参数,对二者进行拟合建模,建立了冬小麦氮素营养诊断指标体系和推荐施肥指标体系,为作物精准施肥提供参考。研究结果表明,在获取冬小麦冠层图像时,适宜从逆光俯视的角度拍摄,不同型号的手机拍照获取的冠层图像色彩参数没有明显差异,冠层图像色彩参数中可见光大气阻抗植被指数(VARI)及红光标准化值[R/(R+G+B)]与传统诊断指标叶片SPAD值、茎基部硝酸盐浓度均有显著的相关关系;其中VARI最为敏感,可作为冬小麦氮素营养诊断的色彩参数指标,诊断方程为冬小麦茎基部硝酸盐浓度=1.481×106×VARI4.987,依据此给出了不同VARI值下的冬小麦营养状况以及推荐施氮量。并基于此研究成果进行了手机软件开发,建立了一款针对冬小麦氮素营养诊断与推荐施肥的软件,为基于手机相机开展冬小麦氮素营养诊断与推荐施肥技术的推广与应用提供了技术支撑。     

基于Hyperion影像的玉米冠层叶绿素含量估算

采用高光谱卫星数据进行玉米叶片和冠层尺度的叶绿素含量估算,对现代农业技术的发展有重要意义。首先,采用以α为倾斜度参数的双曲正切S型函数为基础的误差反向传播(back propagation,BP)算法前馈神经网络(hyperbolic tangent sigmoid function-back propagation,Htsf-BP)构建叶片尺度的叶绿素含量高光谱遥感估算模型;以几何光学辐射传输模型(4-scale模型)为理论依据,对叶片和冠层尺度的光谱转化函数进行推导,实现Hyperion影像冠层尺度光谱到叶片光谱的转化,同时获取叶片尺度叶绿素含量估算结果;最后,结合叶面积指数(leaf area index,LAI)进行冠层尺度叶绿素含量估算。结果表明:当隐含层结点数为6时,Htsf-BP神经网络法对叶绿素的估算精度最高,验证精度达78.68%;在波长750与980 nm处,采用光谱尺度转化方程进行模拟的冠层光谱与实测冠层光谱间的相关系数R2值分别达到了0.784和0.706;实测叶片尺度叶绿素含量与模拟结果间的相关系数R2值达0.726。该方法可为高精度快速估算叶片和冠层尺度玉米叶绿素含量提供参考。     

基于高光谱维数约简与植被指数估算冬小麦叶面积指数的比较

高光谱遥感反演LAI时,由于实际样本数远小于光谱维数,易导致基于全谱段建立的模型不稳定。针对该问题,该文提出将基于原始光谱反射率与LAI相关性和基于光谱曲线特征的2种波段选择方式分别与主成分回归(PCR)或偏最小二乘回归(PLSR)结合的高光谱维数约简方法,估算冬小麦LAI。并选择归一化植被指数(NDVI)、增强型植被指数(EVI)、重归一化植被指数(RDVI)、修正土壤调节植被指数(MSAVI)和三角形植被指数(TVI)5种代表性植被指数,利用2009、2010年实测大田冬小麦冠层高光谱和LAI数据,将提出的基于维数约简的方法与基于植被指数的LAI估算方法进行了比较,独立样本集验证结果和交叉验证结果均表明,提出的基于维数约简的方法比基于植被指数方法的估算精度高,在交叉验证结果中,基于维数约简的方法R2最高达到0.818,相应RMSE为0.685。该研究可为后续基于高光谱的LAI估算提供参考。     

冬小麦冠层对入射光合有效辐射吸收比例的估算方法评价

目前研究估算作物冠层对入射光合有效辐射的吸收比例 (fAPAR)时多采用冠层光能截获效率 (fIPAR)、冠层叶面积指数 (LAI) 和Beer-Lambert法则、冠层光谱植被指数等信息。该文以冬小麦为例,利用田间观测数据序列 (包括冠层LAI、冠层fIPAR和冠层光谱特性等方面)对各种fAPAR估算方法进行了较为全面的总结、分析、评价,以明确各法的优势和不足,为今后相关研究提供参考。结果表明,冬小麦营养生长期内fAPAR与fIPAR值较为接近,而冬小麦生殖生长期内二者差异显著;整个研究时段内,利用fIPAR估算的fAPAR结果较好;根据叶面积指数和Beer-Lambert法则估算的fAPAR在抽穗至腊熟期间结果偏小,原因在于该法不能体现穗部对光合有效辐射的有效吸收;直接借用文献记载的fAPAR～NDVI（归一化差值植被指数）函数关系估算的fAPAR在冬小麦营养生长阶段及生殖生长季末期均明显偏大。此外,通过将fAPAR与NDVI、比值植被指数 (RVI)、土壤调整植被指数 (SAVI)、修改型土壤调整植被指数 (MSAVI)等常用植被指数进行相关性分析,发现fAPAR与NDVI的相关关系最强,基于田间数据证实了采用NDVI估算fAPAR的合理性。     

