基于MODIS与WOFOST模型同化的区域冬小麦成熟期预测

针对遥感技术只能获取作物的表征信息、对作物内在机理过程变化描述较为困难的问题,引入作物生长模型与遥感数据同化进行作物成熟期预测研究。以叶面积指数(LAI)作为耦合变量,以MODIS LAI(MCD15A3H产品)作为遥感数据源,结合2017—2018年实时气象数据以及气象预报数据,以2018年5月1日为预报时间节点,构建LAI归一化代价函数,采用复合形混合演化算法(Shuffled complex evolution-University of Arizona,SCE-UA)最小化代价函数,优化WOFOST作物模型的输入参数,用优化后的参数重新驱动WOFOST模型逐像元模拟冬小麦生长过程,得到研究区冬小麦成熟期的预测结果,并使用研究区内农业气象站点的观测数据进行验证。结果表明,冬小麦预测开花期、成熟期的均方根误差(RMSE)分别为2. 10、2. 48 d,预测精度较高。该方法能够为农作物的大区域成熟期预测提供重要理论基础。     

基于GM(1,N)模型的生姜种植面积预测

生姜作为我国农产品中重要的经济作物之一,对其种植面积进行科学准确的预测,可以为农户调整种植规模提供参考,为政府的宏观调控和企业的经营决策提供依据。基于近十年的全国生姜种植面积及影响因素数据,首先从经济、投入及产出三个方面对全国生姜种植面积的影响因素进行灰色关联分析,进而选取影响最大的产量、单产、价格、化肥化肥施用折纯量与人均耕地面积5个因素建立GM(1,5)预测模型。结果表明:该模型相对误差为3.636%,可用于我国生姜种植面积的预测。应用该模型对我国未来生姜种植面积进行预测,未来五年我国生姜种植面积在下降之后呈现逐年增长的态势,种植面积波动对我国生姜供求平衡和市场稳定可能会产生不利影响,并针对该现象提出稳定生姜产业的相关建议。     

基于灰色-马尔柯夫模型的中国农业机械总动力预测

灰色一马尔柯夫预测方法能够较好地解决既有趋势性又有较大波动性的数据序列的预测问题,且具有计算简便、精度高的特点.为此,利用该方法对我国农机总动力需求进行了预测分析,为农业机械化发展提供了依据.     

基于植物功能-结构模型的玉米-大豆条带间作光截获行间差异研究

间作种植形成了异质冠层空间结构,但因此导致的作物生长、表型和光截获的行间差异目前还少有定量化。为解析条带间作生产力的行间差异,本研究基于田间观测数据构建植物功能-结构模型（Functional-Structural Plant Model,FSPM）,量化间作系统中光截获的行间差异。于2017—2018年开展了玉米和大豆单作、2行玉米和2行大豆的2:2 MS间作以及3行玉米和6行大豆的3:6 MS间作田间试验。基于植物生长平台GroIMP开发了玉米-大豆间作的FSPM,模型较好地模拟了叶面积指数（Leaf Area Index,LAI）、株高和光截获系数动态三个指标,均方根误差（Root Mean Square Error,RMSE）分别为0.24～0.70 m²/m²、0.06～0.17 m和0.06～0.10。田间试验结果表明,间作种植显著增加了玉米节间直径。受玉米遮阴影响,大豆节间变长、变细,且随大豆条带变窄差异越明显。模型模拟的2:2 MS间作玉米光截获比单作玉米高35.6%,3:6 MS边行玉米和内行玉米的光截获分别比单作玉米高27.8%和20.3%。2:2 MS与3:6 MS边行大豆的光截获比单作大豆分别少36.0%和28.8%;3:6 MS大豆内I行和内II行比单作大豆的光截获分别少4.1%和1.8%。基于三维FSPM,未来可进行不同生长环境下间作种植模式等的布局优化,以达到最佳系统光截获优势。     

