作物生物量遥感估算研究进展_杜鑫
基于无人机遥感的作物表型参数获取和应用研究进展
![基于无人机遥感的作物表型参数获取和应用研究进展](https://img.taocdn.com/s3/m/d0aa22d5e43a580216fc700abb68a98270feac5d.png)
㊀山东农业科学㊀2024ꎬ56(4):172~180ShandongAgriculturalSciences㊀DOI:10.14083/j.issn.1001-4942.2024.04.022收稿日期:2023-03-30基金项目:山东省自然科学基金项目(ZR2021M055)ꎻ国家重点研发计划课题(2021YFB3901303)作者简介:曾世伟(2000 )ꎬ男ꎬ硕士研究生ꎬ主要从事农业遥感研究ꎮE-mail:1422180426@qq.com通信作者:侯学会(1985 )ꎬ女ꎬ博士ꎬ助理研究员ꎬ主要从事农业遥感研究ꎮE-mail:sxhouxh@126.com王宗良(1986 )ꎬ男ꎬ博士ꎬ副教授ꎬ主要从事光纤传感研究ꎮE-mail:wangzongliang@lcu.edu.cn基于无人机遥感的作物表型参数获取和应用研究进展曾世伟1ꎬ2ꎬ侯学会2ꎬ王宗良1ꎬ骆秀斌2ꎬ巫志雄1ꎬ2ꎬ王宏军1(1.聊城大学物理科学与信息工程学院ꎬ山东聊城㊀252000ꎻ2.山东省农业科学院农业信息与经济研究所ꎬ山东济南㊀250100)㊀㊀摘要:作物表型参数是由基因和环境因素决定或影响的作物生理㊁生化特征和性状ꎮ通过获取不同环境㊁不同生长时期的作物表型信息ꎬ可直观了解作物生长状况ꎬ以及时调整栽培管理措施ꎬ保障作物高效生产ꎮ无人机搭载RGB相机㊁光谱相机㊁激光雷达等传感器ꎬ可充分发挥灵活性好㊁获取数据效率高㊁成本相对较低等优势ꎬ实现作物表型参数信息的高效获取ꎬ同时ꎬ快速发展的图像处理和识别分类技术又为无人机遥感获取的作物表型参数信息提供了有效的处理和分析方法ꎬ从而使得作物监测更加便捷㊁高效ꎮ本文总结了无人机遥感获取作物表型参数信息的流程与方法ꎬ概括了基于无人机遥感开展作物株高㊁冠层覆盖度㊁叶面积指数㊁水分胁迫㊁生物量㊁产量等表型参数研究的现状ꎬ并对无人机遥感技术在作物表型参数信息解析方面的应用前景进行了展望ꎬ以期为充分发挥该技术在农业生产中的作用提供参考ꎮ关键词:无人机遥感ꎻ作物表型参数ꎻ作物监测中图分类号:S127㊀㊀文献标识号:A㊀㊀文章编号:1001-4942(2024)04-0172-09ResearchProgressofObtainingandUtilizingCropPhenotypicParametersBasedonUAVRemoteSensingZengShiwei1ꎬ2ꎬHouXuehui2ꎬWangZongliang1ꎬLuoXiubin2ꎬWuZhixiong1ꎬ2ꎬWangHongjun1(1.SchoolofPhysicalScienceandInformationTechnologyꎬLiaochengUniversityꎬLiaocheng252000ꎬChinaꎻ2.InstituteofInformationandEconomicResearchꎬShandongAcademyofAgriculturalSciencesꎬJinan250100ꎬChina)Abstract㊀Cropphenotypicparametersrefertocropphysiologicalandbiochemicalcharacteristicsthataredeterminedorinfluencedbygeneticandenvironmentalfactors.Throughobtainingcropphenotypicinformationunderdifferentenvironmentsandgrowthperiodsꎬthegrowthstatusofcropscouldbeknownintuitivelysothatcultivationmanagementstrategiescouldbeadjustedintimetoensurehighcropproductivity.ThroughcarryingdifferentsensorssuchasRGBcameraꎬspectrumcameraandLIDARꎬUAVremotesensinghasadvantagesofgoodflexibilityꎬhighefficiencyandrelativelylowcostinacquiringdataꎬwhichprovidesanefficientwaytoobtaincropsphenotypicinformation.Atthesametimeꎬfastdevelopingimageprocessingandrecognitionandclassificationtechnologiesprovideseffectiveprocessingandanalysismethodsforcropphenotypicparameterin ̄formationobtainedbyUAVremotesensing.Allthesemakecropmonitoringmoreconvenientandefficient.InthispaperꎬprocessandmethodsofobtainingphenotypicparameterinformationwereintroducedꎬandresearchstatusofcropphenotypicparametersbasedonUAVremotesensingsuchasplantheightꎬcanopycoverageꎬleafareaindexꎬwaterstressꎬbiomassandyieldweresummarizedꎬandtheapplicationforegroundofUAVremotesensingtechnologyincropphenotypicinformationanalysiswasprospectedꎬhopingtoprovidereferencesforbetterapplicationofthetechnologyinagriculturalproduction.Keywords㊀UAVremotesensingꎻCropphenotypicparametersꎻCropmonitoring㊀㊀随着世界人口快速增长㊁可耕地面积越来越少㊁全球气候急剧变化和资源短缺加剧ꎬ农业生产面临着严峻的挑战ꎬ粮食安全问题日益突出[1]ꎮ因此ꎬ培育优良品种以达到稳产㊁增产的目的ꎬ成为目前作物研究的热点方向之一ꎮ作物表型信息如株高㊁叶面积指数㊁生物量等影响着后期产量的形成ꎬ是育种过程中的重要参考指标ꎮ传统的作物表型信息获取多采用人工地面抽样调查法ꎬ费时㊁费力且观测数量有限ꎬ不能满足大面积作物信息调查需求ꎮ近年来ꎬ低空无人机遥感技术快速发展ꎬ通过无人机搭载RGB相机㊁光谱相机㊁激光雷达等构建无人机遥感平台ꎬ能够快速㊁高效获取一定范围内作物冠层的株高㊁叶面积指数㊁生物量等的连续动态信息ꎬ从而实现作物产量的动态预测[2]ꎮ目前ꎬ在田间作物表型遥感监测研究中应用的无人飞行器有无人直升机㊁飞艇㊁固定翼无人机㊁多旋翼无人机等ꎬ其中对起降条件要求不高且可以满足任何飞行轨迹要求的多旋翼无人机应用较为广泛ꎬ获取作物表型信息更加方便㊁快捷[3]ꎮ但由于无人机负载能力有限ꎬ其搭载的传感器需要满足高精度㊁轻质量和小尺寸的要求ꎬ目前适合无人机搭载的主要传感器有RGB数码相机㊁红外热成像仪㊁多光谱相机㊁高光谱相机㊁多谱段激光雷达等ꎮ不同的传感器性能不同ꎬ获取的作物表型参数信息也不同ꎬ导致最终得到的遥感监测结果不同[4-5]ꎮRGB相机[6]㊁热红外成像仪[7]㊁多光谱相机[8-9]和高光谱相机[10-11]成像原理相同ꎬ都是通过感测光谱波段来捕获图像信息ꎬ但它们感测光谱波段的种类和能力存在差异[12]ꎬ因此可用于测量不同的表型参数[13]ꎬ其中ꎬRGB相机可用于测量作物的株高㊁冠层覆盖度等ꎻ热红外成像仪可实现在生物和非生物胁迫条件下对作物表型参数的间接测定ꎬ尤其在测量作物的冠层温度时效果较好ꎻ多光谱相机和高光谱相机都能测量作物的叶面积指数㊁生物量㊁产量等表型参数ꎬ但高光谱相机的光谱分辨率更高ꎬ能获得更多的波段数据ꎬ可测量更多的作物表型参数ꎬ然而同时也存在数据处理过程更加复杂㊁仪器价格较高的问题ꎮ多谱段激光雷达能够分析作物的光谱特性和空间目标方位㊁距离㊁三维形貌和状态特征[14]ꎬ常用于对作物株高和生物量的测量研究ꎮ本文综述了无人机遥感监测农作物表型参数的信息获取流程㊁方法及研究进展ꎬ并对今后的研究方向进行展望ꎬ以期为深入研究和应用该技术提供参考ꎮ1㊀无人机遥感监测图像数据的处理及信息提取流程和方法1.1㊀图像处理遥感图像处理是利用无人机遥感研究作物表型的基础ꎮ因遥感图像存在由大气㊁传感器㊁无人机飞行状态等因素引起的几何畸变和辐射畸变ꎬ在提取作物表型参数之前必须对图像进行预处理ꎬ以有效改善提取表型参数信息的精度[15]ꎮ图像处理过程包括辐射