基于信息扩散和关键期遥感数据的冬小麦估产模型

农作物估产对于国家制定粮食进出口政策和保障粮食安全具有重要意义。为构建高精度的作物估产模型,探讨了一种将信息扩散原理和关键期遥感数据相结合的农作物遥感估产方法。首先利用信息扩散原理将关键期遥感数据生成的NDVI和实割实测产量数据扩散到多维监控空间,采用模糊合成的方法建立关键期遥感数据和实割实测产量之间的离散关系模型。然后针对模型的稳定性和精度进行交叉验证,并与多元线性回归模型和BP神经网络模型进行对比。结果表明,利用信息扩散方法构建的遥感估产模型稳定性和精度都明显提高,与多元回归方法和BP神经网络方法相比,决定系数分别提高0.180、0.491,均方根误差分别降低173.10、487.79 kg/hm2。该方法能较好地模拟冬小麦遥感估产中归一化植被指数和产量之间的非线性关系,且泛化推广能力优异,为应用关键期遥感数据进行冬小麦估产提供了一种有效方法。     

基于支持向量回归（SVR）和多时相遥感数据的冬小麦估产

发展和构建高精度的作物遥感估产模型,对于国家制订粮食进出口政策和保障粮食安全具有重要意义.尝试利用支持向量回归方法(SVR)构建遥感估产模型,首先利用北京郊区2004年和2007年冬小麦主要生育期多时相Landsat TM影像生成的归一化植被指数,通过SVR构建遥感估产模型进行产量估算.然后针对模型的稳健型和预报能力进行交叉验证,并与常规的多元回归方法进行对比.结果表明,利用SVR方法构建的遥感估算模型有效地提高了估算精度,与多元回归方法相比,2004年和2007年决定系数分别提高0.2162、0.2158,均方根误差分别降低0.1682、0.2912.因此基于SVR和多时相遥感数据构建估产模型用于冬小麦估产是可行、有效的,为应用多时相遥感数据进行冬小麦估产提供了一种方法.     

基于卷积神经网络的中国北方冬小麦遥感估产

针对传统的农作物估产方法过度依赖人工经验,以及实地采样成本高等问题。该研究使用MODIS数据构建了基于卷积神经网络(convolutional neural network,CNN)的冬小麦估产模型。对2006-2016年中国北方冬小麦核心区的60个地级市进行模型训练,鲁棒性检验以及估产误差空间特征分析。结果表明:1)估产模型在训练集和验证集的均方根误差(root mean squareerror,RMSE)分别为183.82kg/hm2、689.72 kg/hm2,决定系数(R2)分别为0.98、0.71。2)以同样的神经网络结构对2006-2016年估产样本分别作为验证集,训练11个独立模型的RMSE平均值是772.03 kg/hm2,证明算法具有较高的鲁棒性。3)2007、2012和2016年不同省份的估产结果表明,模型对北方冬小麦区的平原区估产精度较高,尤其是河北和山东2省(RMSE为500 kg/hm2)。该文构建的估产模型可以实现冬小麦单产的复杂拟合,可以应用于较大尺度(范围)冬小麦产量预报。     

基于MODIS与TM时序插补的省域尺度玉米遥感估产

针对省域尺度作物估产中的TM影像时相不一致和覆盖能力不足的问题,以山东省2008年玉米产量为研究对象,在6景不同玉米物候期的TM影像和长时间序列的MODIS全覆盖影像的支持下,构建基于玉米生长过程的时序插补模型,将不同物候期的TM影像插补为玉米乳熟期的同期数据集,并通过地面实割实测样本数据,建立地面-TM、TM-MODIS的两阶段遥感估产模型,开展省域尺度玉米产量全覆盖遥感估测方法研究。结果表明,基于时序插补的省域尺度玉米遥感估产方法能充分发挥TM和MODIS影像的各自优势,有效地避免TM影像时相不同所造     