基于叶面积指数的河北中部平原夏玉米单产预测研究

为解决玉米单产预测的时效性和业务化问题,以河北中部平原为研究区域,选取与籽粒产量密切相关的叶面积指数(LAI)作为遥感特征参数,对研究区2016—2018年夏玉米单产进行预测研究。基于求和自回归移动平均(ARIMA)模型及径向基神经网络(RBFNN)分别逐像素预测研究区域的LAI,结果表明,基于ARIMA模型的LAI预测精度比RBF神经网络的预测精度高,1步、2步LAI预测结果的RMSE较RBF神经网络分别降低了0.18、0.14 m2/m2,更适合于河北中部平原的夏玉米单产预测。基于LAI监测数据和加权LAI与夏玉米单产的相关性研究成果,并结合基于ARIMA模型的LAI预测数据,得到2016—2018年夏玉米监测单产和向前1旬、2旬和3旬的单产预测结果。结果表明,无论是县域尺度还是像素尺度,向前1、2、3旬夏玉米的单产预测精度均较高,2016—2018年县域尺度预测单产与监测单产间最大相对误差仅为3.73%。     

基于优化PROSAIL叶倾角分布函数的玉米LAI反演方法

叶面积指数(LAI)是描述玉米冠层结构的重要参数之一,PROSAIL模型是常用于反演LAI的机理模型,能较为真实地反演植被冠层真实情况,但PROSAIL模型中使用的叶倾角分布函数假定区域内所有作物叶倾角分布是相同的,不能反映玉米植株真实的叶倾角分布情况。本研究以高分一号遥感影像和地基激光雷达点云数据作为数据源,充分利用地基激光雷达(TLS)在获取植被结构参数上的优势,通过体素化的方法对玉米叶片回波点云进行分割,获取每个拟合叶片单元的叶倾角,进而得到玉米植株真实的叶倾角分布,结合椭球分布函数得到玉米精确的叶倾角分布函数,实现对PROSAIL模型中叶倾角分布函数的优化。研究过程中分别基于未改进的PROSAIL模型和经过TLS优化后的PROSAIL模型反演黑龙江825农场主要玉米种植区的LAI。LAI反演结果表明:2种反演方法得到的LAI与实测LAI都具有较好的相关性,决定系数R2分别为0.557 6和0.858 3,模型可信度较高;但基于PROSAIL模型反演所得LAI结果偏低,在利用TLS数据提取叶倾角对模型进行优化后,反演LAI的估算精度由26.53%提高到96.23%。由此可知,通过引入TLS点云数据改进农作物叶倾角分布函数能大幅度提高LAI反演的准确性。     

夏玉米叶面积指数遥感反演研究

利用LAI-2000的观测数据与基于HJ卫星遥感数据生成的植被指数,结合3种常用的回归模型,构造了夏玉米分别按全生育期、不同生育阶段和阈值分段的叶面积指数(Leaf area index,LAI)反演模型;获取了3种模式下LAI的最优反演模型;在验证和评价各模型可靠性之后,生成了夏玉米在营养生长期、抽雄期和生殖生长期的LAI分布图;并将基于HJ影像反演得到的LAIHJ与MODIS LAI产品(MOD15A2)LAIM进行了对比。研究发现,与各种通用植被指数相比,针对HJ CCD数据构造的环境植被指数HJVI与LAI的相关性在3种反演模式中均为最佳。HJVI与全生育期LAI的相关性达到0.875,在不同生育阶段与LAI的相关性也高于其他植被指数(营养生长期线性模型最佳,决定系数为0.769;抽雄期对数模型最佳,决定系数为0.783;生殖生长期指数模型最佳,决定系数为0.703)。普适性植被指数中,OSAVI适用于夏玉米生长前中期的LAI反演,NDVI适用于夏玉米生长后期的LAI反演。在夏玉米全生育期内,各植被指数与LAI的相关性整体较高,但最优回归模型出现在按不同生育阶段反演的模式中。LAI小于3时EVI为精度最佳指数(决定系数为0.358),LAI不小于3时OSAVI为精度最佳指数(决定系数为0.515)。在夏玉米3个生育阶段,LAIM与LAIHJ的相关性分别达到0.732、0.761、0.661。HJ遥感数据具有较强的LAI反演能力,其高时间和高空间分辨率的特征可以使其代替传统的中分辨率遥感数据而成为农业遥感研究的重要数据源。     

