基于Stacking法的无人机光谱遥测冬小麦产量

【目的】精确、高效地预测作物产量。【方法】以冬小麦为研究对象,利用无人机搭载多光谱相机,获取抽穗期、开花期和灌浆期的多光谱图像数据。根据多光谱波段选取对产量敏感的14种植被指数,并优选出与产量极显著相关的13种植被指数;基于优选出的植被指数分别建立各生育期的MLR、PLSR、SVM和Cubist产量估算初级模型进行对比分析,并利用Stacking方法集成初级学习器模型分别建立各个时期MLR和Cubist次级产量估测模型。【结果】随着冬小麦生长阶段的发展,各植被指数与产量的相关性逐渐增大,在灌浆期达到最大值0.67;对比4个初级学习器模型精度,Cubist模型在抽穗期、开花期和灌浆期的估产精度均为最高;利用Stacking方法构建的次级学习器模型以Cubist模型的估产效果最佳,MLR和Cubist模型的估产精度在各个时期均得到了提升。【结论】基于Stacking方法融合估产模型能够显著提升冬小麦的产量估算精度,为今后的估产研究提供参考。     

基于无人机遥感植被指数优选的覆膜冬小麦估产研究

为进一步提高无人机遥感估产的精度,本研究以2021—2022年的覆膜冬小麦为研究对象,对返青期、拔节期、抽穗期和灌浆期的多光谱影像进行覆膜背景剔除,并优选最佳遥感窗口期,基于最优植被指数构建覆膜冬小麦估产模型。结果表明,利用支持向量机监督分类法剔除覆膜背景后冠层反射率更接近真实值,抽穗期和灌浆期的估产精度更高。将不同生育期的植被指数与产量进行相关性分析发现,最佳遥感窗口期为抽穗期。基于逐步回归和全子集回归法优选最优植被指数时发现,基于逐步回归法筛选变量为MCARI、MSR、EVI2、NDRE、VARI、NDGI、NGBDI、ExG时产量反演模型精度最高。此外,利用偏最小二乘法、人工神经网络和随机森林3种机器学习法构建的产量反演模型中,基于逐步回归法的随机森林模型的反演精度最高,R2为0.82,RMSE为0.84t/hm2。该研究可为提高遥感估产精度、实现农业生产精细化管理提供技术支持。     

不同调亏模式对冬小麦产量形成的影响

为考察不同调亏灌溉模式对冬小麦产量形成的影响,进行了防雨棚下的人工控水试验。结果表明,与不亏水处理CK相比,所有调亏处理均使得籽粒灌浆期显著缩短,达到最大灌浆速度的时间提前,最大灌浆速率和平均灌浆速率增加。拔节期亏水降低有效穗数,拔节期重度亏水有效穗数最小;抽穗期及灌浆成熟期亏水降低千粒质量,灌浆成熟期重度亏水千粒质量最小;拔节期亏水减少穗粒数,拔节期重度亏水穗粒数最小。综合本文研究结果,冬小麦产量较高的适宜调亏模式依次为:返青期轻度亏水、返青期重度亏水、灌浆成熟期轻度亏水、抽穗期轻度亏水、拔节期轻度亏水、拔节期重度亏水。研究结果可以为相关区域冬小麦高产栽培水分调控提供参考。     

山东省冬小麦单产监测与预报方法研究

针对传统农业估产方法效率低、成本高的现状,以山东省为研究区,基于山东省10年表面反射率8 d合成产品MOD09A1、全球陆地蒸发蒸腾8 d合成产品MOD16A2数据和历史产量数据,以增强型植被指数(EVI)、作物水分胁迫指数(CWSI)和经过历史产量分解得到的技术产量为输入,利用最小二乘法构建了山东省级和市级尺度的冬小麦单产估算模型,并在监测和预报两种模式下进行了模型的应用和精度验证。结果表明,在监测模式下,省级估产精度为96.91%,各市监测精度均不小于89.41%,其中菏泽市监测精度最高,为99.31%,济宁市监测精度最低,为89.64%;在预报模式下,返青期结束(第89天)、拔节期结束(第121天)和乳熟期结束(第145天)时的省级小麦预报精度均不低于96.44%,各市预报精度均不小于89.41%,其中青岛市预报精度最高,3次预报的平均精度为99.07%,济宁市预报精度最低,3次预报的平均精度为89.81%。本文建立的估产模型对市级和省级作物单产估算均有较高的适用性,可以实现动态产量预报。本研究对及时了解冬小麦的生长状况、制定科学有效的农业生产决策具有参考价值。     