定标㊁几何校正㊁数据质量检查㊁图像特征点提取㊁图像特征匹配㊁空中三角测量与区域网平差㊁生成数字高程模型(DEM)㊁正射校正生成数字正射影像(DOM)和拼接镶嵌等[16]ꎮ需根据无人机搭载的传感器类型选择合适的图像处理方法ꎮ如戴建国等[17]获取可见光图像后ꎬ使用Pix4Dmapper软件进行图像快速拼接检查ꎬ然后通过正射校正获得高质量㊁高精度的正射影像图ꎻ程雪等[18]获取高光谱影像后ꎬ除了使用Pix4DMapper软件进行拼接镶嵌外ꎬ还采用辐射定标以及大气校正等对图像进行了处理ꎮNäsi等[19]将得到的光谱图像依次进行了辐射标定㊁几何校正㊁图像融合和图像增强ꎬ然后使用371㊀第4期㊀㊀㊀㊀㊀㊀曾世伟ꎬ等:基于无人机遥感的作物表型参数获取和应用研究进展ArcGIS㊁ENVI等软件提取光谱反射率ꎬ用于建立研究作物表型性状的植被指数ꎮ1.2㊀特征集的选取作物特征包括植被指数特征㊁纹理特征等ꎬ在实际应用时需根据研究目的选择合适的特征来构成特征集ꎮ植被指数是通过多个波段数据计算得出的ꎬ能够有效度量作物株高㊁生物量和覆盖度等表型信息[20]ꎮ常用的植被指数有归一化差值植被指数(NDVI)㊁绿色归一化植被指数(GNDVI)㊁比值植被指数(RVI)㊁红绿蓝植被指数(RGBVI)㊁红边归一化植被指数(rNDVI)㊁优化土壤调节植被指数(OSAVI)㊁修正归一化植被指数(mNDVI)㊁可见光大气阻抗植被指数(VARI)㊁蓝绿色素指数(BGI2)㊁增强植被指数(EVI2)等ꎮ其中ꎬNDVI能够突出植被在图像中的显示ꎬ可准确估测植被的覆盖度[12]ꎻVARI㊁NDVI㊁RVI㊁rNDVI㊁mNDVI㊁GNDVI能有效预测叶面积指数[18]ꎻNDVI㊁OSA ̄VI㊁BGI2等常被用于预测植物叶片的叶绿素含量[21]ꎻVARI能有效预测作物的水分胁迫ꎻRDVI㊁RGBVI在估测作物生物量方面效果较好[22]ꎮ图像的灰度分布及其重复性是纹理特征的表现形式ꎬ可以反映地物的视觉粗糙程度ꎮ不同地物表现出的纹理特征不同ꎬ因此可根据该特征描述和识别地物[16]ꎮ另外ꎬ同一波段的图像有相同种类的纹理特征ꎬ可通过最小噪声分离变换和基于主成分分析方法等提取纹理滤波特征ꎬ选择最佳波段ꎬ作为最终纹理滤波特征[23]ꎮ1.3㊀特征筛选用于遥感图像估测表型参数的属性特征很多ꎬ若不经过筛选ꎬ则分析特征和训练模型所需要的时间会很长ꎬ模型也会很复杂ꎬ从而导致模型的泛化能力下降ꎬ不利于在实际生产中推广应用ꎮ因此ꎬ需在保证估测精度的前提下ꎬ选用最少的特征来构建模型ꎬ以避免特征变量过多引起的 维数灾难 ꎮ常用的特征筛选方法大致分为三类ꎬ分别是过滤式㊁包裹式㊁嵌入式筛选法[24]ꎮ过滤式特征筛选法先选定特征再进行学习ꎬ具有较强通用性ꎬ其典型方法有ReliefF算法ꎻ包裹式特征筛选法利用学习算法的性能来评价自身优劣ꎬ筛选得到的特征集分类性能较好ꎬ其典型方法有SVM-RFE算法ꎻ嵌入式特征筛选法将特征选择过程作为学习过程的一部分ꎬ在学习过程中自动进行特征筛选ꎬ特征筛选效果最好㊁速度最快且模式单调ꎬ其典型方法有Lasso算法[25]ꎮ特征选定后ꎬ还要根据估测能力强弱对其进行权重赋值ꎬ最终构建出最佳特征集ꎬ用于建立估测模型ꎮ1.4㊀模型的构建及精度评价构建估测模型能够表征遥感数据与作物特征的相关性ꎬ可为定量反演作物的表型参数奠定基础[1]ꎮ1.4.1㊀数据集的划分㊀估测模型的构建及其精度与样本数量和质量紧密相关ꎬ因此确保田间采样质量是保证构建模型估测效果的重要前提[18]ꎮ采集到的样本首先要采用适当的方法合理地划分成训练样本集和验证样本集ꎮ常见的划分方法有留出法㊁交叉验证法和自助法ꎬ其中交叉验证法是无人机遥感监测作物表型参数研究中最常用的方法ꎮk折交叉验证是典型的交叉验证法ꎬ其原理是将数据集分成k个样本数相等的子集ꎬ任选其中1个子集作为测试集ꎬ另外k-1个子集作为训练集ꎬ然后无重复地执行k次ꎬ使得每个子集都能作为训练集和测试集来训练模型ꎮ1.4.2㊀模型构建㊀除数字高程模型能够有效且快速获取作物株高信息外ꎬ其他表型参数的估测模型一般采用机器学习算法构建ꎮ根据训练数据是否拥有标记信息ꎬ可将机器学习算法分为监督式和非监督式两种[26]ꎮ分类和回归算法是典型的监督式算法ꎬ包括支持向量回归(SVR)㊁随机森林回归(RFR)㊁人工神经网络(ANN)㊁多元线性回归(MLR)等ꎬ其中回归算法更适用于数据具有连续性的叶面积指数㊁生物量㊁产量㊁水分胁迫等的监测ꎬ而分类算法更适用于作物分类和冠层覆盖度等的监测ꎮ另外还有一些表型参数研究没有足够的先验知识ꎬ很难对其进行人工标注且标注成本较高ꎬ通常采用无监督算法训练被标记的样本ꎬ以解决模式识别过程中的各种问题ꎮ聚类算法是非监督学习算法的代表ꎬ依据相似度进行分471山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第56卷㊀类ꎬ典型的聚类算法有K均值(K-means)聚类算法和K-中心点(K-medoids)聚类算法ꎮ1.4.3㊀模型估测精度评价㊀估测模型的精度评价ꎬ通常用决定系数(R2)和均方根误差(RMSE)作为评判预测值与实测值拟合效果的指标ꎬ其中ꎬR2值越接近1ꎬ说明模型的参考价值越高ꎻRMSE值越小ꎬ说明模型精度越高[27]ꎮ2㊀无人机遥感监测作物表型参数的研究进展2.1㊀作物株高株高能够反映作物的群体结构状况ꎬ植株过高易导致倒伏ꎬ而过矮会降低群体中下部的通风和透光ꎬ导致光合效率下降ꎬ进而影响作物产量ꎬ因此株高监测在作物生产调控中具有重要意义ꎮ作物株高监测通常利用获取可见光数据来测量ꎮ张宏鸣等[28]用无人机搭载数码相机获取作物的可见光图像ꎬ采用高清数码正射影像(DOM)和数字表面模型(DSM)相结合的骨架算法提取植株骨架ꎬ估测作物株高的精度较高(R2=0.923ꎬRMSE=11.493cmꎬMAE=8.927cm)ꎮ牛庆林等[29]利用无人机拍摄玉米的高清数码影像ꎬ将其与地面控制点(GCP)结合进行图像拼接处理ꎬ生成相应的DSM和DOMꎬ得到的株高预测值与实测值拟合性较高(R2=0.93ꎬRMSE=28.69cmꎬnRMSE=17.90%)ꎮ刘治开等[30]用无人机拍摄冬小麦的高清数码影像ꎬ通过构建作物DSM及作物高度模型(CHM)来测量小麦株高ꎬ最终得到的估测结果较好(R2和RMSE分别为0.82和4.31cm)ꎮKhan等[31]使用无人机遥感平台拍摄小麦的RGB图像ꎬ采用Pix4Dmapper软件处理后用于估测小麦株高ꎬ精度较高(R2=0.85ꎬRMSE=6.64cm)ꎮ此外ꎬ有研究者利用多光谱和高光谱成像技术获得多个波段和空间特征来测量作物株高ꎮ边琳等[32]使用无人机搭载多光谱传感器获得烤烟的遥感信息ꎬ捕捉到多个波段的反射光ꎬ通过构建光谱反射率与烤烟株高的拟合模型ꎬ估测烤烟株高的效果最佳(R2=0.785)ꎮAasen等[33]利用无人机采集三维高光谱图像来建立三维表面高光谱模型ꎬ实现株高可视化ꎬ株高估算效果也较好(R2=0.7)ꎮ但总体来说ꎬ利用高光谱成像技术测量作物株高的效果并不理想ꎬ而在估测作物覆盖度[34]㊁生物量[35]㊁叶面积指数[36]㊁产量[37]等表型参数时的精确度则较好ꎮ2.2㊀作物冠层覆盖度冠层覆盖度是反映作物生长状况的重要因素ꎬ可通过提取冠层覆盖度监测作物长势[38]ꎮ通过无人机遥感平台获取可见光图像和多光谱图像ꎬ然后利用计算机视觉方法或植被指数和光谱反射率建模反演等方法可快速得到作物的冠层覆盖信息[39]ꎮJin等[40]利用无人机遥感搭载数码相机获取研究区域的可见光成像数据ꎬ采用原始颜色特征作为模型输入ꎬ选用支持向量机算法训练作物分类模型ꎬ并选用粒子群优化算法(PSO)训练SVM模型参数(惩罚系数c㊁不敏感损失系数ε以及核函数功能γ)ꎬ最终监测结果的RMSE和rRMSE分别为34.05株/m2和14.31%ꎬ偏差为9.01株/m2ꎮ万亮等[41]利用无人机搭载多光谱相机获取多光谱图像ꎬ将各个波段的光谱反射率作为特征输入到随机森林回归模型ꎬ最终得到的结果较好(R2=0.93ꎬrRMSE=9.47%)ꎮ武威等[42]采用图像处理技术分析小麦图像的颜色特征 绿光标准化值(NDIG)ꎬ并提出叶片盖度(LCD)参数ꎬ将NDIG和LCD相结合作为多元逐步回归模型的输入特征ꎬ估测效果较好(R2=0.896)ꎮ周在明等[43]使用四旋翼无人机搭载ADCAir多光谱相机ꎬ通过NDVI指数模型获取多光谱植被覆盖度信息ꎬ以高精度可见光影像为真值进行验证ꎬ结果表明NDVI模型估算值与真实值之间的决定系数为0.92ꎬ具有较好的一致性ꎮ相比广泛应用的无人机可见光图像[23ꎬ44-46]ꎬ利用无人机多光谱图像反演植被覆盖度时图像的空间分辨率要求较低[47]ꎮ目前ꎬ主要通过计算机视觉方法或植被指数建模反演等手段获取作物的冠层覆盖度信息ꎮ然而ꎬ这些方法存在一定的局限性ꎮ今后还需寻找一种普遍适用的方法ꎬ以实现对不同作物冠层覆盖度的精确获取ꎬ从而完善作物冠层覆盖度提取技术[48]ꎮ571㊀第4期㊀㊀㊀㊀㊀㊀曾世伟ꎬ等:基于无人机遥感的作物表型参数获取和应用研究进展2.3㊀作物叶面积指数叶面积指数(LAI)是指单位面积内作物叶片面积的总和ꎮLAI是表征作物光合作用㊁呼吸作用以及蒸腾作用的重要指示因子ꎬ也是评价作物长势和产量的重要依据ꎬ因此快速且高效地获取作物LAI对于估测作物产量具有重要意义[36]ꎮ陶惠林等[35]利用无人机搭载高光谱仪获取高光谱图像ꎬ通过线性回归和指数回归挑选出最佳估测参数NDVIˑSR作为模型的输入特征ꎬ然后采用多元线性回归构建模型ꎬLAI估测精度较高(建模和验证的R2㊁RMSE㊁NRMSE分别为0.6788㊁0.69㊁19.79%及0.8462㊁0.47㊁16.04%)ꎮ杨雨薇等[49]使用无人机遥感平台获取作物的高光谱影像ꎬ对光谱数据预处理后计算出植被指数NDVIꎬ然后构建出三种类型的模型 