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
基于无人机高光谱遥感数据的冬小麦生物量估算
Ａｂｓｔｒａｃｔ:
Ｕｓｉｎｇ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ ( ＶＩ) ａｎｄ ｒｅｄ ｅｄｇｅ ｐａｒａｍｅｔｅｒ ( ＲＥＰＳ) ａｓ ｍｏｄｅｌ ｆａｃｔｏｒｓꎬ ｍｕｌｔｉｖａｒｉａｔｅ ｌｉｎｅａｒ ｒｅ￣
ｄｏｉ:１０.３９６９ / ｊ.ｉｓｓｎ.１０００￣４４４０.２０２０.０５.０１２
基于无人机高光谱遥感数据的冬小麦生物量估算
陶惠林１ꎬ２ꎬ３ꎬ４ ꎬ 冯海宽１ꎬ３ꎬ４ ꎬ 徐良骥２ ꎬ 杨ꎬ４ ꎬ 刘明星１ꎬ３ꎬ４
(１.农业农村部农业遥感机理与定量遥感重点实验室ꎬ北京农业信息技术研究中心ꎬ北京 １０００９７ꎻ ２.安徽理工大学测绘学院ꎬ
安徽 淮南 ２３２００１ꎻ ３.国家农业信息化工程技术研究中心ꎬ北京 １０００９７ꎻ ４. 北京市农业物联网工程技术研究中心ꎬ北京
１０００９７)
摘要: 以植被指数和红边参数为模型因子ꎬ利用多元线性回归(ＭＬＲ)ꎬ构建冬小麦不同生育期的生物量估算模
型ꎬ从而有效和更好地监测冬小麦的长势情况ꎬ为精准农业中作物的快速监测提供技术手段ꎮ 首先分析植被指数
ｏｇｙ ｉｎ Ａｇｒｉｃｕｌｔｕｒｅꎬ Ｂｅｉｊｉｎｇ １０００９７ꎬ Ｃｈｉｎａꎻ ２.Ｓｃｈｏｏｌ ｏｆ Ｇｅｏｄｅｓｙ ａｎｄ Ｇｅｏｍａｔｉｃｓꎬ Ａｎｈｕｉ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙꎬ Ｈｕａｉｎａｎ ２３２００１ꎬ Ｃｈｉｎａꎻ
３.Ｎａｔｉｏｎａｌ Ｅｎｇｉｎｅｅｒｉｎｇ Ｒｅｓｅａｒｃｈ Ｃｅｎｔｅｒ ｆｏｒ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ ｉｎ Ａｇｒｉｃｕｌｔｕｒｅꎬ Ｂｅｉｊｉｎｇ １０００９７ꎬ Ｃｈｉｎａꎻ ４.Ｂｅｉｊｉｎｇ Ｅｎｇｉｎｅｅｒｉｎｇ Ｒｅｓｅａｒｃｈ Ｃｅｎｔｅｒ ｆｏｒ Ａｇｒｉ￣
基于LAI的吉林春玉米作物模型与遥感的同化及灌溉模拟
作物模型输入的部分数据由于不能直接测量所以需要进行前期 准备工作,随后采用初始变量扰动法确定WOFOST模型中的参数敏 感度,根据敏感性分析结果并参考相关文献对参数进行调整,以 确定WOFOST模型的品种和土壤参数值;以榆树和白城站的20022011年作物发育期资料、叶面积指数资料和产量资料对模型结 果进行验证,据此确定适用于吉林省站点的WOFOST模型参数。(2) 遥感数据的处理。
吉林省春玉米种植主要受当地水资源制约,因此玉米的需水规律 和灌溉研究对当地粮食的稳产高产具有重要意义。通过计算春 玉米各生育期的需水量和有效降水量得到全生育期的灌溉需求 指数,以确定关键灌溉期;计算不同降水年型下生育期的灌溉量 来设定灌溉模拟方案,利用WOFOST-EnKF嵌套模型实现灌溉模拟 方案得到春玉米模拟产量,结果表明吉林省中西部春玉米乳熟成熟期灌溉效率最高,其次为播种-出苗期,可根据条件增加乳熟 -成熟期灌溉和关键生育期的灌产品,遥感数据通常会受天气、气 溶胶等未知因素影响,使得遥感值容易出现异常值,所以选取 Savitzky-Golay滤波方法处理MODIS遥感产品的时间序列曲线, 实现数据平滑和去除异常值的目的,同时结合研究区域叶面积实 测值和Logistic方程对平滑后的数据进行修正,得到与实际生育 期内生长发育情况更为接近的春玉米叶面积指数连续时间序列 曲线,为后面数据同化做好准备。(3)构建WOFOST-EnKF同化。
利用集合卡尔曼滤波算法,以8d时间序列的MOD 15叶面积指数作 为外部同化数据进行同化模拟,在榆树进行单点研究,并对比同 化后模拟产量与WOFOST模型的模拟产量,结果表明基于同化方法 构建的模型模拟产量值较同化前模型模拟产量值与实测值相差 小。(4)吉林省春玉米主要种植区灌溉方案的设定及作物模型模 拟研究。
基于遥感多参数和门控循环单元网络的冬小麦单产估测