基于无人机遥感植被指数优选的田块尺度冬小麦估产

田块尺度作物快捷精准估产对规模化农业经营管理具有重要意义。因此,急需选取最优植被指数和最佳无人机遥感作业时期,建立冬小麦无人机遥感估产模型,获取及时、快速、低成本的无人机遥感估产方法。该文以山东省滨州市典型规模化农田为研究对象,利用固定翼无人机遥感平台对冬小麦进行多期遥感观测与估产。基于2016年冬小麦返青拔节期、抽穗灌浆期和成熟期的无人机遥感影像数据集,采用最小二乘法,构建了基于不同植被指数与冬小麦实测产量的9种线性模型,并结合作物实测产量进行模型评价。多时相多种类植被指数的优选分析结果显示,抽穗灌浆期估产模型R~2最高,RMSE最低(n=34)。其中,模型R~2达到0.70的植被指数共6个,从高到低依次为EVI2、MSAVI2、SAVI、MTVI1、MSR和OSAVI;RMSE由低到高依次为EVI2、MSAVI2、SAVI、MTVI1、MSR和OSAVI。另外,该文进一步评价农田土壤像元对无人机遥感估产的影响,经过阈值滤波法处理后,返青拔节期估产模型的R~2(n=34)从约0.20提升至0.30以上,RMSE和MRE下降;抽穗灌浆期模型的RMSE降低,R~2(n=34)有所提升但不显著。综上所述,最佳无人机飞行作业时期为冬小麦抽穗灌浆期,最优植被指数为EVI2,土壤像元的滤除对抽穗灌浆期无人机遥感估产模型的影响不显著。因此,优化后的基于植被指数的无人机遥感估产模型,可以快速有效诊断和评估作物长势和产量,为规模化农业种植经营提供一种快捷高效的低空管理工具。     

基于3S和实测相结合的冬小麦估产研究

该文运用3S集成技术（地理信息系统、遥感和全球定位系统）,进行冬小麦产量估测的应用研究。结果表明, 3月下旬是运城地区冬小麦面积监测的最佳时相,4月上、中旬是该区冬小麦产量估算的最佳时期。用遥感信息中的TM提取冬小麦面积,AVHRR提取绿度信息,效果较好。根据归一化植被指数的大小把冬小麦分为3类,同类麦田在不同区域的实测产量差异很大。分析研究区域自然地理特征和关键期气象资料,以归一化植被指数、极高温度、相对湿度为主因子建立了冬小麦遥感—气象—产量综合模型。     

基于时间序列NDVI相似性分析的棉花估产

多时相遥感数据能比单一时相反映更多的作物产量信息,挖掘多时相遥感信息以提高作物估产精度具有重要意义。该文以新疆生产建设兵团农一师一团的棉花为研究对象,提出了一种融合分区概念和时间序列NDVI(归一化植被指数)相似性分析的棉花估产方法。首先,通过植被指数与产量的相关性比较分析,确定NDVI为棉花估产因子,在此基础上根据棉花品种和土壤条件的差异,将研究区棉田划分为不同类型的生长区;然后,结合每个生长区获取的样点产量数据,确定各生长区时序NDVI估产模型的拟合系数;最后,融合距离与角度相似性算法,对各生长区内所有棉花像元的时序NDVI数据构成的向量与产量样点对应的时序NDVI向量进行相似性分析,确定待测棉田像元最佳的估产模型,实现对整个棉田区域棉花产量的遥感估测。结果表明,基于分区和时序NDVI相似性分析的棉花产量预测值与实测值决定系数达到0.77,该方法具有较好的操作性和适用性。     

基于中高分辨率卫星遥感数据的县域冬小麦估产

随着人口的增加和耕地面积的不断减少,粮食安全问题一直备受关注。该文以山东省广饶县为研究区,探讨基于中高分辨率卫星遥感数据的县域冬小麦估产技术。采用陆地卫星和中巴资源卫星（CBERS）中高分辨率遥感图像,选择冬小麦信息较为突出的4个相似时相,经几何精校正、掩膜、相对辐射校正等预处理,在分析研究区典型地物光谱特征的基础上,采用决策树分类方法提取冬小麦种植面积。同时,利用植被指数变化规律对各时相植被指数进行修正,根据植被指数分布情况及其与产量的关系,分别构建了基于像元比值植被指数之和（∑RVI）及不同长势区归一化植被指数（NDVI）的冬小麦估产模型。结果显示：各时相冬小麦种植面积的提取精度均在96%以上,且具有较好的空间精度;二种估产模型的估产精度分别达到了96%以上和94.74%,效果较好。研究为县域冬小麦产量的预测提供了有效方法,能更好地指导冬小麦生产和粮食政策的制定,对区域农业可持续发展和粮食安全有积极价值。     

