| 基于卷积神经网络的中国北方冬小麦遥感估产 |
| |
| 引用本文： | 周亮,慕号伟,马海姣,陈高星.基于卷积神经网络的中国北方冬小麦遥感估产[J].农业工程学报,2019,35(15):119-128. |
| |
| 作者姓名： | 周亮 慕号伟 马海姣 陈高星 |
| |
| 作者单位： | 1. 兰州交通大学测绘与地理信息学院，兰州 730070; 2. 地理国情监测技术应用国家地方联合工程研究中心，兰州 730070; 3. 甘肃省地理国情监测工程实验室，兰州 730070;,1. 兰州交通大学测绘与地理信息学院，兰州 730070; 2. 地理国情监测技术应用国家地方联合工程研究中心，兰州 730070; 3. 甘肃省地理国情监测工程实验室，兰州 730070;,4. 西北农林科技大学水利与建筑工程学院，杨凌 712100;,5. 北京地空数驰科技有限公司，北京 100871; |
| |
| 基金项目： | 国家自然科学基金项目（41701173，41961027）；中国博士后科学基金项目（2016M600121）；甘肃省飞天学者特聘计划；兰州交通大学优秀平台支持（201806） |
| |
| 摘 要： | 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。
|
| 关 键 词： | 作物 产量 遥感 作物估产 卷积神经网络 深度学习 冬小麦 |
| 收稿时间： | 2019/3/18 0:00:00 |
| 修稿时间： | 2019/6/11 0:00:00 |
Remote sensing estimation on yield of winter wheat in North China based on convolutional neural network |
| |
| Zhou Liang,Mu Haowei,Ma Haijiao and Chen Gaoxing.Remote sensing estimation on yield of winter wheat in North China based on convolutional neural network[J].Transactions of the Chinese Society of Agricultural Engineering,2019,35(15):119-128. |
| |
| Authors: | Zhou Liang Mu Haowei Ma Haijiao and Chen Gaoxing |
| |
| Institution: | 1. Faculty of Geomatics, Lanzhou Jiaotong University, Lanzhou 730070, China; 2. National-Local Joint Engineering Research Center of Technologies and Applications for National Geographic State Monitoring, Lanzhou 730070, China; 3. Gansu Provincial Engineering Laboratory for National Geographic State Monitoring, Lanzhou 730070, China;,1. Faculty of Geomatics, Lanzhou Jiaotong University, Lanzhou 730070, China; 2. National-Local Joint Engineering Research Center of Technologies and Applications for National Geographic State Monitoring, Lanzhou 730070, China; 3. Gansu Provincial Engineering Laboratory for National Geographic State Monitoring, Lanzhou 730070, China;,4. College of Water Resources and Architectural Engineering, Northwest A&F University, Yangling 712100, China; and 5. Beijing Deekong Tech Co., Ltd., Beijing 100871, China; |
| |
| Abstract: | |
| |
| Keywords: | crops yield remote sensing crop yield estimation convolutional neural network deep learning winter wheat |
| 本文献已被 CNKI 等数据库收录！ |
| 点击此处可从《农业工程学报》浏览原始摘要信息 |
| 点击此处可从《农业工程学报》下载免费的PDF全文 |
|
