基于多源遥感信息的作物病虫害生境评价研究进展

作物病虫害严重影响粮食产量和质量,对农业生产造成巨大损失。开展作物病虫害生境适宜性评价能够对适合病虫害繁殖和流行的环境区域进行有效表征,为病虫害预测提供重要信息。由于作物病虫害发生和流行受多种生境因素影响,同时这些生境因素时空异质性高,难以通过传统气象站点数据、人为调查等方式进行有效表征,为病虫害生境评价带来较大的挑战。遥感技术的发展和成熟为病虫害生境信息表征带来重要机遇。多源遥感信息在时空异质信息表征方面具有天然优势,同时能与传统气象站点数据形成信息互补,为病虫害生境适宜性评价提供全面、丰富的信息,支持生境适宜性评价模型的构建。本文对多源遥感信息在作物病虫害生境适宜性评价方面的研究进展进行综述,重点分析多源遥感数据在寄主作物分布及生长状态、环境气象条件和景观等病虫害生境因子表征方面的潜力,以及大范围生境适宜性评价涉及的统计模型、机器学习模型和生态位模型等建模方法。在此基础上,提出基于多源遥感信息的作物病虫害生境评价模型构建的框架,并对技术的发展趋势进行探讨,为更加精准、科学的区域尺度病虫害防控管理提供技术支撑,为病虫害统防统治和绿色防控提供科学指导。

基于遥感时序物候特征的耕地非粮化多模式监测方法

耕地非粮化对粮食生产和农业可持续发展构成潜在威胁,精准监测不同的耕地非粮化类型对制定针对性的农业管理政策至关重要。该研究以河北省石家庄市藁城区为研究区,首先采用最大类间方差算法(OTSU)提取果园和耕地范围,然后利用Google Earth Engine(GEE)云计算平台构建了基于Sentinel-2遥感数据的特征集,包括光谱特征、物候特征和NDVI(normalized difference vegetation index)时序特征。结合面向对象分割和随机森林(radom forest, RF)、时间加权的动态时间规整(time-weighted dynamic time warping, TW-DTW)算法,构建了4种不同的分类模式用于提取粮食作物和露天蔬菜、大棚种植等非粮食作物。通过选择最优模式,提取了研究区2019-2022年间不同非粮化类型的空间分布信息,并探讨了不同模式的优点和局限性。结果表明:1)采用面向对象的机器学习模式进行耕地内作物分类的精度最佳,两个生长季内总体精度分别达到93.23%和90.10%,Kappa系数分别达到0.91和0.88;2)基于时间序列匹配的模式在区分粮食作物和其他地类方面表现出较高的准确性,冬小麦、玉米和大豆的用户精度分别高于95.60%、74.70%、82.70%,制图精度分别高于97.70%、86.40%、93.10%;3)利用面向对象的机器学习模式进行耕地非粮化信息提取,在两个作物生长季的总体精度为87.00%和81.00%。分析耕地非粮化结果发现,藁城区2019-2022年的年际性非粮化面积为2 753.09 hm^(2),其中果园占比最高;而季节性非粮化结果显示,秋粮非粮化面积(3 174.86 hm^(2))明显高于夏粮非粮化面积(1 060.27 hm^(2))。该研究利用Sentinel-2时序遥感数据,为一年两熟区耕地非粮化监测提供一种新的思路,可以为制定差异化农业管理政策提供依据。