线性回归模型㊁物理模型㊁回归模型与物理模型相结合的半经验模型ꎬ用来反演作物LAIꎬ其中半经验模型的反演精度最好(R2=0.89)ꎮ孙诗睿等[50]利用无人机搭载多光谱传感器获取冬小麦多光谱影像ꎬ通过多个植被指数构建随机森林模型对冬小麦的LAI进行反演ꎬ反演值与真实值之间的R2=0.822ꎬRMSE=1.218ꎮ李剑剑等[51]利用无人机遥感平台获取地表作物的高光谱数据ꎬ然后结合PROSPECT叶片光学模型和SAIL冠层二向性反射模型相耦合后生成的模型(PROSPECT+SAIL)来反演作物的LAIꎬR2=0.82ꎬRMSE=0.43m2/m2)ꎮ傅银贞等[52]利用IRS-P6(LISS-Ⅲ)获取多光谱数据并计算出DVI㊁EVI2㊁MSAVI㊁NDVI㊁RDVI㊁RVI㊁TNDVI共7种植被指数ꎬ建立了LAI与各植被指数的统计模型ꎬ其中NDVI㊁RDVI㊁TNDVI反演LAI的效果较好ꎬ决定系数R2均能够达到0.76以上ꎮ2.4㊀作物水分胁迫测量作物水分胁迫对于发展节水灌溉农业及提高水分利用效率有重要意义[53]ꎮ气孔导度和叶片水势是表征作物水分胁迫的重要指标ꎮ冠层温度可反映气孔导度ꎬ而作物水分胁迫指数(CW ̄SI)与气孔导度相关ꎬ因此可以基于冠层温度测量监测作物水分胁迫状况[54]ꎮ张智韬等[55]基于无人机搭载RGB相机和近红外相机采集的图像ꎬ采用Otsu-EXG-Kmeans算法对玉米冠层温度进行提取ꎬ用户精度为95.9%ꎬ精度较高ꎬ提取的冠层温度与实测温度更接近(r=0.788)ꎬ将冠层温度代入水分胁迫公式计算出CWSIꎬCWSI与土壤含水率的相关性较高(r=-0.738)ꎮBellvert等[56]基于无人机搭载热成像仪获取热成像图片ꎬ得到葡萄的冠层温度ꎬ并计算出相应的CWSIꎬ发现CWSI与叶片水势的相关性较高(R2=0.83)ꎮ除了利用可见光㊁近红外和热红外传感器监测作物水分胁迫的方法外ꎬ利用多光谱㊁高光谱遥感以及多种传感器获取单一或多个波段建立植被指数模型也是常用的方法[57]ꎮ王敬哲等[58]采用无人机搭载高光谱传感器获取影像数据ꎬ经过5种不同的预处理后ꎬ构建了干旱区绿洲农田土壤含水量(SMC)高光谱定量估算模型ꎬ其中通过吸光度(Abs)预处理得到的模型预测精度最好ꎬ其建模集Rc2和RMSE分别为0.84㊁2.16%ꎬ验证集Rp2与RMSE分别为0.91㊁1.71%ꎬ相对分析误差(RPD)为2.41ꎮ张智韬等[54]利用无人机遥感系统获得玉米冠层多光谱正射影像ꎬ并同步采集玉米根域不同深度土壤含水量(SMC)ꎬ通过灰度关联法筛选出对SMC敏感的植被指数ꎬ采用多元线性回归㊁反向传播神经网络(BPNN)㊁支持向量回归(SVR)等机器学习方法构建不同生育时期的敏感植被指数与SMC的关系模型ꎬ结果表明SVR模型在各生育期的建模与预测精度均最优(建模集R2=0.851ꎬRMSE=0.7%ꎬNRMSE=8.17%ꎻ验证集R2=0.875ꎬRMSE=0.7%ꎬNRMSE=8.32%)ꎮ2.5㊀作物生物量生物量是作物产量形成的重要基础ꎬ准确快速获取作物生物量对预测其产量意义重大[59]ꎬ同时ꎬ生物量的定量估算也可为碳循环研究提供重要参考[48]ꎮ根据传感器收集到的数据信息ꎬ将能够反映作物生物量的不同特征数据相结合ꎬ构建更有效且不相关的特征ꎬ然后将该特征输入到回归模型中ꎬ能够提高作物生物量估测的准确性[60]ꎮ万亮等[41]利用无人机同时搭载数码相机和多光谱相机获取研究区域的可见光和多光谱成像数据ꎬ将671山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第56卷㊀可见光图像的颜色特征和纹理特征与多光谱图像的光谱反射率融合后输入到随机森林回归模型(RFR)中ꎬ有效改善了穗生物量的评估精度(R2=0.84ꎬrRMSE=8.68%)ꎮWang等[61]评估了高光谱和激光雷达数据融合在玉米生物量估算中的应用ꎬ结果表明ꎬ与单独使用LiDAR或高光谱数据相比ꎬ高光谱和LiDAR数据相融合能够更好地估测玉米的生物量(R2=0.883ꎬRMSE=321.092g/m2ꎬRMSECV=337.653g/m2)ꎮ刘畅等[62]结合纹理特征与植被指数构建了一种 图-谱 融合指标ꎬ用该指标构建的生物量模型精度较高(R2=0.81ꎬRMSE=826.02kg hm-2)ꎬ明显高于用单一植被指数(R2=0.69)和单一纹理特征(R2=0.71)构建的生物量模型ꎮ综上所述ꎬ不同的作物具有不同的特征ꎬ即使同一作物在不同的生长条件下也会表现出不同的特征[63]ꎬ这就需要使用不同的传感器来全面收集作物信息ꎬ并筛选出一些与生物量相关性最好的特征ꎬ将其融合后输入到回归模型中ꎬ从而实现精准估测作物生物量和提高估算模型精度ꎮ当研究的作物生物量较大时ꎬ用常规的植被指数来估测生物量往往会受到饱和问题的限制ꎬ导致不能较好地估算作物生物量ꎮ付元元等[64]研究证实ꎬ将波段深度分析和偏最小二乘回归(PLSR)相结合ꎬ能够有效解决作物生物量过大导致的问题ꎬ并提高冬小麦生物量的估算精度ꎬ其中波段深度比(BDR)与PLSR结合的模型的估算精度较好(R2=0.792ꎬRMSE=0.164kg/m2)ꎮ2.6㊀作物产量作物产量关乎国家粮食安全ꎬ早期准确地监测预报作物产量对于后期田间管理及灾害评估等具有重要意义ꎮ通过无人机遥感提取作物产量的常规方法如下:使用无人机搭载多种传感器获取可见光㊁光谱数据ꎬ基于可见光图像提取纹理特征ꎬ根据光谱数据提取特征波段并计算植被指数ꎻ然后将纹理特征㊁植被指数等特征作为模型输入ꎬ使用机器学习算法构建产量估测模型ꎻ最后引入R2和RMSE评价产量估测模型ꎮ模型构建时ꎬ将多种特征变量相结合往往能够改善作物估测模型的精度ꎮElsayed等[65]利用偏最小二乘法将光谱指数㊁温度参数和植株含水量等数据融合ꎬ使得小麦产量的估测效果得到进一步改善(R2=0.97ꎬRMSE=26.48g/m2)ꎮMaim ̄aitijiang等[66]利用RGB信息㊁光谱反射率及温度参数等多模态数据ꎬ基于中间级特征融合的DNN(DNN-F2)方法ꎬ准确估测了大豆产量(R2=0.720ꎬrRMSE=15.9%)ꎮ严海军等[67]使用无人机搭载多光谱相机在苜蓿的分枝期㊁现蕾期和初花期进行遥感监测ꎬ将植被指数与株高组合作为输入变量并采用支持向量回归算法构建模型ꎬ产量估测精度最高(R2=0.90ꎬRMSE=500kg/hm2ꎬNRMSE=14.3%)ꎮ可见ꎬ选用多源数据融合构建模型的效果较好ꎮ另外ꎬ在构建模型时ꎬ使用的算法不同也会影响作物产量估测的精度ꎮ张少华等[68]利用低空无人机遥感平台搭载多光谱相机㊁热红外相机和RGB相机ꎬ同步获取小麦关键生育时期的无人机遥感影像ꎬ并提取光谱反射率㊁热红外温度和数字高程信息ꎬ选取并计算出相应的特征集ꎬ然后利用支持向量回归(SVR)㊁多元线性回归(MLR)㊁随机森林回归(RFR)㊁偏最小二乘回归(PLSR)等机器学习算法建立小麦产量的估测模型ꎬ最终结果表明采用RFR算法建立的模型效果最好(R2=0.724ꎬRMSE=614.72kg/hm2ꎬMAE=478.08kg/hm2)ꎮ申洋洋等[69]采集冬小麦多光谱数据ꎬ选取多光谱相机的5个特征波段计算各生育时期的72个植被指数ꎬ分别通过逐步多元线性回归㊁偏最小二乘回归㊁BP神经网络㊁支持向量机㊁随机森林构建不同生育时期的产量估算模型ꎬ其中基于随机森林算法建立的模型估算效果最优(R2=0.94ꎬRMSE=0.32ꎬRE=9%)ꎮ赵鑫[70]利用多旋翼无人机搭载数码相机拍摄小麦的可见光图像ꎬ经预处理后计算出植被指数和颜色特征ꎬ然后结合多种机器学习算法建立产量估测模型ꎬ其中随机森林算法模型精度最高(R2=0.74)ꎮ作物发育时期也会影响模型精度ꎮ刘昌华等[71]以无人机多光谱影像为基础ꎬ提取冬小麦在几个生长阶段下的冠层多光谱数据并建立产量估算模型ꎬ其中返青期估算效果较差ꎬ拔节期㊁孕穗期㊁扬花期估算效果相近且较好(R2分别为0.93㊁771㊀第4期㊀㊀㊀㊀㊀㊀曾世伟ꎬ等:基于无人机遥感的作物表型参数获取和应用研究进展0.96㊁0.94)ꎮ申洋洋等[69]以冬小麦拔节期㊁孕穗期㊁抽穗期㊁灌浆期㊁成熟期的无人机多光谱影像为数据源ꎬ利用随机森林算法构建模型的R2㊁RMSE㊁RE分别为拔节期0.92㊁0.35㊁11%ꎬ孕穗期0.93㊁0.33㊁10%ꎬ抽穗期0.94㊁0.32㊁9%ꎬ灌浆期0.92㊁0.36㊁9%ꎬ成熟期0.77㊁0.67㊁33%ꎬ可见ꎬ抽穗期的估算效果最好ꎬ拔节期㊁孕穗期㊁灌浆期估算效果接近㊁也较好ꎬ成熟期的估算精度最差ꎮ3㊀总结与展望本文综述了基于无人机遥感开展作物表型参数研究的过程和方法㊁无人机遥感平台及其在作物表型参数估测上的应用研究进展ꎮ无人机遥感平台凭借着工作效率高㊁灵活性好㊁成本低㊁分辨率高㊁适用于复杂野外环境等优点ꎬ成为研究作物表型参数的有利工具ꎬ为农业精细化管理及农田生态系统建模提供了技术支持ꎮ由于外界环境和作物自身因素影响以及研究方法的局限性ꎬ目前多数研究构建的表型参数模型的精确性㊁鲁棒性㊁泛化性等性能较差ꎬ缺乏能够较好估测不同作物类型的表型参数的通用模型和方法ꎬ而且目前无人机遥感监测表型参数信息的研究多集中于玉米㊁小麦㊁水稻㊁大豆等少数作物ꎬ其他作物类型鲜有研究ꎬ因此该技术研究在深度与广度上还有很大的发展空间ꎮ参㊀考㊀文㊀献:[1]㊀仇瑞承ꎬ魏爽ꎬ张漫ꎬ等.