基于敏感光谱波段图像特征的冬小麦LAI和地上部生物量监测

叶面积指数(LAI,leaf area index)和地上部生物量是评价冬小麦长势的重要农学参数,其实时动态监测对冬小麦的长势诊断、产量预测和管理调控等具有重要意义。该研究通过分析叶面积指数、地上部生物量与冬小麦冠层光谱参数的相关性,筛选出冬小麦长势指标敏感波段及最佳带宽范围;基于敏感光谱波段下图像的彩色因子,构建冬小麦叶面积指数和地上部生物量监测模型。结果表明,叶面积指数、地上部生物量长势指标的敏感波段及最佳带宽范围为(560±6)和(810±10)nm。敏感波段560、810 nm波段下获得的图像特征因子中,RGB颜色空间R810、G560、B810对叶面积指数的拟合效果最好,决定系数高达0.989;HSI颜色空间H810、S810、I560对地上部生物量的拟合效果最好,决定系数为0.937。试验数据检验表明,叶面积指数、地上部生物量监测模型的均方根误差RMSE分别为0.4515、3.3556,相对误差分别为15.7%、15.9%,所构建监测模型的精确度较高。因此,基于敏感光谱波段及相应图像特征构建的监测模型可有效对冬小麦叶面积指数、地上部生物量进行实时、快速、准确监测与诊断。     

基于多源无人机影像特征融合的冬小麦LAI估算

为探讨无人机多源影像特征融合估测作物叶面积指数的能力,该研究以冬小麦为研究对象,利用多旋翼无人机搭载高清数码相机和UHD185成像光谱仪获取研究区冬小麦关键生育期（扬花期、灌浆期）的可见光和高光谱影像。综合考虑可见光、高光谱影像特征与冬小麦叶面积指数的相关性及影像特征重要性进行特征筛选,然后,以可见光植被指数、纹理特征、可见光植被指数+纹理特征、高光谱波段、高光谱植被指数及高光谱波段+植被指数分别作为输入变量构建多元线性回归、支持向量回归和随机森林回归的叶面积指数估测模型（单传感器数据源）;以优选的两种影像特征结合支持向量回归、随机森林回归构建叶面积指数估测模型（两种传感器数据源）,比较分析单源与多源影像特征监测冬小麦叶面积指数的性能。进一步地,考虑到小区土壤空间异质性会影响冬小麦叶面积指数估测结果,该研究探讨了不同影像采样面积下基于单源遥感数据构建的小麦叶面积指数估测模型精度。研究结果表明：在扬花期和灌浆期,使用两种影像优选特征构建的随机森林回归估测模型精度最佳,验证集决定系数分别为0.733和0.929,均方根误差为0.193和0.118。可见光影像采样面积分别为30%和50%,高光谱影像采样面积为65%时,基于单源影像特征构建的随机森林回归估测模型在扬花期和灌浆期效果最好。综上,该研究结果可为无人机遥感监测作物生理参数提供有价值的依据和参考。     

基于无人机数码影像和高光谱数据的冬小麦产量估算对比

作物产量准确估算在农业生产中具有重要意义。该文利用无人机获取冬小麦挑旗期、开花期和灌浆期数码影像和高光谱数据,并实测产量。首先利用无人机数码影像和高光谱数据分别提取数码影像指数和光谱参数,然后将数码影像指数和光谱参数与冬小麦产量作相关性分析,挑选出相关性较好的9个指数和参数,最后以选取的数码影像指数和光谱参数为建模因子,通过MLR(multiple linear regression,MLR)和RF(random forest,RF)对产量进行估算。结果表明:数码影像指数和光谱参数与实测产量均有很强的相关性。利用数码影像指数和光谱参数通过MLR和RF构建的产量估算模型均在灌浆期表现精度最高,在灌浆期,数码影像指数和光谱参数构建的MLR模型R~2和NRMSE分别为0.71、12.79%,0.77、10.32%。对模型对比分析可知,以光谱参数为因子的MLR模型精度较高,更适合用于估算冬小麦产量。利用无人机遥感数据,通过光谱参数建立的MLR模型能够快速、方便地对作物进行产量预测,并可以根据不同生育期的产量估算模型有效地对作物进行监测。     