利用VGC-AGB模型和高光谱遥感的马铃薯地上生物量估算

马铃薯是继水稻、小麦、玉米之后的一种重要的粮食作物,其优化种植和生产对于保障粮食安全具有重要的意义。作物的地面生物量(AGB)被广泛认为与作物的生长状态密切相关,常常被直接用来参与作物产量预测和健康状态参数评估。现有的研究表明,遥感植被指数在中高作物覆盖度时会丧失对作物参数的敏感性,即“饱和现象”,这制约了作物生长中后期AGB的准确监测。采用了一个新型垂直生长作物AGB估算模型(VGC-AGB)结合高光谱遥感开展马铃薯多生长阶段的AGB估算研究。针对多生长时期遥感光谱指数开展作物生物量监测中存在的“饱和问题”,VGC-AGB定义了叶片干物质含量(C_(m))和垂直器官干物质含量(C_(sm))2个参数,分别描述马铃薯叶片和茎的平均干物质含量,并通过叶面积指数(LAI)×C_(m)计算叶片的地上生物量(AGB l),通过种植密度(C_(d))、马铃薯株高(C_(h))和C_(sm)的乘积,即C_(d)×C_(h)×C_(sm)计算垂直器官的地上生物量(AGB v)。基于国家精准农业研究示范基地2019年马铃薯田间实验,分别获取了马铃薯4个关键生长时期的地面ASD高光谱数据、实测株高、AGB和LAI数据等,并利用高光谱反射率数据构建了高光谱特征参数,分别对比了(1)高光谱特征参数+株高,(2)地面测量参数+VGC-AGB模型和(3)高光谱特征参数+VGC-AGB模型的3种马铃薯AGB估算模型的性能。结果表明,与传统的高光谱遥感植被指数+株高的AGB估算方法相比,新型VGC-AGB模型结合高光谱遥感数据可以提供更高性能的马铃薯AGB l、AGB v和总AGB估算结果,该方法可为马铃薯AGB的快速无损监测提供技术支撑。

大田作物病害遥感监测技术及模型的研究现状与展望

【目的】高效准确监测大田作物病害对作物生产和粮食安全至关重要。文章旨在系统梳理大田作物病害遥感监测技术及模型的研究成果,推动作物病害监测技术发展与应用。【方法】采用文献检索、归纳总结等方法,系统梳理了国内外大田作物病害遥感监测研究,阐述了大田作物病害遥感监测技术的未来发展趋势。【结果】(1)阐述大田作物病害遥感监测基本原理,并构建了基本框架;(2)大田作物病害监测遥感数据源主要包括多光谱、高光谱、荧光和热红外遥感;(3)大田作物病害监测遥感模型主要包括统计模型、传统机器学习模型和深度学习模型。【结论】未来应以病害早期监测、实时监测系统和数据共享为重点突破和研究的方向,为大田作物病害实时或准实时监测预测提供技术支撑。

农业遥感学科群发展及展望

【目的】农业遥感是科学的重要分支,既具有很强的交叉学科特征,又聚焦非常明确的行业应用场景,文章从“科技创新—行业应用”结合的角度,回顾农业遥感学科群建设的阶段历程,提出农业遥感学科群发展建议。【方法】采用文献综述法、内容分析法、对比论证法等方法,对农业遥感学科群建设阶段进行回顾,对农业遥感学科群建设现状进行介绍,对农业遥感学科群发展提出建议。【结果】我国农业遥感工作始于20世纪80年代初,以成立国家遥感中心、组建农业部农业遥感学科群等为标志,经历了引进学习、技术攻关、理论技术应用协同发展等3个阶段。“十四五”期间,农业遥感学科群围绕高分遥感机理、土地监测监管、农业灾害监测预警开展“一基两翼”重点科技攻关,以科技支撑农业强国建设。【结论】面向未来农业遥感国际学科前沿与国家重大需求,农业遥感学科群还需扩充土壤遥感、作物表型遥感等专业实验室,建设区域实验室与科学观测实验站,推进政产学研一体化,深化国内外交流与合作,高质量推动全国农业遥感创新应用体系建设。