无人机多光谱数据可靠性分析与冬小麦产量估算研究

无人机多光谱遥感用于冬小麦产量预测中捕获的数据准确性不高,为指导田块尺度下冬小麦产量的精准预测,需构建高精度的冬小麦产量估算模型。本研究利用校正后的近地面高光谱数据(Field-Spec 3型野外光谱仪获取)验证低空无人机多光谱遥感数据(大疆精灵4型多光谱相机获取),将通过无人机多光谱影像计算的植被指数与经验统计方法结合,采用一元回归和多元线性回归分别对抽穗期、开花期和灌浆期冬小麦进行基于单一植被指数和多植被指数组合的产量估算,其中多植被指数包括归一化差异植被指数(NDVI)、优化的土壤调节植被指数(OSAVI)、绿色归一化差值植被指数(GNDVI)、叶片叶绿素指数(LCI)和归一化差异红色边缘指数(NDRE)。结果表明,基于单一植被指数的冬小麦估产模型,一元二次回归模型精度最高,而基于5种植被指数的多元线性回归模型在3个生育时期的拟合效果均优于单植被指数模型。一元或多元回归模型在抽穗期的拟合效果最好。冬小麦基于GNDVI指数的一元二次回归估产模型建模集的决定系数(R²)、均方根误差(RMSE)分别为0.69、428.91 kg/hm²,验证...     

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。     

基于时间序列MODIS NDVI的冬小麦产量预测方法

选择我国河北、河南、山东3省作为研究区,在250 m空间分辨率的冬小麦种植区和1 km的冬小麦像元纯度图的基础上,分析了2000—2009年MODIS NDVI抽穗期峰值与单产的时间序列变化关系。采用Becker-Reshef等提出的去噪声修正后的冬小麦抽穗期NDVI峰值与单产进行回归分析建立冬小麦产量预测模型,并分析冬小麦预测精度的影响因素。最后,利用2010年地级市尺度的统计单产对所建立的预测模型进行精度验证,模型的平均估产误差约为7.49%。结果表明,基于冬小麦抽穗期NDVI峰值的产量预测方法在中国冬小麦主产区具有一定的应用潜力。     

水分胁迫对桶栽冬小麦产量和品质的影响

通过对桶栽冬小麦在拔节期和灌浆期设计不同水分胁迫处理,研究了不同程度、不同时期水分胁迫对冬小麦产量和品质的影响,分析了产量和品质的相关关系。结果表明,灌浆后期干旱可明显提高小麦品质,当籽粒蛋白质含量在14%~16%之间时,高产和优质的矛盾不突出;拔节、灌浆期任何程度的水分胁迫都将导致产量下降,重度胁迫下降幅度较大;拔节期干旱对有效穗数、穗粒数和产量影响大,而对千粒重影响最敏感的时期是灌浆期,拔节、灌浆生育后期胁迫处理对产量及其构成因子的影响比前期小;灌浆期土壤相对含水率控制在55%~70%之间可实现节水、高产、优质三者的协调统一。     

咸淡水交替灌溉对冬小麦生长及产量的影响

【目的】探究不同咸淡水交替灌溉方式对冬小麦生长及产量的影响,并通过通径分析在高产的基础上选择适宜冬小麦的咸淡水交替灌溉方式。【方法】采用避雨测坑试验,灌溉咸水矿化度设为1、3、5 g/L NaCl,以全生育期灌溉淡水(0.12 g/L NaCl)为对照(CK),分别在冬小麦的拔节—抽穗期、抽穗—开花期、灌浆期设置咸-淡-淡(BFF)、淡-咸-淡(FBF)和淡-淡-咸(FFB)3种咸淡水交替灌溉方式,研究了冬小麦生长指标、产量及其构成因子。【结果】BFF处理对冬小麦生长及产量具有较大的抑制作用,其次是FBF处理,FFB处理影响最小。在相同的咸淡水交替灌溉处理下,微咸水矿化度越大,对冬小麦生长及产量抑制作用越大;通径分析表明对冬小麦产量形成直接影响最大的性状是穗粒数,决策系数为0.697 0,其次是秸秆质量、千粒质量和穗数,决策系数分别为0.377 5、0.322 8和0.286 6,株高和单株地上干物质累积质量对冬小麦产量影响较小。【结论】在灌浆期采用较低矿化度微咸水灌溉对冬小麦穗粒数、秸秆质量、千粒质量和穗数影响不明显,从而对产量影响较小,因此在冬小麦拔节—开花期采取淡水灌溉并于灌浆期转换为3 g/L微咸水灌溉,可保证较高产量并实现微咸水资源的合理利用。     

不同灌水定额对冬小麦耗水规律及产量的影响

对比分析了不同灌水定额下冬小麦生长、产量及耗水特性。结果表明,冬小麦拔节至抽穗阶段,灌水定额较小时对株高增长不利。播种—拔节期和灌浆—成熟期阶段耗水量较大,但日耗水量较小;拔节—抽穗期和抽穗—灌浆期阶段耗水量较小,但日耗水量较大;不同灌水定额对穗粒数和穗长的影响较小,灌水定额越大,千粒质量和产量越高,但亩穗数和水分利用效率越低。综合考虑,灌水定额以900m3/hm2为宜。     