基于遥感多参数和门控循环单元网络的冬小麦单产估测 王鹏新;王婕;田惠仁;张树誉;刘峻明;李红梅 【期刊名称】《农业机械学报》 【年(卷),期】2022(53)9 【摘 要】为进一步准确、实时监测冬小麦长势并估测其产量,以陕西省关中平原为研究区域,选取冬小麦旬或生育时期尺度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,分别构建不同时间尺度的单参数、双参数和多参数的门控循环单元(GRU)神经网络模型,并模拟得到冬小麦长势综合监测指数I,结果表明,旬尺度的模型精度总体高于生育时期尺度的模型精度。基于5折交叉验证法进一步验证旬尺度多参数GRU模型的鲁棒性,并构建I与统计单产之间的线性回归模型以估测冬小麦单产,结果显示,冬小麦估测单产与统计单产的决定系数(R^(2))为0.62,均方根误差(RMSE)为509.08 kg/hm^(2),平均相对误差(MRE)为9.01%,相关性达到极显著水平(P<0.01),表明旬尺度的多参数估产模型能够较准确地估测关中平原冬小麦产量,且产量分布呈现西高东低的空间特性和整体保持稳定且平稳增长的年际变化特征。此外,基于GRU模型捕获冬小麦生长的累积效应,分析在连续旬中逐步输入参数对产量估测的影响,结果显示,模型具有识别冬小麦关键生长阶段的能力,3月下旬至4月下旬是冬小麦生长的关键时期。
【总页数】10页(P207-216) 【作 者】王鹏新;王婕;田惠仁;张树誉;刘峻明;李红梅 【作者单位】中国农业大学信息与电气工程学院;陕西省气象局;中国农业大学土地科学与技术学院 【正文语种】中 文 【中图分类】S512.11;S127 【相关文献】 1.基于卷积神经网络和双向门控循环单元网络注意力机制的情感分析2.基于门控循环单元的蛛网形FBG传感网络设计3.基于门控循环单元和图神经网络的PM2.5预测4.基于图卷积网络和门控循环单元的多站点气温预测模型5.基于门控循环单元神经网络的测井曲线预测方法
基于多源时空数据的冬小麦产量预测模型
刘靖宇，李远斌，董 昊，等．基于多源时空数据的冬小麦产量预测模型［Ｊ］．江苏农业科学，２０２３，５１（１９）：１９８－２０８．ｄｏｉ：１０．１５８８９／ｊ．ｉｓｓｎ．１００２－１３０２．２０２３．１９．０２９基于多源时空数据的冬小麦产量预测模型刘靖宇，李远斌，董 昊，冯俊辰，丁云鸿（哈尔滨师范大学计算机科学与信息工程学院，黑龙江哈尔滨１５００２５） 摘要：为了应对气候变化、人口增长和粮食需求增长的挑战，大规模可靠的冬小麦产量预测对粮食贸易和政策制定至关重要。
将多源时空数据（包括气候数据、土壤数据、卫星数据、时空数据）按照月份进行拆分，去除受人为因素影响最大的１０月以及次年的５月、６月，采用极端梯度提升算法（ＸＧＢｏｏｓｔ）等６个机器学习算法对山东省２００９—２０２０年１３个县（市、区）的冬小麦产量进行预测，并进行相关分析。
结果表明，提出的时间划分方式整理的数据集训练出来的模型优于以往的研究，其中ＸＧＢｏｏｓｔ模型预测精度远高于其他５个预测模型。
最佳预测时间段为１１月至次年１月。
７４个变量中贡献度最高的３个变量均为卫星因子，可见卫星数据在农业领域潜力巨大。
此外，在数据集中加上时空变量会提高精度，土壤数据和卫星数据也可以在一定程度上提高预测精度。
与日光诱导叶绿素荧光（ＳＩＦ）相比，无蓝光增强型植被指数（ＥＶＩ２）作用更强，但两者都用能给预测精度带来更大的增幅。
关键词：冬小麦；产量预测；遥感；无蓝光增强植被指数（ＥＶＩ２）；机器学习；ＸＧＢｏｏｓｔ 中图分类号：Ｓ１２７ 文献标志码：Ａ 文章编号：１００２－１３０２（２０２３）１９－０１９８－１１收稿日期：２０２３－０１－３０基金项目：黑龙江省自然科学基金（编号：ＬＨ２０２０Ａ０１９）。
作者简介：刘靖宇（１９８２—），女，黑龙江哈尔滨人，博士，副教授，主要从事模式识别与人工智能研究。
Ｅ－ｍａｉｌ：６２４７５０５３８＠ｑｑ．ｃｏｍ。
通信作者：李远斌，硕士研究生，主要从事人工智能算法研究。
冬小麦遥感估产研究进展
冬小麦遥感估产研究进展
赵庚星;余松烈
【期刊名称】《山东农业大学学报（自然科学版）》
【年(卷),期】2001(032)001
【摘要】本文对冬小麦遥感估产的研究现状及进展进行了分析。
内容包括应用的信息源类型、冬小麦产量估测模型的建立、冬小麦面积信息的提取等，并就冬小麦估产有关问题进行了探讨。
【总页数】5页(P107-111)
【作者】赵庚星;余松烈
【作者单位】山东农业大学资源与环境学院;山东农业大学农学院
【正文语种】中文
【中图分类】S512.1+1
【相关文献】
1.基于多生育期MODIS-NDVI的区域冬小麦遥感估产研究 [J], 李冰;黎世民;周磊;黄灿辉;王来刚
2.基于无人机遥感植被指数优选的田块尺度冬小麦估产 [J], 朱婉雪;李仕冀;张旭博;李洋;孙志刚
3.基于卷积神经网络的中国北方冬小麦遥感估产 [J], 周亮; 慕号伟; 马海姣; 陈高星
4.基于遥感和作物生长模型的多尺度冬小麦估产研究 [J], 余新华;赵维清;朱再春;徐保东;赵志展