基于无人机多光谱植被指数的生菜全氮含量预测

我国露地蔬菜种植规模庞大,生产方式高度集约化,但过量施肥等导致的水氮利用效率低下的问题较为严重。为实现露地蔬菜规模化种植中精准施肥、高效生产的目标,以露地生菜为研究对象,设无氮(N0)、低氮(N1)、高氮(N2)三个处理,通过无人机搭载多光谱相机,建立3种多光谱植被指数(NDVI、RVI和SAVI)与生菜叶绿素、生物量、吸氮量、全氮含量数据集,并构建单生育期和多生育期氮素诊断模型。结果表明:(1)在莲座期和结球期,生菜各处理NDVI、RVI和SAVI值表现出随施氮量的增加而增大,但在收获期,N1处理达到最大值。(2)在生菜结球期,NDVI与生菜的产量、吸氮量、叶绿素均存在显著相关性,其中生菜全氮含量与叶绿素在p≤0.01水平下显著相关,相关系数(R)为0.51;综合生菜多生育期,NDVI值与生菜的产量、叶绿素、吸氮量和全氮含量均在p≤0.001水平下达到极显著相关,相关系数分别为0.85、0.82、0.81和0.71。(3)通过相应数据集拟合出指数、线性、对数和幂函数4种模型关系,建立生菜多生育期植株全氮最佳预测模型:全氮=16.52ln(NDVI)+73.514;应用生菜全氮估层模型反演基地生产田块,其平均相对误差为3.22%、RMSE=0.5566、NRMSE=0.0108,说明模型估算效果均较好,通过无人机多光谱遥感对蔬菜氮素诊断具有一定的可行性。

基于无人机成像高光谱估算马铃薯植株氮含量

植株氮含量(PNC)是评价作物长势和氮营养状况的重要指标,因此,准确高效地获取PNC信息,对动态监测马铃薯长势及精准施控氮肥具有重要意义。首先于马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期获取无人机高光谱影像,并基于预处理的影像提取5个生育期冠层的原始光谱和一阶微分光谱;其次将提取的冠层光谱与马铃薯PNC进行相关性分析,筛选出PNC的敏感波长;然后分别利用灰度共生矩阵和1~3阶颜色矩,提取冠层原始光谱特征波长处高光谱图像的纹理和颜色2种图像特征,并将提取的特征与马铃薯PNC进行相关性分析,筛选出相关性较高的前5个图像特征;最后分别基于光谱特征、图像特征和图谱融合特征利用弹性网络回归(ENR)、贝叶斯线性回归(BLR)和极限学习机(ELM)3种方法建立马铃薯PNC估算模型。结果表明:(1)马铃薯5个生育期的冠层光谱特征波长存在差异,但多数位于可见光区域。(2)冠层原始光谱特征波长图像的纹理和颜色特征与PNC的相关性较高,且现蕾期到淀粉积累期的相关性明显高于成熟期。(3)基于单一光谱特征和单一图像特征构建的马铃薯PNC估算模型在现蕾期到淀粉积累期效果较好,成熟期效果较差。(4)现蕾期到淀粉积累期,基于图谱融合特征的马铃薯PNC估算效果明显优于单一光谱特征和单一图像特征。(5)马铃薯各生育期,基于同种变量利用ENR构建的PNC估算模型效果较好,BLR次之,ELM较差。其中,以图谱融合特征为模型变量,利用ENR构建的PNC估算模型精度和稳定性最好,5个生育期的建模R^(2)分别为0.91、0.75、0.82、0.77和0.69,RMSE分别为0.24%、0.31%、0.26%、0.22%和0.29%,NRMSE分别为6.59%、9.79%、9.58%、7.87%和11.03%。该研究可为马铃薯的氮营养监测提供一种快捷高效的技术手段。