基于多源Sentinel数据的县域冬小麦种植面积提取

冬小麦是我国主要的粮食作物之一,及时准确地获取冬小麦种植面积对农业政策的制定具有重要意义。以河南省扶沟县为研究区域,以多生育期Sentinel-1A和Sentinel-2A/B遥感影像为数据源,构建光谱特征、植被特征和极化特征的多生育期数据集,分析各类地物的特征曲线,采用随机森林算法对单生育期单传感器、单生育期多传感器、多生育期单传感器和多生育期多传感器的遥感影像进行精细分类,实现县域冬小麦制图。结果显示：单生育期的雷达影像无法满足制图要求,拔节期的总体精度最高,仅为62.9%,多生育期雷达影像分类精度达到81.9%,基本满足制图要求;单生育期的光学影像和融合影像在成熟期的精度最高,总体精度分别为93.4%和95.1%,Kappa系数分别为92.4%和94.8%,可以绘制较为精准的冬小麦分布图;多生育期融合影像绘制的扶沟县2019年冬小麦空间分布图,总体精度为96.8%,结果最优。研究结果表明融合的多生育期遥感影像可以为县域冬小麦种植面积的提取提供技术依据。     

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...     

基于多时相多参数融合的麦玉轮作小麦产量估算方法

为了进一步提高冬小麦产量预测的准确性,针对麦玉轮作体系缺乏直接把前茬作物信息纳入到当季作物的产量估算及管理中的研究状况,利用前茬玉米季中长势遥感信息及产量信息,融合小麦拔节期、灌浆期及成熟期长势遥感信息、播前施肥信息及土壤特性信息等多时相多模态数据,基于GPR算法,建立多时相多模态参数融合的麦玉轮作体系小麦产量估算模型,结果显示：基于多生育期的产量估算模型较单生育期最优产量估算模型性能有所提升,R²提高0.01～0.03。其中基于拔节期产量估算模型精度略低于多生育期产量估算模型,但精度相近。基于多模态参数融合的产量估算模型中,除玉米作物信息与土壤特性信息融合构建的产量估算模型,多模态参数融合的产量估算模型精度较相应低模态参数融合的产量估算模型精度高。四模态参数融合的GPR模型决定系数R²为0.92,RMSE为213.75 kg/hm²,较其他模型,R²提高0.02～0.41。对于小麦产量估算模型,各模态参数影响由大到小依次为施肥信息、小麦遥感信息、土壤特性信息、玉米作物信息。玉米作物信息对于多模态参...     

基于NDWI和卷积神经网络的冬小麦产量估测方法

为进一步提高冬小麦单产估测的效率和准确性,利于宏观指导农业生产、制定冬小麦整个生长期的精准管理决策,针对目前已有的县域冬小麦单产估测方法存在时效性差、准确度低、成本高等问题,以中分辨率成像光谱仪（Moderate resolution imaging spectroradiometer, MODIS)为数据源,分别提取不同时段可见光与近红外波段信息,选择归一化差值植被指数（Normalized difference vegetation index, NDVI）、归一化差值水指数（Normalized difference water index, NDWI）、土壤调节植被指数（Soil adjusted vegetation index, SAVI）、调整土壤亮度植被指数（Optimal soil adjusted vegetation index, OSAVI)、绿色归一化植被指数（Green normalized difference vegetation index, GNDVI)、改进型土壤调节植被指数（Modified soil adjusted vegetation index, MSAVI)以及绿红植被指数（Green red vegetation index, GRVI）7个遥感植被指数,以其直方图分布信息作为输入变量,应用卷积神经网络（Convolutional neural network, CNN）回归预测冬小麦产量,对比分析NDWI在冬小麦产量估测上的表现并探究其在霜冻害影响下的精度变化。研究表明,相对于植被指数NDVI、SAVI、OSAVI、GNDVI、MSAVI、GRVI,NDWI对冬小麦生育早期的产量预测表现出更好的预测效果,单产去趋势前后的NDWI对产量的预测精度均高于NDVI、SAVI等植被指数,决定系数最高可达到0.79,且在霜冻害影响下仍能保持较好的预测效果;NDWI在抽穗—灌浆阶段对冬小麦最终产量影响最大,4月23—30日时间段内NDWI对产量的决定系数可达到0.72;空间分布上,研究区域冬小麦具有东部单产最高、中部次之、西部单产最低的空间分布特征,西部和北部山区与东部黄淮海平原交界处误差较大。研究结果可为冬小麦生育早期产量预测提供科学依据。     

基于无人机多时相植被指数的冬小麦产量估测

通过无人机搭载多光谱相机,对不同水分亏缺条件下冬小麦多个生育期进行遥感监测,采用不同种类多光谱植被指数表征冬小麦的生长特征,分析了植被指数与冬小麦产量的相关关系,并利用多时相植被指数构建产量估测数据集,采用偏最小二乘回归、支持向量机回归和随机森林回归3种机器学习算法进行冬小麦产量估测.结果表明,随着冬小麦的生长,多个植...     