作物表型组学测量方法综述[J].中国农业文摘-农业工程ꎬ2019ꎬ31(1):23-36ꎬ55. [2]㊀周济ꎬTardieuFꎬPridmoreTꎬ等.植物表型组学:发展㊁现状与挑战[J].南京农业大学学报ꎬ2018ꎬ41(4):580-588. [3]㊀TothCꎬJóz'kówG.Remotesensingplatformsandsensors:asur ̄vey[J].ISPRSJournalofPhotogrammetryandRemoteSens ̄ingꎬ2016ꎬ115:22-36.[4]㊀WeiXJꎬXuJFꎬGuoHNꎬetal.DTH8suppressesfloweringinriceꎬinfluencingplantheightandyieldpotentialsimultaneously[J].PlantPhysiologyꎬ2010ꎬ153(4):1747-1758. [5]㊀AlheitKVꎬBusemeyerLꎬLiuWXꎬetal.Multiple ̄linecrossQTLmappingforbiomassyieldandplantheightintriticale(ˑTriticosecaleWittmack)[J].TheoreticalandAppliedGenet ̄icsꎬ2014ꎬ127:251-260.[6]㊀GuoWꎬFukatsuTꎬNinomiyaS.Automatedcharacterizationoffloweringdynamicsinriceusingfield ̄acquiredtime ̄seriesRGBimages[J].PlantMethodsꎬ2015ꎬ11:1-15.[7]㊀SiebertSꎬEwertFꎬRezaeiEEꎬetal.Impactofheatstressoncropyield ontheimportanceofconsideringcanopytempera ̄ture[J].EnvironmentalResearchLettersꎬ2014ꎬ9(4):044012. [8]㊀张芳毓ꎬ谭永毅ꎬ聂婧ꎬ等.无人机多光谱在农业中的应用[J].智慧农业导刊ꎬ2022ꎬ2(24):11-13.[9]㊀HussainS.基于无人机载多光谱相机的油菜表观参数反演及早期草害检测[D].武汉:华中农业大学ꎬ2021. [10]ColominaIꎬMolinaP.Unmannedaerialsystemsforphotogram ̄metryandremotesensing:areview[J].ISPRSJournalofPho ̄togrammetryandRemoteSensingꎬ2014ꎬ92:79-97. [11]ZhongYFꎬWangXYꎬXuYꎬetal.Mini ̄UAV ̄bornehyper ̄spectralremotesensing:fromobservationandprocessingtoap ̄plications[J].IEEEGeoscienceandRemoteSensingMaga ̄zineꎬ2018ꎬ6(4):46-62.[12]WangTHꎬLiuYDꎬWangMHꎬetal.ApplicationsofUASincropbiomassmonitoring:areview[J].FrontiersinPlantSci ̄enceꎬ2021ꎬ12:616689.[13]XuRꎬLiCYꎬPatersonAH.Multispectralimagingandun ̄mannedaerialsystemsforcottonplantphenotyping[J].PLoSONEꎬ2019ꎬ14(2):e0205083.[14]李晶ꎬ车英ꎬ王加安ꎬ等.折反射共光路多谱段激光雷达光学系统设计[J].中国激光ꎬ2018ꎬ45(5):273-278. [15]YangGJꎬLiuJGꎬZhaoCJꎬetal.Unmannedaerialvehiclere ̄motesensingforfield ̄basedcropphenotyping:currentstatusandperspectives[J].FrontiersinPlantScienceꎬ2017ꎬ8:1111. [16]朱秀芳ꎬ李石波ꎬ肖国峰.基于无人机遥感影像的覆膜农田面积及分布提取方法[J].农业工程学报ꎬ2019ꎬ35(4):106-113.[17]戴建国ꎬ张国顺ꎬ郭鹏ꎬ等.基于无人机遥感可见光影像的北疆主要农作物分类方法[J].农业工程学报ꎬ2018ꎬ34(18):122-129.[18]程雪ꎬ贺炳彦ꎬ黄耀欢ꎬ等.基于无人机高光谱数据的玉米叶面积指数估算[J].遥感技术与应用ꎬ2019ꎬ34(4):775-784.[19]NäsiRꎬHonkavaaraEꎬLyytikäinen ̄SaarenmaaPꎬetal.UsingUAV ̄basedphotogrammetryandhyperspectralimagingformappingbarkbeetledamageattree ̄level[J].RemoteSensingꎬ2015ꎬ7(11):15467-15493.[20]姚雄ꎬ余坤勇ꎬ刘健.基于无人机多光谱遥感的马尾松林叶面积指数估测[J].农业机械学报ꎬ2021ꎬ52(7):213-221. [21]朱红艳.基于无人机低空遥感的油菜表型信息获取方法研究[D].杭州:浙江大学ꎬ2019.[22]刘建刚ꎬ赵春江ꎬ杨贵军ꎬ等.无人机遥感解析田间作物表型信息研究进展[J].农业工程学报ꎬ2016ꎬ32(24):98-106.[23]赵静ꎬ杨焕波ꎬ兰玉彬ꎬ等.基于无人机可见光图像的夏季玉米植被覆盖度提取方法[J].农业机械学报ꎬ2019ꎬ50871山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第56卷㊀。
遥感技术支持下的植被生产力与生物量研究进展生态学杂志
![遥感技术支持下的植被生产力与生物量研究进展生态学杂志](https://img.taocdn.com/s3/m/99c694e6aef8941ea76e05da.png)
遥感技术支持下的植被生产力与生物量研究进展3戴小华 余世孝33(中山大学生命科学学院,广州510275)摘 要 目前广泛应用于植被生产力与生物量估算的遥感模型主要有经验模型、物理模型、半经验模型和综合模型,它们的应用受到诸如大气、背景、地形、植被覆盖率与结构等因素的影响。
遥感技术的迅速发展及其它技术的应用,包括热红外、微波和激光遥感仪器以及多角度、高光谱和高分辨率技术等,正逐步消除或降低影响因素,进一步提高植被生产力与生物量估算的范围和精度。
关键词 遥感,模型,植被,生产力,生物量中图分类号 Q948115 文献标识码 A 文章编号 1000-4890(2004)04-0092-07Advances in the estim ation of vegetation productivity and biom ass with the aids of remote sensing.DAI Xiaohua ,YU Shixiao (School of L if e Sciences ,Zhongshan U niversity ,Guangz hou 510275,China ).Chinese Journal of Ecology ,2004,23(4):92~98.There are mainly four types of models for estimating vegetation productivity and biomass ,including empirical ,physical ,semi 2empirical and integrated models.The application of these models is limited by factors such as atmosphere ,background ,geography ,vegetation cover and structure.The rapid development of remote sensing technique ,especially the use of thermal infrared ,microwave ,laser re 2mote sensors and the techniques such as multi 2angle ,hyperspectral and high resolution remote sens 2ing ,will be helpful to eliminate or reduce the effect of these factors.K ey w ords remote sensing ,modeling ,vegetation ,productivity ,biomass.3广东省自然科学基金项目(021657)、教育部高等院校骨干教师基金项目(00022415447)和广东省“千百十”优秀人才基金资助项目。