利用光谱空间特征估算马铃薯植株氮含量

植株氮含量(PNC)是评价作物长势和营养状况的重要指标,快速准确获取作物的PNC信息可为农田管理策略的制定与实施提供重要依据。已有研究表明,仅采用影像的光谱信息估算作物的PNC存在饱和现象,该研究尝试采用植被指数(VIs)结合二维离散小波分解技术(DWT)提取的多个尺度的高频信息(HFI)构建一种光谱空间特征(VIs+HFI),探究VIs、 HFI和VIs+HFI估算PNC的能力。首先,以无人机为遥感平台获取马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期5个氮营养关键生育期的数码影像并实测各生育期的PNC数据。其次,基于预处理的无人机影像,提取各生育期冠层的光谱信息构建VIs,并采用DWT提取各生育期1~5尺度的HFI。然后,将各生育期提取的VIs和HFI与马铃薯PNC进行相关性分析,分别筛选出相关系数绝对值较大的前7个VIs和前10个HFI。为降低共线性对实验结果的影响,根据KMO检验结果对筛选的HFI进行主成分分析(PCA)降维处理。最后,采用岭回归和极限学习机(ELM) 2种方法分别以VIs、 HFI主成分和VIs+HFI主成分为模型变量构建马铃薯各生育期的PNC估算模型,并进行评估。结果表明:(1)马铃薯各生育期,1~5尺度的HFI对估算PNC均有贡献。(2)以VIs+HFI为模型变量构建的马铃薯PNC估算模型的精度和稳定性高于单一VIs和HFI。(3)马铃薯各生育期,以岭回归方法构建的PNC估算模型优于ELM方法。其中,以VIs+HFI为模型变量构建的PNC估算模型效果最优,5个生育期的建模R^(2)分别为0.833、 0.764、 0.791、 0.664和0.435, RMSE分别为0.332%、 0.297%、 0.275%、 0.286%和0.396%;NRMSE分别为9.113%、 9.425%、 10.336%、 9.547%和15.166%,该研究可为马铃薯氮营养状况的实时高效监测提供一种新的技术支撑。

基于Google Earth Engine和机器学习的耕地土壤有机质含量预测

土壤有机质含量是耕地质量定级的依据,是耕地质量评价的核心内容之一,因此,精准高效地获取土壤有机质含量非常重要。高分辨率遥感技术和谷歌地球引擎(Google Earth Engine,GEE)云计算平台的出现,为土壤有机质的高效反演提供了新的途径和方法。该研究以藁城区的Sentinel-2A MSI数据和Landsat8 OLI数据为主要的数据源,结合Sentinel-1 SAR数据、ECMWF/ERA5气象数据和USGS/SRTMGL1_003高程数据,分别采用随机森林(Random Forest,RF)、梯度升级树(Gradient Boosting Decision Tree,GBDT)和支持向量机(Support Vector Machine,SVM)算法,在GEE平台对藁城耕地土壤有机质含量进行反演。结果表明:1)基于Sentinel-2A建立的模型(模型A*)在预测SOM含量方面优于基于Landsat8建立的模型(模型B*),GBDT算法下的Sentinel-2A的全变量模型取得了最佳结果(R2=0.759,RMSE=2.852 g/kg);2)考虑红边波段的Sentinel-2A数据建立的模型(A-1)比不考虑红边波段的模型(A-0),R2提高了9.752%;3)从不同的预测算法来看,GBDT算法能较好地适用于研究区的土壤有机质预测,GBDT算法、Sentinel-2A与GEE的结合是土壤有机质预测制图的一种有效方法。

利用无人机高光谱估算冬小麦叶绿素含量

叶绿素含量(SPAD)是作物长势评价的重要指标,可以监测农作物的生长状况,对农业管理至关重要,因此快速、准确地估算SPAD具有重要意义。以冬小麦为研究对象,利用无人机高光谱获取了拔节期、挑旗期和开花期的影像数据,获取植被指数和红边参数,研究植被指数与红边参数估算SPAD的能力。先将植被指数与红边参数分别与不同生育期的SPAD进行相关性分析,再基于植被指数、植被指数结合红边参数,通过偏最小二乘回归(PLSR)方法估算SPAD,最后制作SPAD分布图验证模型的有效性。结果表明,(1)大部分植被指数与红边参数在3个主要生育期与SPAD相关性均达到极显著水平(0.01显著);(2)单个植被指数构建的SPAD估算模型中,LCI表现最好(R^(2)=0.56,RMSE=2.96,NRMSE=8.14%),红边参数中Dr/Dr_(min)表现最好(R^(2)=0.49,RMSE=3.18,NRMSE=8.76%);(3)基于植被指数结合红边参数构建的SPAD估算模型效果最佳,优于仅基于植被指数构建的SPAD估算模型,同时,随着生育期推移,两种模型均在开花期达到最高精度,R^(2)分别为0.73和0.78,RMSE分别为2.49和2.22,NRMSE分别为5.57%和4.95%。因此,基于植被指数结合红边参数,并使用PLSR方法可以更好地估算SPAD,可以为基于无人机遥感的SPAD监测提供一种新的方法,也可为农业管理提供参考。