基于权重最优组合和多时相遥感的作物估产

多时相遥感数据比单一时相携带了更多的反映作物产量的信息,研究如何将多时相遥感信息进行有机融合以提高作物估产精度的方法是具有意义的。权重最优组合（WOC）是一种通过对单个模型权重的最优化,来构建高精度组合模型的原理方法。论文以黑龙江农垦友谊农场大麦产量遥感估算为例,首先利用大麦4个时相的Landsat5 TM影像分别构建单一时相的大麦产量模型,然后利用WOC的迭代算法,通过赋予4个单一时相产量模型以最优权重,生成基于多时相遥感的组合模型估算大麦产量,结果表明：基于WOC和多时相遥感的组合估产模型的决定系数R2与单一时相的相比得到较大改善,估算精度提高明显。同时,通过对WOC获取的各时相单一模型最优权重大小进行分析表明：应用多时相遥感数据进行作物估产时,权重大小能够反映各时相遥感数据所携带的产量信息的多少,这对于如何选择和确定能有效反映作物产量的敏感遥感时相具有一定的指导意义。     

基于植物净初级生产力模型的区域冬小麦估产研究

该文以中国冬小麦主要种植区黄淮海平原典型县市的冬小麦为研究对象,以植物净初级生产力模型对冬小麦估产进行研究。其中光合有效辐射数据(PAR)主要通过TOMS传感器紫外反射率月数据来计算获得。并且通过投影转换和内插方法,将分辨率由经度1.25度、纬度1度转为250 m。光合有效辐射分量(fPAR)主要通过250 m分辨率MODIS的最大值合成法生成的NDVI月数据和fPAR之间的统计直线关系(fPAR＝a NDVI＋b)来反演。在研究中光能转化有机质效率(ε)被视为常数,其值通过前人研究结果确定。然后计算冬小麦净初级生产力(NPP＝ε×fPAR×PAR)。文中主要考虑冬小麦产量形成关键期内NPP的形成,然后将累积的NPP转化为作物干物质的量,最后通过冬小麦收获指数修正,得到估计的冬小麦产量。而且利用地面实际调查产量数据对所预测的植物净初级生产力NPP和所预测的产量进行了验证,通过NPP计算的冬小麦生物量与实际生物量间相对误差为-4.30%;预测冬小麦产量与实际小麦产量间相对误差平均为-4.41%,结果令人满意。     

基于时间序列LAI和ET同化的冬小麦遥感估产方法比较

为了评估同化时间序列叶面积指数(leaf area index,LAI)和蒸散发(evapotranspiration,ET)产品对冬小麦产量估测的有效性和适用性,该文选择陕西省关中平原冬小麦为研究对象,以SWAP为作物生长动态模型,利用冬小麦关键生育期的遥感观测和SWAP模拟LAI、ET趋势变化信息构建代价函数,以SCE-UA作为优化算法最小化代价函数,重新初始化SWAP模型中的出苗日期和灌溉量2个参数。重点比较了基于向量夹角和一阶差分2种代价函数的冬小麦单产估测精度。结果表明,同化MODIS LAI和ET后,冬小麦产量的估测精度比未同化精度(r=0.57,RMSE=1 192 kg/hm2)有显著提高,并且基于向量夹角代价函数法同化策略的单产估测精度(r=0.75,RMSE=494 kg/hm2)高于一阶差分代价函数法(r=0.73,RMSE=667 kg/hm2)的估测精度。该方法为其他区域的水分胁迫模式下遥感与作物模型双变量数据同化提供了参考。     

面向省级农作物种植面积遥感估算的分层方法

针对当前遥感抽样估算中分层标志缺乏遥感识别误差描述的问题,该文探讨了基于农作物遥感识别结果的不同分层方法的抽样效率。以江苏省为研究区,采用2阶段分层,采用数字高程模型(digital elevation model,DEM)标准差进行一阶段分层,在一阶段分层的基础上,分别采用农作物识别种植规模、遥感识别破碎度、种植结构以及种植结构与破碎度指标进行二阶段分层。试验结果表明:种植结构与破碎度指标的分层效率最高,相对效率达到5.90,该分层指标融合了遥感分类结果反演出的种植结构和破碎度,不但能够有效地反映出农作物区域的景观特征,同时也较为合理地反映出区域间作物种植的差异性,为提高省级农作物种植面积遥感抽样估算效率提供有力的参考。     