农作物单产遥感估算模型研究进展
![农作物单产遥感估算模型研究进展](https://img.taocdn.com/s3/m/be6dfb39e97101f69e3143323968011ca300f737.png)
农作物单产遥感估算模型研究进展随着科技的不断发展,遥感技术已经成为农作物单产估算的一种重要手段。
农作物单产遥感估算模型的研究进展,对于提高农业生产效率、优化资源配置以及指导农业生产具有重要意义。
本文将对农作物单产遥感估算模型进行概述,综述其研究现状,并探讨未来的发展方向。
农作物单产遥感估算模型在国内外学者的不断探索和研究下,已取得了一系列重要成果。
这些模型大致可以分为基于统计模型、机器学习模型和混合模型三类。
其中,统计模型利用地块级产量和遥感数据建立回归关系,机器学习模型则多采用神经网络、支持向量机(SVM)和支持向量回归(SVR)等方法进行预测。
混合模型则综合了统计模型和机器学习模型的优点,进一步提高了预测精度。
尽管农作物单产遥感估算模型已取得了显著成果,但仍存在一些问题和挑战。
由于遥感数据的时空分辨率较低,模型预测结果的准确性和精细化程度受到限制。
模型参数的确定和调整缺乏系统性的理论指导,导致预测结果存在一定的不确定性。
大多数模型仅考虑了单一的遥感数据源,如光学遥感或雷达遥感,而忽略了多种数据源的融合和互补性。
为了解决上述问题,本文将采用多源遥感数据融合的方法,充分利用不同类型数据的优势,提高模型的预测精度。
同时,将引入深度学习等先进的人工智能算法,构建更为精确的预测模型。
还将开展大量的实验验证,对比分析各种模型的优劣,为农业生产提供可靠的单产预测结果。
实验结果表明,基于多源遥感数据融合的深度学习模型在农作物单产遥感估算中具有较高的精度和稳定性。
相比传统模型,该模型能够更好地处理复杂的地形和气候条件,提高预测结果的精细化程度。
同时,该模型还具有较低的计算复杂度,能够满足大规模农作物单产预测的需求。
本文的研究成果对于推动农作物单产遥感估算模型的发展具有一定的参考价值。
然而,仍然存在一些未来研究方向值得探讨。
如何更好地利用高分辨率遥感数据进行农作物单产估算仍需进一步研究。
混合模型的构建和研究仍有很大的发展空间,可以通过融合更多类型的数据和采用更先进的算法来提高模型的预测精度和稳定性。
作物遥感估产的现状及其展望
![作物遥感估产的现状及其展望](https://img.taocdn.com/s3/m/42b3527ef011f18583d049649b6648d7c1c70802.png)
四、作物遥感估产的未来发展方 向和趋势
四、作物遥感估产的未来发展方向和趋势
随着科技的不断发展,作物遥感估产技术将迎来更多的发展机遇和挑战。未 来,作物遥感估产技术将朝着以下几个方向发展:
四、作物遥感估产的未来发展方向和趋势
1.降低成本:通过开发更高效的图像处理技术和优化数据处理流程,降低遥 感数据的获取和处理成本,提高估产技术的可推广性。
结论与展望
展望未来,我们可以进一步探索以下研究方向: 1、完善数据源:除了现有的遥感数据、气象数据和土地利用数据,我们还可 以考虑引入其他来源的数据,如农业统计数据、专家意见等,以更全面地反映作 物的生长情况和产量。
结论与展望
2、强化模型算法:我们可以考虑使用更先进的机器学习算法或者深度学习算 法来建立冬小麦估产模型,进一步提高模型的准确性和灵活性。
随着科技的发展,遥感技术和作物生长模型已经被广泛应用于作物估产中。 然而,传统的作物估产方法通常依赖于地面数据采集和繁琐的农学实验,这限制 了其适用性和可靠性。为了解决这个问题,本次演示提出了一种基于遥感信息和 作物生长模型同化的水稻估产方法。
内容摘要
该方法包括以下步骤:首先,利用遥感技术获取水稻生长状况的图像,并将 图像信息提取出与水稻生长相关的特征,如叶面积指数、植被指数等。这些特征 可以反映水稻的生长状况,为后续的估产提供依据。
三、作物遥感估产存在的问题和 不足
三、作物遥感估产存在的问题和不足
尽管作物遥感估产技术已经得到了广泛的应用,但仍存在一些问题和不足。 首先,遥感数据的获取和处理成本较高,限制了其在农业中的应用范围。其次, 目前的估产方法主要依赖于经验性的生长模型,而这些模型的精度和适用性有待 进一步提高。此外,遥感估产的精度受到多种因素的影响,如气候、土壤、种植 制度等,这些因素难以被完全考虑进模型中。
稀疏灌乔木地上生物量遥感估算方法研究的开题报告
![稀疏灌乔木地上生物量遥感估算方法研究的开题报告](https://img.taocdn.com/s3/m/41d7b60ab207e87101f69e3143323968001cf414.png)
稀疏灌乔木地上生物量遥感估算方法研究的开题报告一、选题背景和意义稀疏灌乔木地生物量是森林生态系统中重要指标之一,对于了解水文循环、碳循环、生态系统结构和功能等具有重要意义。
近年来,随着遥感技术的不断发展和卫星数据的广泛应用,利用遥感数据估算地上生物量的方法逐渐得到认可和重视。
目前,对于密度较高的乔木林,已有一些比较成熟的地上生物量遥感估算方法,但是对于稀疏灌乔木地,由于植被结构复杂、地形起伏变化大等因素的影响,使得估算地上生物量的难度增大,因此需要开展相关研究。
二、研究内容和目标本研究旨在通过对稀疏灌乔木地上生物量遥感估算方法的研究,实现对该地区地上生物量的精确估算。
具体内容和目标如下:1. 系统梳理稀疏灌乔木地上生物量遥感估算方法的研究进展,总结目前应用于该地区的方法;2. 利用2015年和2020年的Landsat 8 OLI和Sentinel-2A卫星数据,对研究区内的稀疏灌乔木地进行遥感影像处理,提取相关植被指数(如NDVI、EVI等)和地形因子(如高程、坡度、坡向等);3. 构建遥感模型,采用回归分析方法进行拟合,建立稀疏灌乔木地地上生物量的遥感估算模型;4. 对构建的遥感模型进行准确性测试和验证,对比不同模型的估算精度和稳定性,提出改进方案和调整策略;5. 分析影响稀疏灌乔木地上生物量遥感估算精度的因素,为进一步提高精度提供理论支持。
三、研究方法和技术路线1. 数据采集:获取该地区2015年和2020年的Landsat 8 OLI和Sentinel-2A卫星数据,以及当地的生物量调查数据。
2. 遥感影像预处理:包括辐射定标、大气校正、几何校正等。
3. 植被指数提取和构建地形因子:根据遥感影像和DEM数据,提取植被指数和地形因子。
4. 模型建立和优化:通过回归分析,建立地上生物量的遥感估算模型,进行模型优化和调整。
5. 模型验证和精度评价:采用交叉验证和误差评价等方法,对模型进行验证和精度评价。
东北林区森林生物量遥感估算及分析的开题报告
![东北林区森林生物量遥感估算及分析的开题报告](https://img.taocdn.com/s3/m/0c8bb18688eb172ded630b1c59eef8c75fbf95b2.png)
东北林区森林生物量遥感估算及分析的开题报告一、研究背景与意义随着经济的快速发展,深入开发林区资源已经成为东北地区实现经济发展的必经之路。
林区是东北经济发展的支撑点和生态保持的重要地区,但是林区的生物量是影响生态保持、林区经济发展以及地球气候变化的重要指标。
因此林区生物量的监测具有非常重要的意义。
传统的林区生物量测量方法需要大量的人力物力,且时间成本较高,为了快速准确地获得林区生物量数据,遥感技术愈发受到重视。
现代遥感技术已发展到同步遥感、高光谱遥感和激光雷达遥感等水平,林区生物量遥感估算有了越来越多的优秀研究成果。
目前,空间分辨率较低的Landsat和MODIS卫星,以及空间分辨率高的HJ-1、GF等卫星已被广泛应用于林区生物量的遥感估算与监测。
本文的研究目标是以遥感技术为基础,借助遥感数据与地面数据,建立适合东北林区的林区生物量估算模型,并综合考虑环境因素、气候因素、土壤因素等因素,通过对林区生物量的研究,为东北林区的经济发展及生态保护提供科学依据。
二、研究内容与方法在研究过程中,我们首先将收集到的Landsat、MODIS、HJ-1、GF等卫星高分辨率遥感数据进行预处理,包括影像校正、辐射定标、大气校正等预处理步骤,同时与实地光谱和气象站资料进行验证。