基于无人机数码影像的冬小麦叶面积指数探测研究

叶面积指数(LAI)是评价作物长势的重要农学参数之一,利用遥感技术准确估测作物叶面积指数(LAI)对精准农业意义重大。目前,数码相机与无人机系统组成的高性价比遥感监测系统在农业研究中已取得一些成果,但利用无人机数码影像开展作物LAI估测研究还少有尝试。为论证利用无人机数码影像估测冬小麦LAI的可行性,本文以获取到的3个关键生育期(孕穗期、开花期和灌浆期)冬小麦无人机数码影像为数据源,利用数字图像转换原理构建出10种数字图像特征参数,并系统地分析了3个生育期内两个冬小麦品种在4种氮水平下的LAI与数字图像特征参数之间的关联性。结果表明,在LAI随生育期发生变化的同时,10种数字图像特征参数中R/(R+G+B)和本文提出的基于无人机数码影像红、绿、蓝通道DN值以及可见光大气阻抗植被指数(VARI)计算原理构建的数字图像特征参数UAV-based VARIRGB也有规律性变化,说明冬小麦的施氮差异不仅对LAI有影响,也对某些数字图像特征参数有一定影响;在不同条件(品种、氮营养水平以及生育期)下的数字图像特征参数与LAI的相关性分析中,R/(R+G+B)和UAV-based VARIRGB与LAI显著相关。进而,研究评价了R/(R+G+B)和UAV-based VARIRGB构建的LAI估测模型,最终确定UAV-based VARIRGB为估测冬小麦LAI的最佳参数指标。结果表明UAV-based VARIRGB指数模型估测的LAI与实测LAI拟合性较好(R2=0.71,RMSE=0.8,P0.01)。本研究证明将无人机数码影像应用于冬小麦LAI探测是可行的,这也为高性价比无人机遥感系统的精准农业应用增添了新成果和经验。     

基于图像处理技术的小麦叶面积指数的提取

为了较好地模拟叶面积指数的变化动态,在大田条件下进行试验,获取5个品种5个密度下不同发育期的小麦群体冠层数字图像,并手工测得实际叶面积。通过研究设计了复杂背景下小麦冠层图像叶面指数的有效提取方法,将图像处理得到的叶面积指数数据与实际测得的数据进行拟合建立模型。结果表明：品种、密度和发育期的差异对拟合模型参数影响显著,对模型经过随机抽取样本图像进行假设检验,均能够通过检验。模型的相关系数平方均达到0.86以上,能够实现高精度的小麦冠层叶面积指数的估测。     

基于四维变分和集合卡尔曼滤波同化方法的冬小麦单产估测

为了通过数据同化方法提高冬小麦的估产精度,以陕西省关中平原为研究区域,采用标定的CERES-Wheat模型模拟8个典型样点冬小麦整个生育期的叶面积指数(LAI),通过四维变分(4DVAR)和集合卡尔曼滤波(En KF)2种同化算法同化CERES-Wheat模型模拟的LAI和遥感数据反演的LAI,获得单点尺度的LAI同化数据,将单点尺度的LAI同化值扩展到区域尺度,对两种同化方法的单点尺度和区域尺度的同化结果进行对比与分析。结果表明,两种同化方法均能综合遥感反演LAI和模型模拟LAI的优势,使LAI同化值更符合冬小麦LAI的实际变化规律;在单点尺度和区域尺度上,En KF-LAI均更能反映关中平原冬小麦的实际生长状况。采用En KF-LAI构建关中平原冬小麦估产模型估测2008年和2014年的冬小麦单产,通过实测单产对估产模型进行验证,结果表明,2008年样点估测单产与实测单产的相对误差均小于15%,部分县估测单产与实测单产的相对误差均小于10%;与2014年模拟单产与实测单产间的相对误差相比,估测单产与实测单产间的相对误差降低0.57%~9.30%,RMSE降低217 kg/hm2,其中,8个样点的估产精度达到94%以上,表明组合估产模型的估产精度较高。     

基于WOFOST模型的中国主产区冬小麦生长过程动态模拟

大区域尺度WOFOST(world food studies)模型的动态模拟是作物模型区域应用的重要基础。该文以中国冬小麦主产区为研究对象,利用中国冬小麦主产区内174个农业气象站多年观测数据以及气象站点观测数据,重点优化WOFOST模型中与品种相关的积温参数,即出苗至开花有效积温与开花至成熟有效积温。在冬小麦主产区分区的基础上,以2012—2015年气象数据驱动WOFOST模型,在站点尺度进行冬小麦的物候期、叶面积指数(leaf area index,LAI)和单产动态模拟和精度分析。结果表明:WOFOST模型模拟出苗至开花天数的决定系数R2为0.89~0.94,均方根误差RMSE为7.87~11.52 d,模型模拟开花至成熟天数的R2为0.63~0.77,RMSE为2.99~4.65 d;模型模拟LAI的R2为0.70~0.83,RMSE为0.89~1.46 m2/m2;灌溉区WOFOST模拟的单产精度R2为0.45~0.59,RMSE为734~1 421 kg/hm2;雨养区WOFOST模拟的单产精度R2为0.48~0.61,RMSE为1 046~1 329 kg/hm2。结果表明,WOFOST模型在全国尺度取得了较高模拟精度,为区域尺度作物模型的农业应用提供了坚实的过程模型基础。     