频率直方图与植被指数结合的冬小麦遥感产量估测

基于机器学习方法建立的作物产量估测模型常因过拟合等问题导致泛化性能偏低,产量估测精度不高。该研究以河南省为研究区,分别对不同波段地表反射率数据采用均值法和频率直方图法构造样本特征集作为输入变量,结合随机森林（Random Forest,RF）算法建立冬小麦遥感估产模型。研究结果表明,频率直方图法预测效果优于均值法,平均绝对误差和均方根误差分别为660和860 kg/hm2,决定系数最高达到0.83,达极显著水平（P<0.01）;7个地表反射率波段中,近红外1波段表现最好;单个合成指数中,归一化水分指数的表现要优于归一化植被指数;波段组合中,归一化植被指数和归一化水分指数的组合验证效果最优,平均绝对误差和均方根误差分别为444和527 kg/hm2,决定系数为0.89,达极显著水平（P<0.01）,其组合预测效果在4月15日至22日时段内表现最佳,该时段对冬小麦产量的影响最大。该研究通过采用基于频率直方图法构建样本特征结合随机森林算法建立冬小麦遥感估产模型,可为县域冬小麦遥感估产提供一种有效的解决方案。     

基于车载近地遥感系统的冬小麦生育早期产量估测方法

冬小麦生育早期的产量估测对于制定冬小麦整个生长期的精准管理策略具有重要的参考意义。该文利用车载近地遥感估产系统对冬小麦生育早期冠层叶片光谱信息进行动态获取,提出了一种基于冠层光谱信息的动态光化学植被指数MPRI(mobile photochemical reflectance index),构建了基于MPRI的冬小麦产量车载近地遥感估产模型,分析了估测效果,结合GIS手段对估产数据进行了空间分析。研究结果表明:冬小麦生育早期冠层指数MPRI对冬小麦的产量单点估测具有一定的效果,决定系数R2约为0.78。车载近地遥感估产系统动态测量时,MPRI表现出良好的数据识别能力。通过设置阈值能够剔除动态测量中的土壤背景干扰信息,说明MPRI对于冬小麦生育早期产量具有较好的估测效果。对动态估产结果进行空间分析,能够掌握小区域内小麦生育早期产量的空间分布情况,为冬小麦生育早期产量估测提供了新的思路和方法。     

基于结构规模的冬小麦种植面积遥感抽样估算

在种植结构复杂地区,由于受到混合像元和同期作物的影响,传统的以规模为分层标志进行冬小麦种植面积遥感估算难以保证抽样效率和精度。该文综合考虑混合像元、同期作物的影响,构建了结构规模指标进行冬小麦种植面积遥感抽样估算。采用TM和QuickBird为研究数据,设计不同的抽样方案估算冬小麦的种植面积,计算标准误差、准确度和变异系数衡量估算精度,与传统简单随机、规模指标分层抽样进行对比分析,验证本文方法的有效性。试验结果表明,以结构规模指标分层抽样的反推结果在各项指标上均明显优于传统简单随机、规模指标分层抽样方式,尤其在小样本量时,标准误差降低2.0×105m2,准确度提升了1%。该研究结果为在大范围种植结构复杂地区进行冬小麦种植面积遥感估算的改进提供了试验依据。     

基于遥感信息与作物模型集合卡尔曼滤波同化的区域冬小麦产量预测

区域作物产量预测是国家粮食安全评估的重要内容。遥感虽能获取大面积地表信息,却难以反映作物生长发育的内在过程。作物生长模型已经在单点尺度能成功模拟作物的生长发育过程,但是区域尺度作物关键参数的获取仍很困难。遥感信息与作物模型结合的数据同化已经成为区域产量预测的最有效途径。该文选择河北省衡水地区冬小麦为研究对象,在WOFOST模型标定与区域化的基础上,利用WOFOST模型描述冬小麦生育期内叶面积指数(LAI)变化规律。针对MODIS数据的混合像元造成反演的LAI产品偏低的系统误差,利用实测LAI样本点融合MODIS-LAI趋势信息修正MODIS-LAI数据产品。采用集合卡尔曼(EnKF)算法同化冬小麦返青到抽穗期的MODIS-LAI与WOFOST模拟的LAI以获得时间序列最优的LAI,并以此重新驱动WOFOST模型估算区域冬小麦产量。结果表明,EnKF同化后的冬小麦产量比未同化的产量预测精度有显著提高,与县平均统计产量相比,在潜在模式下,决定系数由0.13提高到0.38,均方根误差由2480下降到880kg/hm2。研究表明,遥感信息与作物模型的EnKF同化是1种有效的作物产量预测方法,并在区域尺度应用上具有广阔的应用潜力。该研究可为区域尺度的作物估产提供参考。     