利用无人机多源传感器估算马铃薯植株氮含量

快速准确地获取作物的植株氮含量(PNC)信息,是农业精细化管理的关键和数字农业发展的研究热点。近年来,随着无人机和传感器技术的发展,利用多种传感器信息监测作物理化参数逐渐引起国内外学者的关注。以马铃薯为研究对象,首先,基于无人机获取了马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期的高光谱影像和数码影像,同时采集各生育期的地面数码影像,并实测了株高(H)、PNC和11个地面控制点(GCPs)的三维空间坐标。其次,利用无人机数码影像结合GCPs生成试验区域的数字表面模型(DSM),分别从无人机数码影像和DSM中提取马铃薯的地面覆盖度(VC)和株高(H),并利用地面数码影像计算的覆盖度(VC)和实测H验证提取的VC和H的精度。然后,根据高光谱反射率数据计算绿边参数(GEPs),构造GEPs×H×VC,GEPs/(1+VC),(GEPs+VC)×H和GEPs/(1+H)4种融合特征参数(FFPs),对高光谱影像信息和数码影像信息进行融合。最后,将各生育期提取的GEPs和构造的FFPs分别与PNC作相关性分析,筛选最优绿边参数(OGEP)和最优融合特征参数(OFFP)构建5个生育期的PNC线性估算模型,并根据相关性较高的GEPs和FFPs利用偏最小二乘(PLSR)和人工神经网络(ANN)2种回归方法构建PNC的多参数估算模型,结果表明:(1)基于无人机数码影像提取的H和VC具有较高的精度,可以代替实测H和VC估算作物理化参数。(2)与GEPs相比,前4个生育期,构造的大部分FFPs与PNC的相关性更高,能更好地反映马铃薯的氮营养状况。(3)马铃薯5个生育期,OFFP估算PNC的效果优于OGEP。(4)与单参数模型相比,基于GEPs和FFPs利用PLSR和ANN 2种方法构建的模型精度和稳定性均明显提高,其中,以FFPs为模型因子利用ANN方法构建的模型效果最好。该研究表明融合高光谱绿边参数和高清数码相机传感器提取的株高和覆盖度信息能显著提升PNC的估算精度,可为马铃薯氮营养状况的动态无损监测和多源传感器信息的应用提供参考。

基于日气温特征值与冷/热积量模型耦合的苹果始花期预报模型

以临猗、洛川和栖霞3个富士系苹果主产区为研究区,基于2019−2020年各地调查样点的1km格网气象数据、实际始花期数据以及冷小时模型(Chilling Hour Model,CHM)和生长度小时(Growing Degree Hour,GDH)模型,利用网格搜索法得到苹果始花期最优冷/热需求量;然后将日气温特征值(日最高温T_(max)、日最低温T_(min)和日平均温T_(avg))划分为单因子、双因子和三因子7种日气温特征因子组合方式,利用随机森林算法(Random Forest,RF)构建3个地区不同日气温特征因子组合下的日冷/热积量模型,以筛选最优日气温特征因子;在此基础上,基于最优日气温特征因子,利用RF构建苹果始花期预报模型,并通过独立实际始花期数据对预报模型进行精度评价。结果表明:(1)临猗地区的苹果始花期最优冷/热需求量分别为730CH和7350GDH,洛川地区分别为345CH和4950GDH,栖霞地区分别为520CH和4450GDH;(2)7种日气温特征因子组合中,T_(max)、T_(min)和T_(avg)三因子组合下的3个地区日冷/热积量模型在估算日冷/热积量时均具有较高的准确性,日冷积量估算值与基于CHM模型得到的日冷积量间的RMSE为0.97~2.50CH,日热积量估算值与基于GDH模型得到的日热积量间的RMSE为1.73~15.76GDH;(3)利用苹果始花期预报模型估算日冷/热积量,日冷/热积量估算值与基于CHM/GDH模型得到的日冷/热积量间的RMSE分别为1.08~1.14CH和2.03~3.74GDH;当利用该模型进行苹果始花期预报时,预报值与实际值R^(2)为0.92,RMSE为3.44d,其精度与基于真实逐小时气温数据的精度整体一致,表明本研究构建的苹果始花期预报模型可以有效将输入气温数据从逐小时尺度转换为日尺度,这在后续苹果始花期预报工作中具有较好的应用价值和潜力。