机器学习结合高光谱植被指数与SPAD值估算冬小麦氮含量

冬小麦叶片氮含量与叶片光合作用和营养状况密切相关,直接影响植株生长发育,而茎秆中的氮含量与茎秆中纤维素、半纤维素和木质素的比例和含量密切相关,直接影响茎秆质量及植株的抗倒伏能力。然而,有关对冬小麦茎秆氮含量估算研究较为有限,限制了从氮含量角度判断茎秆质量及对倒伏的预测能力。为精准估算冬小麦不同器官（叶片、茎秆）氮含量,该研究通过2年田间试验,获取冬小麦4个关键生育期（拔节期、抽穗期、开花期、灌浆期）和3种施氮水平条件下（N1、N2和N3）的冠层光谱反射率、叶片、茎秆氮含量及叶片SPAD (soil and plant analyzer development, SPAD)值。分析了不同生育期和施氮水平条件下高光谱植被指数对叶片和茎秆氮含量的敏感性,并结合5种常用的机器学习算法：随机森林回归（random forest regression,RFR）、支持向量回归（support vector regression,SVR）、偏最小二乘回归（partial least squares regression,PLSR）、高斯过程回归（gaussian process regression,GPR）、深度神经网络回归（deep neural networks,DNN）构建冬小麦叶片和茎秆氮含量估算模型。结果表明：高光谱植被指数对叶片和茎秆氮含量的敏感性受到生育期和施氮水平的影响。在灌浆期,最佳植被指数双峰冠层植被指数 DCNI（double-peak canopy nitrogen index）对叶片氮含量的敏感性最高,R²为0.866。对茎秆氮含量,在抽穗期的敏感性最高,最佳植被指数归一化叶绿素比值指数 NPQI（normalized phaeophytinization index）与氮含量相关系数R²＝0.677。施氮水平的提升增加了光谱植被指数对茎秆氮含量的敏感性。结合SPAD值的机器学习算法提升了氮含量的估算精度,对叶片氮含量,在不同生育期和施氮水平条件下估算精度提升了1%～7%,其中在全生育期的归一化均方根误差NRMSE从0.254提升到0.214,抽穗期的NRMSE提升最大,从0.201提升到0.128。对茎秆氮含量,全生育期的NRMSE从0.443提升到0.400,抽穗期的NRMSE提升最大,从0.323提升到0.268。在全生育期,结合SPAD值的DNN模型对叶片（R²=0.782、NRMSE=0.214）和茎秆（R²=0.802、NRMSE=0.400）氮含量的估算精度最佳。研究说明,SPAD值与光谱植被指数结合有利于提升冬小麦不同生育期和施氮水平条件下叶片和茎秆氮含量的估算精度。     

基于CNN-RNN网络的中国冬小麦估产

在大范围内快速、准确地预估作物产量,对作物管理、粮食安全、粮食贸易和决策有重要意义。遥感为大规模作物估产提供了便利,大多数研究者结合深度学习和遥感影像取得了较好的结果。然而,农作物生长状态随时间变化,其产量具有非线性时空特征,单一的深度学习方法无法充分利用影像信息。因此,该研究提出了一种基于卷积神经网络（Convolutional Neural Networks,CNN）和门控循环单元（Gated Recurrent Unit,GRU）混合神经网络估产模型（CNN-GRU）,利用CNN从多光谱遥感影像中提取丰富的空间-光谱特征,在此基础上,结合GRU从多时相遥感影像中自适应学习冬小麦生育期各阶段之间的时间依赖,从多尺度融合冬小麦的生长特征并对其产量进行回归预测。该研究以全国冬小麦主产区为研究区,选取2001-2018年MODIS影像和冬小麦产量数据,构建了冬小麦估产数据集,并验证了CNN-GRU估产模型的性能。结果表明：1）以2016-2018年估产样本作为测试集,CNN-GRU估产模型的均方根误差（Root Mean Square Error,RMSE）年平均值为818.3 kg/hm2,相较于CNN、GRU、支持向量回归（Support Vector Regression,SVR）、随机森林（Random Forest,RF）和决策树（Decision Tree,DT）模型分别降低了20.13%、18.81%、29.51%、34.84%和36.57%;2）将冬小麦整个生育期划分为6个时间窗,CNN-GRU估产模型在灌浆-成熟期时精度最高,RMSE为817 kg/hm2,而抽穗-开花期的RMSE为823 kg/hm2,相较于灌浆-成熟期高0.7%。因此,该估产模型有能力提前2个月预测全国冬小麦主产区产量。