冬小麦面积遥感识别精度与空间分辨率的关系

不同空间分辨率农作物面积识别精度是农情遥感监测数据源选择的依据。该文采用WFV(wide field view)、MODIS(moderate-resolution imaging spectroradiometer)、OLI(operational land imager)、Google Earth影像,在天津市武清区选择了12 km×14 km的冬小麦种植区作为研究区域,采用目视识别的方法,分析了2、5、10、15、30、100、250 m共7个空间分辨率尺度下冬小麦面积识别精度与遥感数据分辨率、农田景观破碎度之间的关系。结果表明,随着空间分辨率由2 m变化到250 m,冬小麦面积识别的总体精度逐步由98.6%降低到70.1%,精度降低28.5%;面积数量比例由5.5%扩大到110.6%,误差增加105.1个百分点;面积精度呈明显下降趋势,数量误差呈明显增加趋势,数量误差的增加速度高于精度下降的趋势。高、中、低3个景观破碎度条件下,随着分辨率由2 m降低到250 m,作物识别精度分别降低了72.8、63.2和47.0个百分点,破碎度的增加导致面积识别精度下降速度更快;同等分辨率下,破碎度越高的地区面积识别精度越低。像元内冬小麦占比与可识别能力密切相关,像元占比达到45.0%以上时才能够被正确识别为冬小麦类型,像元尺度降低导致细小斑块丢失是造成面积识别与数量精度降低的主要原因。像元空间分辨率越高,冬小麦像元的光谱一致性越强,越有利于冬小麦分类精度的提高。针对农情遥感监测业务运行的需要,上述研究结果可以作为区域范围不同用户精度要求前提下遥感数据源选择的依据。     

基于作物生长模型和遥感数据同化的区域玉米产量估算

为了将遥感观测到的玉米生长期间作物冠层方向反射波谱的时间序列变化信息用于区域玉米产量估算,该文将时间序列中分辨率成像光谱仪(moderate resolution imaging spectroradiometer,MODIS)数据和高空间分辨率LandsatTM遥感观测数据相结合,以叶面积指数(LAI)作为耦合作物生长模型(crop environment resource synthesis-Maize,CERES-Maize)和植被冠层反射率模型(scattering by arbitrarily inclined leaves,SAIL)的关键参数,提出了将耦合模型与时间序列遥感观测数据同化进行区域玉米产量估算的方案。该文选择吉林省榆树市为研究区,采用MODIS和LandsatTM2种尺度数据集,利用SCE-UA(shuffled complex evolution method developed at the University of Arizona)算法分别进行玉米产量同化估产研究,得到玉米单产空间分布的估计结果,结合遥感估算的种植面积求算榆树市玉米总产量。结果表明,与玉米统计总产量相比,2007、2008和2009年遥感数据同化估算的总产量误差分别为9.15%、14.99%和8.97%;与仅利用CERES-Maize模型模拟得到的产量误差相比,3a间遥感估算总产量的误差分别减小了7.49%、1.21%和5.23%,且采用MODIS和TM遥感数据估算的玉米产量表现了其空间差异性。利用榆树市3a间玉米产量的明显差异,分析了时序遥感数据对作物长势和产量变化信息的表达能力,同年份内时序归一化差值植被指数越大,对应的玉米产量越高;年际间遥感观测反射率的差异通过数据同化方法能够反映年际间玉米产量差的变化。该文提出的玉米估产方案为将来进一步结合多源遥感数据、植被冠层反射率模型与作物生长模型进行区域玉米估产研究提供了参考。     

作物长势遥感监测指标的改进与比较分析

为改善归一化植被指数（NDVI）作为遥感监测作物长势指标的性能,该文分析了归一化植被指数的内在设计缺陷,在不增加额外波段的情况下,以近红外波段和红色波段为基础引入一种新的作物长势遥感监测指标——GRNDVI。通过在像素和区域层次上同其他4种指数进行比较发现：GRNDVI能够改善归一化植被指数在低植被覆盖度时期/地区容易受到作物冠层土壤背景的影响,而在高植被覆盖度时期/地区又容易发生饱和现象的设计缺陷,可以作为遥感监测作物长势过程中替代归一化植被指数的指标。