其次,考虑到林区生物量与环境因素、气候因素、土壤因素等因素的相关性,我们将选取合适的气象站和生态站,并获取相关地理信息数据,如高程、坡度、土地利用类型等非遥感数据,以建立林区生物量估算模型。
最后,我们将运用遥感技术分析林区生物量分布特征及其时空变异规律,探讨林区生物量的影响因素。
三、研究计划与进度安排本文研究计划分为以下三个阶段:第一阶段(2018.11-2019.05):收集和整理Landsat、MODIS、HJ-1、GF等卫星遥感数据和相关非遥感数据,进行预处理,建立林区生物量估算模型。
第二阶段(2019.06-2020.02):利用收集的遥感数据,根据建立的林区生物量估算模型,对东北林区的生物量进行遥感估算,并进行实地验证,并对林区生物量分布特征及时空变异规律进行分析。
遥感技术在油料作物产量监测中的研究进展与挑战
![遥感技术在油料作物产量监测中的研究进展与挑战](https://img.taocdn.com/s3/m/e024e91fce84b9d528ea81c758f5f61fb73628c1.png)
2023 年 9 月第 5 卷第 3 期Sept.2023 Vol.5, No.3智慧农业(中英文) Smart Agriculture遥感技术在油料作物产量监测中的研究进展与挑战马宇靖1,吴尚蓉2*,杨鹏2,曹红2,谭杰扬3,赵荣坤2(1.中北大学信息与通信工程学院,山西太原 030051,中国; 2.北方干旱半干旱耕地高效利用全国重点实验室(中国农业科学院农业资源与农业区划研究所),北京 100081,中国; 3.湖南省农业科学院农业经济和农业区划研究所,湖南长沙410125,中国)摘要:[目的/意义]油料作物是粮食供应和非粮食供应的重要组成部分,也是食用植物油和植物蛋白的重要来源。
实时、动态、大范围的油料作物生长监测对指导农业生产、维持粮油市场稳定、确保国民生命健康具有重大意义。
遥感技术因其覆盖范围广、获取信息及时、快速等优势被广泛应用于区域作物产量监测研究和应用中。
[进展]本文首先介绍了利用遥感技术对油料作物进行估产的相关背景;其次,从遥感参数反演、面积监测及估产研究三个方面综述了基于遥感技术的油料作物监测研究现状,指出数据同化技术在油料作物估产方面具有极大潜力,并从同化方法、网格选取两方面进行详细阐述。
[结论/展望展望]]指出了遥感技术在油料作物监测中的机遇,提出了基于遥感技术的油料作物估产在作物特征选取、空间尺度确定以及遥感数据选择等方面存在的一些问题和挑战,并对未来油料作物估产研究的发展趋势进行了展望。
本文可为油料作物的区域估产及生长监测的深入研究提供借鉴和参考。
关键词:遥感;产量模拟;数据同化;油料作物;产量监测;参数反演中图分类号:S565;TP79 文献标志码:A 文章编号:SA202303002引用格式:马宇靖, 吴尚蓉, 杨鹏, 曹红, 谭杰扬, 赵荣坤. 遥感技术在油料作物产量监测中的研究进展与挑战[J]. 智慧农业(中英文), 2023, 5(3): 1-16. DOI:10.12133/j.smartag.SA202303002MA Yujing, WU Shangrong, YANG Peng, CAO Hong, TAN Jieyang, ZHAO Rongkun. Advances and challenges of re‐mote sensing technology in oil crop production monitoring[J]. Smart Agriculture, 2023, 5(3): 1-16. DOI:10.12133/j.smartag.SA202303002 (in Chinese with English abstract)1 引言油料作物主要包括大豆、油菜、向日葵、花生等[1],是粮食供应的重要组成部分[2],也是饲用蛋白和生物润滑油等非粮食供应的重要来源[3, 4],2021年为中国居民提供了超过70%的油脂供应[5]。
国内外农作物遥感估产的研究进展
![国内外农作物遥感估产的研究进展](https://img.taocdn.com/s3/m/4286b348773231126edb6f1aff00bed5b9f373d9.png)
引言
引言
遥感光谱技术是一种利用遥感器获取农作物光谱信息,并据此进行农作物估 产的方法。它具有快速、无损、大面积等优点,为精准农业的发展提供了重要支 持。本次演示将介绍遥感光谱技术在农作物估产中的应用研究进展,以期为相关 领域的进一步研究提供参考。
研究现状
研究现状
近年来,遥感光谱技术在农作物估产中得到了广泛应用,主要包括激光诱导 击穿光谱技术、成像光谱技术、无线传感器技术等。其中,激光诱导击穿光谱技 术通过分析农作物的光谱反射和吸收特征,能够准确测定农作物的化学成分,进 而估算其产量。
1.国内外研究成果对比
在国内,中国农业科学院、中国科学院等机构也在遥感估产方面进行了大量 研究,提出了多种基于遥感的农作物估产方法。例如,利用多光谱遥感影像和作 物生长模型,对北方冬小麦产量进行估算,为区域农业管理和粮食预购提供了有 效手段。
2.影响因素分析
2.影响因素分析
农作物遥感估产的影响因素主要包括气候、土壤、品种、种植制度等。这些 因素在不同地区和不同作物之间存在差异,会对遥感估产的准确性产生影响。例 如,在水稻生长季,苗期渍水、生育期高温等气候因素会对水稻的生长和产量产 生影响。另外,不同品种和种植制度的水稻对遥感信息的响应也会有所不同,从 而影响估产的准确性。因此,在农作物遥感估产研究中,需要综合考虑各种因素 的影响,提高模型的适用性和准确性。
文献综述
统计模型法是另一种常用的农作物遥感估产方法,其基本原理是将遥感影像 作为自变量,将农作物产量作为因变量,建立回归模型,然后利用模型对农作物 产量进行预测。统计模型法的优点是能够反映农作物的空间异质性和时间变化, 但需要大量的实地调查和数据处理。
文献综述
光谱指数法是基于农作物光谱特性的遥感估产方法,其基本原理是利用遥感 影像的光谱信息建立农作物估产模型。光谱指数法的优点是能够反映农作物的生 理和生化变化,但需要选择合适的光谱指数和建立准确的估产模型。
顺昌县马尾松生物量遥感估测
![顺昌县马尾松生物量遥感估测](https://img.taocdn.com/s3/m/da43ecf4910ef12d2af9e7c9.png)
中图分类号 : 7 72 ¥5 .
文献标识码 : , A
.
文章编号 :0 1 8 X(0 0 0 0 8 0 10 —39 2 1 )2- 13— 4
Esi to n t e Pi u so in imasi h n h n u t yrmoesnig tma i n o h n sma sna a bo s n S u c a gCo nyb e t e s n
年代后期 , 最早是 潘维侍 等 对杉木人 工林 的研究 , 其后是 冯宗炜 等 对 马尾 松及其 它树种生 物量 的研
究 。刘世荣 、 陈灵芝等【 、 8 党承林等 先后建立 了主要森林树种生物量测定相对生长方程 , 】 估算了其生
物量 。传 统的生物 量研究 主要是通 过测定 光合作 用 、 呼吸作用 产生 的二氧 化碳 的变化 、 对生物体 现存量直 接采用 收获法来进 行 的¨ 引。由于遥感 图像光 谱信息具 有 良好 的综 合性 和现实 性 , 与森林 生物 量之 间存在
S UN - u Liq n
( i yuFrsyB ra , i yu F j n3 10 , hn ) Xa o oet ueu Xa o , ui 52 0 C ia n r n a
Ab t a t e e td t e s mp e pos a d iv s g td te s pe te s o ie i lr moe s n i g a d r ltd mah ma c l sr c :S l ce h a l lt n n e t ae h a l re .c mb n d w t e t e sn a e t e t a i m l n e i itg ae e h oo y n t e Piu  ̄a s na , i h n h n o n y A d t e v l me fc o s i t d c d t s b ih n n e r td tc n lg o n s h so i B n S u c a g C u t . n h o u a tr wa n r u e o e t l me t a o a s c mp t l r e v l me a d go n ima sc reae d 1 h d lh sh g e r cso y v r e .On t eb i , h n h n o ai e t ou n ru d bo s o r lt d mo e .T e mo e a ih rp i n b e i d b e e i i f a s S u ea g h s C u t o y P.ma s na si t n g a h Wa e e ae y sa k o i ma s mo e n .  ̄o in s ma o r p ru h u ig n so i n e t i r p S g n rt d b tc fb o s d la d P ma n a a e t t n g a h t o g sn ma o i i h E RDAS mo ei g f c o .An c o dn o t e at b t a l h d l u t n n n i d a c r ig t t u e t et e尸. so in ima s o oe c u t a t t f e . h i r b ma s n a a b o s fwh l o ny W sa s c d S ii Ke r s i u b¥o it y wo d :P n sIa ¥ n  ̄l r , a;v l m ou e;b o s ;mo e ;r moe s n ig ima s d l e t e sn