5.基于4DVAR和EnKF的遥感信息与作物模型冬小麦估产 [J], 刘正春;徐占军;毕如田;王超;贺鹏;杨武德
因版权原因，仅展示原文概要，查看原文内容请购买。
基于MODISEVI的冬小麦产量遥感预测研究_王长耀
第21卷第10期2005年10月农业工程学报T ra nsactio ns o f the CS AE V o l.21 N o.10Oct. 2005基于M ODIS EV I 的冬小麦产量遥感预测研究王长耀,林文鹏※(中国科学院遥感应用研究所遥感科学国家重点实验室,北京100101)摘 要:T er ra-M O DIS 数据集同时具有归一化植被指数(N DV I)和增强型植被指数(EV I)两种植被指数。
为了对比这两种植被指数在农作物估产中的应用效果,该文利用M O D IS -N DV I 和M O DI S -EV I 作为遥感特征参量,以对美国冬小麦的长势监测与产量预测为例进行了研究:运用区域作物特定生育期内多年的N DV I 和EV I 值与作物产量进行相关分析,采用一次线性拟合方法分别建立回归方程,估算当年的农作物产量。
结果表明,EV I 明显地比N DV I 更好地与产量建立回归方程,用EV I 建立的回归方程,各州相关系数大多在0.7以上;而用N DV I 建立的回归方程,相关性不稳定。
因此利用EV I 建立的模型对2004年美国冬小麦进行估产,并将预测结果与美国国家统计署6月1号公布的预测结果进行对比,结果发现,美国国家统计署预测单产误差为 3.05%,总产误差为- 2.56%,而该研究预测结果单产误差为 2.62%,总产误差为-1.77%且预测时间比美国国家统计署预测时间提前约半个月。
可见EV I 可以更有效地进行作物监测及估产,提高预测的准确性。
关键词:M O DIS EV I;美国;冬小麦估产中图分类号:S 127 文献标识码:A 文章编号:1002-6819(2005)10-0090-05王长耀,林文鹏.基于M OD IS EV I 的冬小麦产量遥感预测研究[J].农业工程学报,2005,21(10):90-94.Wa ng Chang ya o ,Lin W enpeng .Winter wh ea t yield estimatio n ba sed on M O D IS EV I [J ].T ransactio ns o f the CSA E ,2005,21(10):90-94.(in Chinese with English abstract )收稿日期:2005-01-08 修订日期:2005-03-29基金项目:863计划(308-13-03-02及2003AA 131020);973规划(G 2000077902);中国科学院知识创新工程重大项目(KZCX 1-SW-01-02)作者简介:王长耀(1941-),男,研究员,主要从事农业及生态环境遥感研究。
基于无人机高光谱遥感的冬小麦株高和叶面积指数估算
农业机械学报第51卷第12期2020年12月doi：10.6041/j.issn.1000-1298.2020.12.021基于无人机高光谱遥感的冬小麦株高和叶面积指数估算陶惠林1徐良骥2冯海宽1,3杨贵军1,4代阳2牛亚超2（1.北京农业信息技术研究中心农业农村部农业遥感机理与定量遥感重点实验室，北京100097；2.安徽理工大学测绘学院，淮南232001；3.国家农业信息化工程技术研究中心，北京100097；4.北京市农业物联网工程技术研究中心，北京100097）摘要：为了快速、准确地估算叶面积指数（LAI）,通过无人机搭载成像高光谱相机,获取了冬小麦3个生育期的影像数据，从中提取岀株高（Hcsm）。
首先，分析了植被指数、Hcsm与LAI的相关性，挑选岀最优植被指数;然后，分别构建了单个参数的LAI线性估算模型;最后，以植被指数、植被指数结合Hcsm为模型输入因子，采用偏最小二乘回归方法构建LAI估算模型。
结果表明:通过无人机高光谱遥感影像提取的Hcsm精度较高（R2=0.95）;在不同生育期，大部分植被指数和Hcsm均与LAI呈0.01显著相关水平;基于最优植被指数结合Hcsm估算LAI的精度优于仅基于最优植被指数或Hcsm的估算精度；以植被指数、植被指数结合Hcsm为输入变量，通过偏最小二乘回归构建的LAI估算模型在开花期估算精度达到最高,并且以植被指数结合Hcsm为自变量估算LAI的能力更佳（建模R2=0.73,RMSE为0.64）。
本研究方法可以提高LAI估算精度，为农业管理者提供参考。
