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。

遥感在作物估产中的应用

简述了遥感估产的原理、方法和国内外作物遥感估产的应用概括。

人工神经网络与遗传算法相结合在作物估产中的应用——以吉林省玉米估产为例

在遗传算法 ( Genetic Algorithm)与误差反传 ( Back Propagation)网络结构模型相结合的基础上 ,设计了用遗传算法训练神经网络权重的新方法 ,并对吉林省梨树和德惠县的玉米进行了估产研究 ,同时与 BP算法和灰色系统理论模型进行了比较。经检验 ,计算值与实际值接近 ,并优于灰色理论模型 ,具有良好的预测效果 。

基于空间数据仓库的农作物估产研究

农作物估产是我国长期以来进行的一项重要课题。为此,探讨了空间数据仓库的特征、体系结构,对现有农作物估产方法进行了评价。鉴于农作物估产的影响因素的复杂性,引入空间数据仓库技术,并且建立了多维数据模型,来进行农作物估产的研究,为农业决策部门提供参考依据。

遥感在农作物估产中的应用与发展

本文以遥感估产为出发点,介绍了遥感的概念、原理、方法特点及国内外遥感估产方面的研究进展。

光合遥感-水分胁迫作物估产技术在华北地区的推广应用

本项目开展自主研发的RSPCYWM模型系统已在我国华北地区作物生长过程监测和估产中大范围推广及应用，包括RSPCYWM模型的检验、作物生长发育期的生物量和产量估算；同时改进作物模型系统，加入RUBISCO酶限制的作物光合速率模块，作物冠层水分导度模块，以求更加真实地模拟作物的生产过程和对华北地区作物的估产，使监测和模拟精度达到95％以上。

基于GVG采样系统的农作物估产可信度分析——以四川盆地为例

以四川盆地的农作物估产为例,对GVG(GIS&VIDEO&GPS)采样系统的采样结果进行可信度分析。在试验区随机选取具有代表性的采样线,利用GVG采样系统提取样区内农作物种植比例。然后结合野外实地调绘结果对该地区进行遥感影像解译,在解译影像上对采样线不同缓冲区范围内的农作物面积进行提取,计算出农作物的种植比例。把遥感解译影像缓冲区分析结果为检验数据,采用误差最小可信度最高的原则对GVG采样系统采样结果的精度进行可信度分析。并基于可信度分析初步确定GVG采样系统的沿线采样最佳范围。

基于线性双源遥感蒸散模型的作物估产——以河套灌区为例

为探究干旱与半干旱地区作物生育期用水,估算作物产量和优化配置作物灌溉制度,以河套灌区为研究对象,基于Landsat 8遥感影像数据提取一定时序植被指数监测主要农作物种植结构,利用MODIS数据及改进线性双源遥感蒸散模型,预测研究区作物在不同生育期蒸散量并使用常用水分生产函数模型进行主要作物玉米估产分析。结果表明:研究区近年来作物种植面积相对稳定,其中玉米种植量最多,葵花其次,小麦最少;研究区玉米在初期、中期、旺盛期和末期4个生长阶段平均日蒸散分别为2.0、3.09、4.2和2.79 mm/d,R^(2)分别为0.6601、0.7617、0.7701和0.7219;水分生产函数估产模型中Stewart模型在研究区模拟效果较好,其中临河区2016年玉米估产量为11018.5 kg/hm^(2),相对误差为6.82%。该研究可作为干旱区作物生育期监测及估产的重要方法之一,为灌区科学灌溉提供依据。

作物估产的遥感—数值模拟方法

本文在分析遥感估产、数值模拟估产方法的基础上 ,提出了作物估产的新思路—即利用遥感与农业气象数值模拟技术相结合的办法来进行作物估产研究 ,供同行们商讨。

农作物精细化遥感估产应用——以黑龙江省庆安县作物估产项目为例

中国是农业大国,快速、准确地获取农作物产量信息对于相关部门及时制定农业政策和确保粮食安全以及推动相关行业的发展有着重要的意义。通过高分辨率影像精细化地获取作物产量信息是当今遥感应用领域的热点。本文以珈和科技在黑龙江省庆安县的估产项目为例,探讨了遥感技术在农作物精细化估产领域的实际应用,给出了具体的应用流程,评估了精细化遥感估产应用效果及估产精确度,并对农作物精细化遥感估产应用后续的改进方向及产生的有益影响进行了相关的阐述。

作物生长模型研究现状与展望

作物生长模型由最初的作物生长发育模型发展到农业决策支持模型,在科学研究、农业管理、政策制定等方面发挥着越来越重要的作用。本文首先回顾了作物生长模型的发展过程,并按照模型主要驱动因子,将作物生长模型分为土壤因子、光合作用因子和人为因子驱动3类并分别进行了归纳阐述;然后对典型的模型分别从模型模块、时空尺度、可模拟的作物类型等方面进行列表式对比;并对作物生长模型在气候变化评估、生产管理决策支持、资源管理优化等方面的应用,以及面临的极端条件、复杂农业景观和模型复杂度等挑战进行了总结,在此基础上认为遥感数据同化和孪生农场是其发展方向。

作物遥感估产的现状及其展望

总结了国内外作物遥感估产的状况,并对作物遥感的技术集成和便利化服务、数据处理、农业标准化、农学机理、扩大用户需求共4个方面作了展望。

我国农作物遥感估产研究进展

概述了遥感在我国农作物长势监测、种植面积测算和产量估算等方面的应用和研究进展,同时分析了近来MODIS在农作物遥感估产方面的应用和存在的问题。展望了我国遥感估产的研究及发展方向,认为3S技术一体化、高光谱遥感、定量遥感是今后遥感估产应用的发展方向。