基于无人机多光谱遥感的夏玉米叶面积指数估算方法

无人机多光谱遥感技术可以快速、无损地监测农作物叶面积指数（LAI）。为研究水分胁迫条件下,利用无人机多光谱植被指数估算夏玉米LAI的可行性,本研究基于无人机多光谱遥感系统,结合同时期实地采集的夏玉米LAI,选择5种植被指数,包括归一化差值植被指数（NDVI）、土壤调节植被指数（SAVI）、增强型植被指数（EVI）、绿度归一化植被指数（GNDVI）和抗大气指数（VARI）,作为模型输入参数,使用随机森林回归算法建立全生育期不同灌溉条件下大田玉米冠层植被指数与LAI之间的关系模型,并与一元线性回归和多元线性回归算法建立的模型进行对比分析。结果表明,在充分灌溉条件下,植被指数的多元线性回归模型可以较好地估算LAI（R² = 0.83）;在水分胁迫条件下,植被指数的随机森林回归模型可以较好地估算LAI（R² = 0.74~0.87）,水分胁迫因素对该模型影响较小,且NDVI和VARI对估算LAI的贡献最大。上述结果表明基于无人机多光谱遥感技术,使用随机森林回归算法估算多种灌溉条件下的夏玉米LAI是可行的。该研究为实现快速、准确地监测全生育期不同灌溉条件下的大田夏玉米LAI提供了技术和方法支持。     

基于MK—SVR模型的小麦叶面积指数遥感反演

提出了运用多核支持向量回归(MK-SVR)算法构建小麦叶面积指数(LAI)遥感监测模型。以2010—2013年试验样点小麦拔节、孕穗、开花3期的实测LAI数据为基础,同步获取我国自主研发的环境减灾卫星HJ-CCD对该研究区域的影像数据,分析了各生育期小麦LAI与8种植被指数间的相关性。以显著相关的植被指数作为输入参数,使用MK-SVR算法构建了每个生育期的小麦LAI反演模型,即MK-SVR-LAI模型。为了评价模型,每期使用单一核支持向量回归(SK-SVR)、偏最小二乘(PLS)回归算法构建了SK-SVR-LAI、PLS-LAI模型。将模型估算LAI值和田间观测LAI值进行比对,以决定系数(R2)和均方根误差(RMSE)为指标评价并比较了模型。结果表明:3个生育期MK-SVR-LAI模型的RMSE值均低于参比模型,拔节期为0.293 1,孕穗期为0.466 8,开花期为0.548 6,且该模型的R2也都最高,拔节期为0.762 4,孕穗期为0.801 8,开花期为0.668 9。     

基于叶面积指数的夏玉米叶片临界氮浓度稀释曲线研究

为构建基于叶面积指数(LAI)的夏玉米叶片临界氮浓度稀释曲线,于2018、2019年在关中地区进行了不同水氮供应的田间试验,试验设置了3个水分水平:雨养(RF)、亏缺灌溉(DI)和充分灌溉(FI),4个氮肥水平:0、90、150、210 kg/hm2,研究基于LAI的夏玉米叶片临界氮浓度稀释曲线对不同水分供应的响应,分...     