顺序同化不同时空分辨率LAI的冬小麦估产对比研究

选择PyWOFOST模型为动态模型,以叶面积指数(LAI)为状态变量,遥感LAI为观测值,采用集合卡尔曼滤波(En KF)同化算法,研发了一种遥感LAI与作物模型同化的区域冬小麦产量估测系统。为消除云的污染,采用Savitzky-Golay(S-G)滤波算法重构时间序列MODIS LAI;通过构建地面观测LAI与3个关键物候期Landsat TM植被指数回归统计模型,获得区域TM LAI;通过融合3个关键物候期的TM LAI与时间序列S-G MODIS LAI,生成尺度转换LAI。对比分析3种不同时空分辨率的遥感LAI的同化精度,研究结果表明,同化尺度转换LAI获得了最高的同化精度,与官方县域统计产量相比,在潜在模式下,决定系数由同化前的0.24提高到0.47,均方根误差由602kg/hm2下降到478 kg/hm2。结果表明,遥感观测与作物模型的尺度调整对提高冬小麦同化模型精度具有重要作用,遥感LAI与作物模型的En KF同化方法是一种有效的区域作物产量估测方法。     

桶栽条件下冬小麦产量的连旱效应

为了研究连续干旱对冬小麦产量的影响,以冬小麦品种“矮抗58”为试验材料,通过桶栽试验,在冬小麦的拔节期、抽穗期和灌浆期分别设置轻度干旱、中度干旱、重度干旱,分别对应土壤含水率控制在田间持水率的60%~70%,50%~60%,40%~50%.试验设置了单阶段受旱9个、两阶段连旱6个,三阶段连旱4个,试验对照1个,共计20个试验处理.研究结果表明,单旱条件下,拔节期减产最明显,抽穗期其次;拔节期轻旱、中旱和重旱分别减产4.08%,21.71%和36.73%.两阶段连旱条件下,拔节期和抽穗期连续中旱对产量影响最大,减产率达28.42%;抽穗期和灌浆期连续中旱对产量影响相对较小.三阶段连旱条件下,连续轻旱减产不明显,连续中旱和重旱分别减产24.96%,53.99%.总体上,拔节期是冬小麦的需水关键期,中旱及以上水平就会引起显著减产;相反,水资源紧缺条件下,抽穗期和灌浆期可以适当中旱,甚至重旱,对产量影响较小.     

基于RS数据和GIS方法的冬小麦水分生产函数估算

以冬小麦遥感监测耗水与产量为数据支持,开展了多种水分生产函数模型的对比研究,探求与研究区相适宜的水分生产函数模型及其参数,其中全生育期水分生产函数模型分别选择直线模型、抛物线模型、D-K模型及指数模型;而分生育阶段水分生产函数模型分别选择Jensen、Minhas、Blank、Stewart及Singh模型。研究结果表明,冬小麦全生育水分生产函数模型推荐采用抛物线模型;而分生育阶段水分生产函数模型推荐采用Stewart模型;冬小麦对水分最敏感的阶段是抽穗期,其次为扬花-成熟期,而出苗-拔节期最小。为此,在北京市大兴区的冬小麦灌溉应优先满足抽穗灌浆期的需水,而在出苗-拔节期适度减少灌溉量,可达到节水增效目的。     

融合多源时空数据的冬小麦产量预测模型研究

为提高大尺度冬小麦产量预测精度,以2005—2019年河南省遥感数据、气象数据、土壤含水率等多源时空数据为特征变量,分析其与小麦单产的相关性,并基于随机森林算法对特征变量进行了重要性分析,构建了融合多源时空数据的冬小麦产量预测模型。结果表明:增强型植被指数（Enhanced vegetation index, EVI）、日光诱导叶绿素荧光（Solar-induced chlorophyll fluorescence, SIF）与高程为小麦产量预测的重要因子,与小麦产量呈高度正相关,对小麦产量预测的重要性指标均超过0.45,远大于土壤含水率、降水量、最高温度、最低温度等因子;基于随机森林算法构建的小麦不同生长阶段产量预测模型中,以10月—次年5月和10月—次年4月为特征变量的产量预测模型精度较高,R²分别为0.85和0.84,RMSE分别为821.55、832.01 kg/hm²,在空间尺度上,豫西和豫南丘陵山地模型预测相对误差高于平原地区。该研究结果可为大尺度作物产量预测提供参考。