基于GVG采样系统检验遥感图像解译精度的方法——以其在农作物遥感估产中的应用为例

以在农作物遥感估产中的应用为例,介绍了运用GVG(GIS&VIDEO&GPS)野外采样系统,检验遥感图像解译精度的方法。即在遥感影像解译过程中,利用GVG系统实地采样图像数据实时检验不确定图斑解译的结果;在遥感影像解译完成后,利用GVG采样统计结果及其缓冲区(Buffer)抽样方式检验遥感图像解译精度。在武汉市新洲估产样区进行的试验表明,该方法简便易行,为提高与检验遥感图像解译精度提供了新的方法和思路。

基于遥感和作物生长模型的多尺度冬小麦估产研究

粮食安全是社会和谐、政治稳定和经济可持续发展的重要保障。准确预测区域乃至全球的农作物产量能够为各级政府、相关部门制定农业农村政策提供技术支持,保障粮食安全。目前关于农作物估产的研究大多具有地域性、经验性,过分依赖地面实测数据,一种基于多光谱卫星遥感数据和作物生长模型估算农作物产量的模型框架SCYM(Scalable Crop Yield Mapper)能够极大地减少模型对实测数据的依赖,快速应用于不同空间尺度、不同种类作物的估产,为多尺度农作物估产研究提供了一条有效的途径。以安徽省2012年—2018年冬小麦为研究对象,通过总结前人研究确定的敏感参数及其在研究区内的波动范围,结合大量实割实测数据优化WOFOST(WOrld FOod STudies)模型参数;将模拟产量、不同时段的模拟叶面积指数(LAI)同遴选出的天气变量训练随机森林模型,并以最佳观测日期组合下的MODIS-LAI代替对应时段的模拟LAI进行产量估算。结果表明:(1)模型产量估算值与站点实测值的总体相关性为0.758(R 2为0.575),RMSE为790.92 kg·ha^(-1)。精度较高的站点主要分布在淮北平原(<1%)而高误差区域集中于皖南丘陵地带(>40%);(2)对2012年—2018年全省范围进行冬小麦估产,根据7年平均估产结果的空间分布,小麦单产由北向南逐渐减少,高值区出现在皖北的淮北平原,低值区主要分布于皖中、皖南地区;(3)2012年—2018年实测单产平均值为6058.00 kg·ha^(-1),SCYM估算单产平均值为5984.95 kg·ha^(-1),且估算产量与实测产量的年际时间序列的相关性为0.822,RMSE为189.96 kg·ha^(-1),每年估产的相对误差均不超过6%。研究表明SCYM估产框架对安徽省冬小麦产量估算具有一定的可行性,在产量预报方面效果良好。该方法能够在一定程度上改善以往估产模型存在的地域性、经验性问题,在区域尺度的应用方面具有极大的潜力,未来可为农业估产提供极其重要的理论依据和实用价值。

作物遥感估产中自动分类方法研究进展与展望

作物面积的提取是遥感作物估产中的技术关键和难点 ,如何选取分类方法将直接影响估产精度。在介绍作物遥感估产常见自动分类方法的基础上 。

农作物气象卫星遥感监测和估产研究进展及前景探讨

利用气象卫星动态监测我国广大农业区农作物生长状况，估测农作物产量的服务，已成为国家、各省市、甚至地县级领导部门指导农业生产决策不可缺少的重要方面。截止到１９９５年的不完全统计，全国已有２１个省市（直辖市、自治区）气象局开展了这项服务，涉及的农作物有水稻、小麦、玉米、杂粮、棉花和蔬菜等，取得了很好的经济和社会效益。文章回顾了我国气象部门，以及其它部门过去１０多年中，在气象卫星作物监测和估产研究方面取得的重要进展，探讨了今后进一步深入应用有待解决的问题。

基于遥感多参数和CNN-Transformer的冬小麦单产估测

为了提高冬小麦单产估测精度,改善估产模型存在的高产低估和低产高估等现象,以陕西省关中平原为研究区域,选取旬尺度条件植被温度指数(VTCI)、叶面积指数(LAI)和光合有效辐射吸收比率(FPAR)为遥感特征参数,结合卷积神经网络(CNN)局部特征提取能力和基于自注意力机制的Transformer网络的全局信息提取能力,构建CNN-Transformer深度学习模型,用于估测关中平原冬小麦产量。与Transformer模型(R^(2)为0.64,RMSE为465.40 kg/hm^(2),MAPE为8.04%)相比,CNN-Transformer模型具有更高的冬小麦单产估测精度(R^(2)为0.70,RMSE为420.39 kg/hm^(2),MAPE为7.65%),能够从遥感多参数中提取更多与产量相关的信息,且对于Transformer模型存在的高产低估和低产高估现象均有所改善。基于5折交叉验证法和留一法进一步验证了CNN-Transformer模型的鲁棒性和泛化能力。此外,基于CNN-Transformer模型捕获冬小麦生长过程的累积效应,分析逐步累积旬尺度输入参数对产量估测的影响,评估模型对于冬小麦不同生长阶段的累积过程的表征能力。结果表明,模型能有效捕捉冬小麦生长的关键时期,3月下旬至5月上旬是冬小麦生长的关键时期。

遥感图像生态土地分类法在农作物种植面积提取中的应用

农作物遥感估产技术系统的中心环节之一是农作物种植面积的信息提取。快速、准确地获取农作物有关信息是一个关键性技术问题。针对松辽平原玉米遥感估产地区的自然环境和经济条件及玉米生长发育特征 ,利用以TM图像为主的多种遥感信息源 ,结合地面波谱测试等数据 。