关键词：冬小麦；叶面积指数；株高；高光谱；植被指数；偏最小二乘中图分类号：S512.1+1；S127文献标识码：A文章编号：1000-1298（2020）12_0193_09Estimation of Plant Height and Leaf Area Index of Winter WheatBased on UAV Hyperspectral Remote SensingTAO Huilin1XU Liangji2FENG Haikuan1'3YANG Guijun1'4DAI Yang2NIU Yachao2(1.Key Laboratory of Quantitative Remote Sensing in Agriculture,Ministry of Agriculture and Rural Affairs,Beijing Research Center for Information Technology in Agriculture,Beijing100097,China2.School of Geodesy and Geomatics，Anhui University of Science and Technology，Huainan232001，China3.National Engineering Research Center for Information Technology in Agriculture,Beijing100097,China4.Beijing Engineering Research Center for Agriculture Internet of Things,Beijing100097,China)Abstract:Leaf area index is an important indicator of crop growth evaluation，so it is crucial to estimate LAI quickly and accurately.The imaging data of the three growth stages of winter wheat was obtained through the imaging hyperspectrum carried by the UAV,and the plant height(Hcsm)was extracted from it.Firstly，the correlation between vegetation indices，Hcsm and LAI was analyzed，and the optimal vegetation index was selected；then the LAI linear estimation model of a single parameter was constructed separately；finally，taking the vegetation indices and vegetation indices combined with Hcsm as the model input factor，the partial least squares regression method was used to construct LAI estimation model.The results showed that the height of the plant height Hcsm extracted from the UAV hyperspectral remote sensing image was highly accurate(R=0.95);the correlation between most vegetation indices and Hcsm at different growth stages and LAI was at0.01significant level；the accuracy of estimating the LAI based on the optimal vegetation index combined with Hcsm was better than that based on the optimal vegetation index or Hcsm only；taking vegetation indices and vegetation indices combined with Hcsm as input variables，the LAI estimation model constructed by partial least square