基于车载三维激光雷达的玉米叶面积指数测量

为使用车载三维激光雷达快速获取作物的株高、叶面积指数(LAI)等作物形态参数,以玉米为研究对象,采用车载三维激光雷达点云数据,提出了一种基于玉米分层点云数量或分层点云数量与地面点云数量比值计算LAI的方法。使用车载平台获取京农科728和农大84玉米的三维点云数据;对点云数据进行预处理,获得已测量LAI真值区域的点云数据;进行玉米植株点云与地面点云分割,根据地面起伏程度,基于随机一致性平面分割算法,将距离阈值设置为0. 06 m;依据玉米垂直结构分布,将玉米植株划分为上、中、下3层,计算每层点云数量并分别标记为H、M和L,同时,将上、中、下每层的点云数量与地面点云数量的比值标记为Hr、Mr和Lr,分别建立H、M、L和Hr、Mr、Lr与LAI真值的线性回归模型。试验结果表明:采用Hr、Mr变量建立的LAI二元线性回归测量模型最优,京农科728玉米训练集R~2为0. 931,验证集R~2为0. 949;农大84玉米训练集R~2为0. 979,验证集R~2为0. 984,本文方法可为田间快速测量LAI提供解决方案。     

基于高光谱数据的玉米叶面积指数和生物量评估

利用高光谱技术获取玉米农学参数信息,有助于提升玉米精准管理水平.本研究基于3个种植密度和5份玉米材料的田间试验,获取玉米大喇叭口期的地面ASD高光谱数据与无人机高光谱影像,分析不同种植密度下不同遗传材料的叶面积指数(LAI)和单株地上部生物量,构建基于全波段、敏感波段和植被指数的LAI和单株地上部生物量高光谱估算模型,...     

不同覆膜处理下春玉米叶面积指数高光谱估算

为实现快速、无损、实时监测不同覆膜处理下春玉米的叶面积指数(Leaf area index,LAI),研究覆膜因子对LAI及冠层反射率的影响,借助高光谱遥感技术获取了各生育期春玉米的冠层反射率,在对光谱数据进行预处理后,经相关性分析提取各覆膜处理LAI的敏感单波段、敏感植被指数和特征指数,据此构建了全生育期各覆膜处理下...     

基于作物生长监测诊断仪的玉米LAI监测模型研究

为探索作物生长监测诊断仪（CGMD-402型）在作物长势监测应用中的精准性与适用性,连续2年在不同氮肥水平下进行不同玉米品种的实验。使用作物生长监测诊断仪采集冠层归一化差值植被指数（Normalized differential vegetation index,NDVI）、比值植被指数（Ratio vegetation index,RVI）,并同步以ASD FR-2500型野外高光谱辐射测量仪获取冠层光谱反射率,构建NDVI、RVI高光谱植被指数;通过对比两种仪器获取的植被指数特征及其定量关系,评价CGMD-402型作物生长监测诊断仪监测精度;基于CGMD-402型作物生长监测诊断仪获取的NDVI、RVI,建立叶面积指数（Leaf area index,LAI）监测模型,并对模型监测精度进行验证。结果表明：玉米冠层NDVI、RVI随施氮量增加而增加,增加幅度分别为8.20%~36.59%、4.40%~25.16%;CGMD-402型作物生长监测诊断仪与ASD FR-2500型野外高光谱辐射测量仪获取的NDVI、RVI相关系数分别为0.991、0.985,决定系数分别为0.983、0.969,说明CGMD-402型作物生长监测诊断仪具有较高的监测精度,可替代ASD FR-2500型野外高光谱辐射测量仪获取NDVI、RVI指数;利用CGMD-402型作物生长监测诊断仪获取NDVI、RVI,建立LAI监测模型的决定系数分别为0.911、0.898;以独立数据对模型精度进行验证,模型预测值与田间实测值间决定系数分别为0.963、0.954,相对误差分别为6.65%、9.37%,表明二者具有高度一致性。研究表明,利用作物生长监测诊断仪能有效监测玉米不同品种LAI动态变化,可以替代AccuPARLP-80型植物冠层分析仪获取玉米LAI数据。