多源数据小麦条锈病预测研究

小麦条锈病是导致小麦大规模减产的气传性病害,其传播扩散过程受多种因素影响,常用的作物病害气象预测模型难以准确模拟。为实现小麦条锈病发病率的精准预测,提出一种基于气象和遥感数据建立的SEIR-StripeRust动态预测模型。以甘肃省陇南地区为研究区,首先基于气象数据和MODIS遥感数据分别构建气象因子和植被指数,然后与发病率进行相关性分析筛选敏感因子并耦合基本感染率,进而建立SEIR-StripeRust模型,最后采用后向传播神经网络(BPNN)、支持向量回归(SVR)和多元线性回归(MLR)模型对比验证SEIR-StripeRust模型的有效性。结果表明:平均气温、相对湿度和归一化植被指数与小麦条锈病发病率显著相关,其建立的SEIRStripeRust模型预测精度最高,决定系数R~2达到0.79,均方根误差RMSE为0.10,平均绝对误差MAE为0.09,均优于相同特征变量下的BPNN、SVR和MLR模型。研究结果表明SEIRStripeRust模型能够有效预测小麦条锈病发病率,并为县域尺度的小麦条锈病预测和精确防控提供技术支持。

基于连续小波变换和机器学习的小麦产量预测

及时、准确的作物估产,对作物管理决策和粮食安全评估具有重要意义。该研究在建立一种耦合连续小波变换(CWT)与机器学习准确预测小麦产量的方法。基于2020年—2021年两年小麦田间试验获取的开花期和灌浆期冠层高光谱数据及产量数据,首先采用CWT提取三种小波特征(WFs),分别为:基于Bortua方法筛选的特征波段(Bortua-WFs)、提取WFs与小麦产量确定系数的前1%(1%R^(2)-WFs)和单一分解尺度下的所有WFs(SS-WFs)。然后采用随机森林(RF)、 K最邻近(KNN)和极端梯度提升(XGBoost)三种机器学习算法构建产量预测模型。最后选取最优的光谱特征,采用相同的方法进行建模并比较。结果表明:(1)三种WFs结合机器学习方法的模型均表现良好,基于Bortua-WFs构建的模型具有更高的精度和稳定性。(2)相比光谱特征模型,Bortua-WFs模型在各生育期的精度均有所提高,开花期的R^(2)精度分别提高了17.5%、 4%和39.6%,灌浆期分别提高了8.4%、 5.6%和16.9%。(3)灌浆期的产量估算模型优于开花期,结合Bortua-WFs和XGBoost的模型表现最佳,R^(2)为0.83, RMSE为0.78 t·ha^(-1)。该研究比较了不同特征和方法相结合的性能,确定了不同方案下的最佳模型精度,为光谱准确预测小麦产量提供技术参考。

利用无人机激光雷达提取玉米叶面积密度

叶面积密度可以表征冠层内部叶面积的垂直分布,是作物生长发育、营养诊断和育种研究的重要结构参数。激光雷达通过发射多脉冲和接收多回波信号可以探测到作物冠层内部信息。首先基于无人机激光雷达获取60个小区多航线的玉米点云数据,采用基于接触频率的体素法对叶面积密度进行估算,再对多个体素大小进行分析得到最优体素大小(0.2 m);其次对各航线以及航线叠加效果进行对比,得到无人机激光雷达获取点云数据的最优激光脉冲入射角(-30°~52°);然后结合玉米叶倾角和激光脉冲入射角对叶面积密度估算模型进行校正,从而提高叶面积密度估算精度;最后通过对不同种植密度和不同品种的玉米叶面积密度分布进行分析,得到不同品种玉米的发育快慢、株型特点以及最合理的种植密度。以上结果可为基于无人机激光雷达数据估算叶面积密度提供指导,并为玉米育种和科学管理提供参考。