regression achieved the highest accuracy during flowering stage，so partial least squares regression can improve the estimation effect，and the ability to estimate the LAI with the vegetation indices combined with Hcsm as the 收稿日期：20200719修回日期：20200908基金项目：广东省重点领域研发计划项目(2019B020214002)和国家自然科学基金项目(41601346、41871333)作者简介：陶惠林(1994—)，男，助理研究员，主要从事农业定量遥感研究，E-"ail：157****5505@163•co"通信作者：冯海宽(1982—)，男，高级工程师，主要从事农业定量遥感研究，E-mail：**********************194农业机械学报2020年independent variable was better(modeling R2=0.73，RMSE was0.64).The research was based on the Hcsm extracted from the UAV hyperspectral remote sensing image combined with the vegetation indices, which can improve the accuracy of estimating LAI and provide a reference for agricultural managers.Key words:winter wheat;leaf area index；plant height;hyperspectral;vegetation index；partial least squares regression0引言叶面积指数（Leaf area index，LAI）是反映作物长势的重要参数,与作物产量具有紧密联系,对农业生产管理具有重要作用U-2］。
同化理论的发展及其在遥感方面的应用
同化理论发展及其在遥感方面的应用摘要：在为数值预报模式提供准确、合理初值问题上,资料同化是一种行之有效的方法。
其基本含义是根据一定的优化标准和方法,将不同空间、不同时间、采用不同观测手段获得的观测数据与数学模型有机结合,纳入统一的分析与预报系统,建立模型与数据相互协调的优化关系,使分析结果的误差达到最小。
其中应用最为广泛的同化方法是变分法和卡尔曼滤波法。
另外遥感信息与作物生长模型结合来进行作物监测和产量预测，已经逐渐成为一种接受度较大、应用较为广泛的方法之一。
关键字：同化 变分 卡尔曼滤波 遥感1．同化的概念在为数值预报模式提供准确、合理初值问题上,资料同化是一种行之有效的方法[1]。
它是由早期气象学中的分析技术发展起来的[2-3]。
其基本含义是根据一定的优化标准和方法,将不同空间、不同时间、采用不同观测手段获得的观测数据与数学模型有机结合,纳入统一的分析与预报系统,建立模型与数据相互协调的优化关系,使分析结果的误差达到最小。
一般一个资料同化系统包括观测数据集、动力模型和数据同化方案三部分。
以模式的一种初估状态或其他一些不重要的状态为初始场,由模式得到的解常称之为背景场;结合观测数据集,通过同化过程产生能够相对准确反映真实状态的一种最优估计,称之为分析场。
一般而言,分析场是背景场和观测场的加权平均,其方差始终比观测场和背景场的方差小。
2．同化方法的发展2.1逐步订正法1954年,Gilchrist 等提出了理想的逐步订正法。
其原理是从每一个观测中减去背景场得到观测增量,通过分析观测增量得到分析增量,然后将分析增量加到背景场上得到最终的分析场。
每一个分析格点上的分析增量通过其周围影响区域内观测增量的线性组合而加权,观测权重与观测位置和格点之间的距离成反比。
该方法的表达式可写为:11(,)[()()]()()(,)n b i a b n i w i j y i X i X j X j w i j ==-=+∑∑()b X i 为插值到观测点i 上的背景场信息；y(i)为相应的观测值；()a X i 为格点j 的订正值；权函数22,22,(,)max 0,i j i j R d w i j R d ⎛⎫-= ⎪ ⎪+⎝⎭，其中,i j d 为格点i ，j 之间的距离，R 是给定的影响半径，w(i,j)随距离的增加而递减，即分析场是观测场和背景场加权平均的结果。