基于遥感的作物产量和产量差估算研究进展
![基于遥感的作物产量和产量差估算研究进展](https://img.taocdn.com/s3/m/b07690bb05a1b0717fd5360cba1aa81144318fb1.png)
江苏农业学报(JiangsuJ.ofAgr.Sci.)ꎬ2023ꎬ39(3):881 ̄894http://jsnyxb.jaas.ac.cn卢必慧ꎬ邱㊀琳ꎬ李卫国ꎬ等.基于遥感的作物产量和产量差估算研究进展[J].江苏农业学报ꎬ2023ꎬ39(3):881 ̄894.doi:10.3969/j.issn.1000 ̄4440.2023.03.030基于遥感的作物产量和产量差估算研究进展卢必慧ꎬ㊀邱㊀琳ꎬ㊀李卫国ꎬ㊀王志明ꎬ㊀田㊀苗ꎬ㊀王㊀晶ꎬ㊀单㊀捷(江苏省农业科学院农业信息研究所ꎬ江苏南京210014)收稿日期:2022 ̄06 ̄09基金项目:国家重点研发计划(政府间国际合作)项目(2021YFE010 ̄4400)ꎻ江苏省自然科学基金项目(BK20200281)ꎻ江苏省农业科技自主创新基金项目[CX(22)2001]作者简介:卢必慧(1989-)ꎬ女ꎬ安徽滁州人ꎬ硕士ꎬ助理研究员ꎬ主要从事农业遥感与作物模型估产研究ꎮ(E ̄mail)20140029@jaas.ac.cn通讯作者:邱㊀琳ꎬ(E ̄mail)qiulin_81@163.com㊀㊀摘要:㊀作物产量差研究对于认识当前生产力现状和提高作物产量至关重要ꎮ以往产量差研究方法如田间试验㊁统计分析以及作物生长模型模拟分析ꎬ在区域尺度应用时常受限于空间上的异质环境以及田间管理信息不足等因素ꎮ本文重点综述了当前利用遥感技术以及遥感结合作物模型等方法来估算作物产量和产量差的研究进展ꎬ并介绍了利用遥感技术分析产量差形成因素的方法ꎬ最后对当前研究中存在的一些问题以及未来的研究方向进行了讨论和展望ꎮ关键词:㊀产量ꎻ产量差ꎻ遥感ꎻ作物模型ꎻ限制因素中图分类号:㊀S127㊀㊀㊀文献标识码:㊀A㊀㊀㊀文章编号:㊀1000 ̄4440(2023)03 ̄0881 ̄14ResearchprogressoncropyieldandyieldgapestimationbasedonremotesensingLUBi ̄huiꎬ㊀QIULinꎬ㊀LIWei ̄guoꎬ㊀WANGZhi ̄mingꎬ㊀TIANMiaoꎬ㊀WANGJingꎬ㊀SHANJie(InstituteofAgriculturalInformationꎬJiangsuAcademyofAgriculturalSciencesꎬNanjing210014ꎬChina)㊀㊀Abstract:㊀Thestudyofcropyieldgapisveryimportantforunderstandingthecurrentproductivitystatusandimpro ̄vingcropyield.Inregionalapplicationꎬpreviousyieldgapresearchmethodssuchasfieldexperimentꎬstatisticalanalysisandcropgrowthmodelsimulationanalysisꎬareaftenlimitedbyfactorssuchasspatialheterogeneousenvironmentandinsuf ̄ficientfieldmanagementinformation.Thispaperfocusedonthecurrentresearchprogressofusingremotesensingtechnologyandremotesensingcombinedwithcropmodeltoestimatecropyieldandyieldgapꎬandintroducedthemethodofusingre ̄motesensingtechnologytoanalyzethefactorscausingyieldgap.Finallyꎬsomeproblemsexistinginthecurrentresearchandfutureresearchdirectionswerediscussedandprospected.Keywords:㊀yieldꎻyieldgapꎻremotesensingꎻcropmodelꎻlimitingfactor㊀㊀粮食安全问题一直都是全球共同关注的焦点ꎮ总体来说ꎬ增加粮食总产量的主要途径有两个:一是扩大粮食作物种植面积ꎻ二是提高作物单产水平ꎮ前者不仅需要耗费大量的人力㊁物力去开发地力贫瘠的土地ꎬ而且还会对生态环境造成破坏[1]ꎮ因此ꎬ在当前人口和粮食需求不断增长㊁耕地面积逐渐缩减的背景下ꎬ尤其是在不进行大规模的耕地扩张的前提下ꎬ实现可持续的粮食单产提升对于缓解农业生产压力㊁解决未来粮食需求以及保障粮食安全显得至关重要ꎮ耕地作物实际产量与潜在产量之间存在较大差距是目前公认的事实[2 ̄3]ꎮ地区间甚至同一地区不同田块间作物产量也存在显著差异ꎬ这种现象广泛存在于世界各国的农业生产中[4 ̄6]ꎮLobell等认为188在大多数灌溉系统中ꎬ小麦㊁水稻和玉米等主要作物的产量似乎达到或者接近产量潜力的80%ꎬ迄今为止没有证据证明产量已经超过这一阈值ꎬ并且预测在未来几十年里ꎬ许多地区田间作物可达到的最高产量可能会趋于稳定ꎬ甚至下降[2]ꎮ事实上ꎬ在当前世界上很多主要粮食作物生产地区ꎬ粮食单产增长确实缓慢ꎬ甚至出现了单产下降的报道[7 ̄8]ꎮ当实际产量趋于平稳和停滞时ꎬ确定这种停滞是由于产量差距不断减小所导致ꎬ还是由于田间管理㊁土壤退化㊁污染以及气候变化等因素所造成的就显得非常重要ꎮ因此ꎬ开展作物产量差研究ꎬ了解区域作物生产现状和生产潜力ꎬ量化作物产量的可提升空间ꎬ分析一个地区作物产量的主要限制因素ꎬ明确未来作物产量提升的重点区域对于缩小作物产量差距㊁提高粮食产量和保障粮食安全具有重要意义[9 ̄10]ꎮ1㊀产量差概念1.1㊀产量差与产量水平作物产量差研究最早开始于1974国际水稻研究所对亚洲水稻产量差的研究[11]ꎮ随后开始出现了多种产量差的概念模型ꎬ其中具有代表性的是1977年Gomez提出了田块潜在产量(Potentialfarmyield)的概念ꎬ并通过把产量限制因子进行有效分组来寻找引起产量差的因素[12]ꎮ产量差(YG)概念是DeDatta于1981年首次明确提出的ꎬ被定义为农田实际产量与实验站潜在产量的差距ꎬ把引起产量差距的因子叫做产量限制因子[13]ꎮ后来又有研究学者先后提出了田块产量差㊁可开发产量差和可获得产量差等概念ꎬ产量差概念被不断丰富和完善ꎬ并界定为不同评估条件下由潜在产量和实际产量所估算得到的产量差距[14 ̄17]ꎮ目前作物产量差被普遍定义为作物实际产量与潜在产量的差距ꎬ代表了未来产量增长的可能空间[18]ꎮ潜在产量(Yp)ꎬ也称为产量潜力ꎬ是最高产量水平ꎮ它代表一个地区作物在较高管理水平下(不受水分㊁养分以及病虫害的胁迫)由光温条件所决定的产量上限ꎬ即光温潜在产量[18 ̄19]ꎮ通常来说ꎬ作物光温潜在产量(Yp)是针对具有灌溉系统的地块而言的ꎮ对于雨养地块ꎬ作物产量潜力很大程度地受到水分和土壤类型的影响[16]ꎮ考虑到大多数雨养地块作物(如小麦和玉米)在生长季出现短期缺水的可能性ꎬ产量潜力通常为水分限制条件下所能达到的最大产量ꎬ即雨养潜在产量(Ywp)[20]ꎮ实际产量(Ya)ꎬ是指某一地区田间作物生产中实际获得的产量ꎮ为了表示一个特定地理区域里的空间差异性ꎬ实际产量被定义为在当前该区域气候㊁土壤㊁品种和管理条件下ꎬ获得的空间上的平均产量[16]ꎮ由于受到水分㊁养分㊁病虫害以及管理方式(如播期和密度)等因素的影响ꎬ田间作物获得的实际产量通常远远低于潜在产量[21 ̄22]ꎮ总体而言ꎬ潜在产量是一个理想化概念ꎬ在当前田间条件下很难实现[23 ̄24]ꎮ考虑到实际生产水平和经济成本等因素ꎬ一些学者提出了一种与实际生产条件更相关的产量潜力基准ꎬ即可达到的潜在产量ꎬ也称为农户潜在产量[25]ꎮ这定义了农民现有技术水平下的最高经济产量ꎬ实际产量与可达到的潜在产量之间的差距被定义为可开发的产量差[26]ꎮ准确地评估可开发的产量差ꎬ量化通过改善可控制因素(如田间管理)来实现增产ꎬ对于提高区域产量十分重要ꎮ1.2㊀产量差的传统研究方法产量差研究最早集中在实验室水平或田块尺度ꎬ通过不同的试验处理进行比较分析ꎬ量化具体栽培方案对作物产量的影响[27]ꎬ但在解释变异方面具有局限性ꎮ区域尺度的作物产量差研究有助于理解多种因子在产量形成中的作用及其相关性ꎬ并且可以明确缩减产量差和提升产量的重点区域[28]ꎮ以往作物产量差的研究方法ꎬ主要分为以下两种: (1)试验调查及统计分析方法ꎮ通过调查获取农户作物管理信息ꎬ辅助于土壤和作物品种信息的作物田块产量差的估算方法[29]ꎬ适用于讨论某个地区的产量差及其限制因素ꎮ主要的研究方法包括:①根据影响产量的一个或几个因素ꎬ严格控制其他条件ꎬ在试验站或农户田块设置特殊处理ꎬ然后与某一预定方法比较研究[30]ꎻ②快速农村评估法(RRA)ꎬ是一种采用多学科调查小组执行㊁定性快速且不断学习的系统性和半结构性的调查方法ꎬ在应用RRA进行产量限制因子分析的过程中ꎬ农民仅参加获取数据㊁发现和讨论问题等过程ꎬ并不参与分析过程ꎬ因此有利于研究人员快速全面收集数据[31]ꎻ③跟踪试验ꎬ该方法是在RRA基础上进行的作物产量限制因子分析试验ꎮ整个过程是在农民不知情的前提下ꎬ研究人员在农民田块里布置试验ꎬ验证RRA方法的可靠性[32]ꎮ这类方法虽然简单ꎬ但288江苏农业学报㊀2023年第39卷第3期需要充足的试验数据ꎬ且对数据有较高要求ꎮ另外ꎬ农户调查耗费成本较高ꎬ准确收集土壤和作物管理信息具有一定的难度ꎬ并且调查的主观性较强ꎬ难免漏掉一些引起产量差异的信息ꎬ因此限制其在区域上的推广应用ꎮ(2)作物生长模型模拟分析方法ꎮ通过定义某一生产投入水平ꎬ收集模型运行所需要的数据ꎬ即可估算环境因素(天气和土壤)㊁生物因素(品种)和种植管理因素(耕作方式㊁播种密度㊁施肥和水分及病虫害控制)等对作物生长过程的影响ꎮ通过比较不同模拟水平的作物产量与实际产量的差距ꎬ确定生产中存在的主要问题ꎬ进而有针对性地进行优化决策[33]ꎮ目前研究中常用的作物生长模型主要包括APSIM㊁ORYZA㊁DSSAT㊁CERES及Hybrid ̄Maize等ꎮ在特定作物和种植系统下ꎬ模型较好地考虑了作物生长发育过程与田间管理措施之间的交互作用ꎬ是当下估算产量潜力和产量差的可靠方法[34 ̄38]ꎮ然而ꎬ由于作物生态系统的复杂性ꎬ模型的模拟结果仍存在很大的不确定性[6]ꎮ其次ꎬ模型应用时需要田块水平的气象㊁土壤㊁田间管理措施等信息ꎬ而这方面的数据相对较少ꎬ为了实现产量差的区域估算ꎬ通常需要结合区域网格数据(降雨㊁温度㊁辐射和土壤等)ꎬ利用空间平均或插值的方法将站点的观测值内插到整个研究区域[39 ̄40]ꎮ然而ꎬ由于所选作物模型和用于产量潜力估算的网格点空间位置不同ꎬ导致同一研究区的产量差估算差异很大ꎬ无法准确推断产量差形成的根本原因ꎬ并且对于较大区域的插值和外推可能会导致局部地区影响因素信息的丢失[17]ꎮ2㊀基于遥感技术的作物产量差估算作物产量差研究的一个根本挑战在于农业景观格局具有较大的时空差异性ꎮ在过去三十年里ꎬ卫星遥感技术已成为处理时空异质性的有效工具ꎮ利用遥感技术以及结合作物模型等方法ꎬ可以准确估计作物产量ꎬ分析出实际产量与潜在生产力间的差距ꎬ并通过分析遥感反映的地面空间信息ꎬ揭示影响作物产量和产量差的限制因素ꎬ从而提高对产量差的理解和解释性[41 ̄42]ꎮ2.1 实际产量估算产量差的估算需要对实际产量和潜在产量进行量化ꎮ估算实际产量是其中一个重要同时也可能是最薄弱的环节ꎮ传统的作物估产方法如统计调查估产㊁基于作物生理参数和产量构成要素之间的相关性所建立的农学估产模型以及农业气象模型等ꎬ因其计算复杂㊁成本高㊁影响因子难以定量化等因素而在区域应用中难以推广[43 ̄45]ꎮ遥感技术能够提供作物产量的时空分布信息ꎬ利用遥感信息建模和区域作物估产已得到广泛应用ꎮ目前基于卫星遥感技术估算作物实际产量的方法有如下几种: (1)经验模型早期遥感估产的建模方法主要是建立地面实测产量与光谱植被指数(VI)或遥感反演作物参数(如LAI)之间的统计关系ꎬ并不涉及作物单产的形成机理[46 ̄47]ꎮ此类模型简单高效ꎬ但只适用于特定区域ꎬ将模型外推到扩展的时空尺度时存在不确定性[48]ꎬ且往往不考虑作物产量形成的复杂过程ꎬ缺乏对机理过程的解释ꎮ此外ꎬ光谱参数多元函数的性质也会增加模型的不确定性[49]ꎮ当前ꎬ随着卫星遥感数据可获取性和数据处理技术的提高ꎬ利用遥感统计模型的估产方法取得了新进展ꎮ相较于依赖地面观测数据的经验模型ꎬLo ̄bell等提出了一种不需要地面校准产量数据的可扩展的卫星作物产量制图新方法(SCYM)[50]ꎮ该方法首先利用作物生长模型进行多次模拟ꎬ将模型的模拟输出结果(如LAI和产量)ꎬ按照以往文献中已有的经验模型或者是利用独立观测数据所建立的统计模型转换为遥感观测变量(实质是伪观测ꎬ如光学植被指数)ꎬ然后将转化后的遥感观测变量与模型模拟的产量结合起来ꎬ以训练出一个线性回归模型ꎬ最后根据回归模型和遥感影像观测数据进行产量估算ꎮ相较于传统线性回归模型ꎬSCYM的优势在于利用了作物生长模型中的生长信息ꎬ并纳入了气象变量和多个观测日期的植被指数(或其他遥感观测变量)ꎬ形成了一个通用的多元线性回归模型ꎬ以可扩展的方式解释遥感观测结果ꎮ该方法最初被应用到美国雨养田块玉米和大豆产量估测中ꎬ运用谷歌地球引擎(GEE)云计算平台对多年的Landsat数据进行快速预处理㊁云掩模ꎬ计算叶绿素植被指数(GCVI)ꎬ估算美国中西部的玉米和大豆田块产量ꎬ并以玉米为例分析了田块内和田块间的产量空间异质性ꎬ这不仅对大尺度农业监测和可持续农业管理具有重要意义ꎬ还能够在更精细的尺度下跟踪产量388卢必慧等:基于遥感的作物产量和产量差估算研究进展的空间变化[50 ̄52]ꎮ这种方法也在小农农业系统(Smallholderfarmingsystem)中表现出较好的可移植性[53]ꎬ并且在产量差研究中得到了应用[54 ̄56]ꎮ(2)半经验半机理模型半经验半机理模型也称为参数模型ꎬ是指以Monteith首次提出的光能利用率(LUE)概念为基础的模型[57]ꎮ模型指出:(1)在整个生长季内ꎬ总生物量产出与作物冠层对入射光合有效辐射(PAR)的总吸收量成正比ꎻ(2)光能利用效率(LUE)是生物量与冠层吸收光合有效辐射(APAR)的比值ꎬ理论上是相对恒定的[58]ꎮ产量(Yield)模拟通常用如下公式来描述:Yield=ðnt=1PARt fAPARt() LUE HI式中ꎬt是作物生长发育时间(d)ꎬn为作物播种至成熟的天数ꎮPARt为播种后第td入射光合有效辐射(PAR)ꎬfAPARt为第td入射光合有效辐射被冠层吸收的比率ꎬLUE为辐射量转变为生物量的效率ꎬHI为收获指数ꎮ基于LUE概念的遥感估产模型ꎬ通过应用遥感信息定量反演产量形成过程中的生物物理参数或限制因子ꎬ实现作物生物量的动态模拟ꎬ并得到单产信息ꎮ这里遥感获取的参数主要是被作物冠层吸收的光合有效辐射比例(fAPAR)ꎬ通过其与遥感植被指数(如NDVI和SR)建立回归方程来估算ꎬ在无法每日获取遥感数据时通常利用插值方法获取模型所需的每日fAPAR[59]ꎮ其他参数如:①冠层入射光合有效辐射(PAR):通常来自于气象站数据或者基于卫星遥感数据的估算ꎻ②光能利用效率(LUE)和收获指数(HI)ꎬ一般被看作为常数ꎬ但实际的LUE由于受到环境胁迫影响(如温度和水分)往往是变化的ꎻHI与作物产量存在较高相关性ꎬ对于区域尺度HI的获取ꎬ通常采用常量法或插值法赋值[60 ̄62]ꎮLUE模型以CASA[63]㊁C ̄flux[64]㊁VPM[65]和EC ̄LUE[66]等为代表ꎬ适用于大尺度的应用ꎬ能够提供可靠的植被生产力和作物产量估计值[66 ̄69]ꎮ与经验模型相比ꎬLUE模型能够表达光合有效辐射对作物产量的影响ꎬ但仍存在对作物生长状况的过度概括(模型缺少对作物生长过程的描述)所导致估算产量偏差较大等问题[59]ꎮ另外ꎬfAPAR与最终生物量之间不完全的统计关系以及LUE和HI的时空分布难以准确量化ꎬ一定程度上限制了该类模型在区域作物单产估测中的应用[70]ꎮ(3)机理模型机理模型亦称为过程模型ꎬ包括作物生长模型和生态过程模型ꎮ由于作物生长模型和遥感观测均有各自的优缺点ꎬ利用数据同化方法(数据同化框架)将二者结合ꎬ可以实现更为准确的区域尺度作物估产[71 ̄72]ꎮ同化法是通过调整作物生长模型中与作物生长发育和产量有密切相关并难于获取的初始条件和参数ꎬ来减小遥感观测值与相应模型模拟值之间的差距ꎬ从而达到估计初始值和参数值的目的[73]ꎮ当前数据同化的方法分为两种:(1)基于代价函数的参数优化方法ꎻ(2)基于估计理论的顺序滤波方法[74]ꎮ前者以四维变分(4DVar)为代表ꎬ采用整个同化窗口内的观测值来重新调整模型参数ꎬ参数优化精度与遥感观测的频率和时间点密切相关ꎬ当作物模型与辐射传输模型耦合时ꎬ优化效果主要取决于辐射传输模型中的参数精度ꎬ而这些参数在区域尺度上具有较大空间变异[75 ̄76]ꎮ而后者以集合卡尔曼滤波算法(EnKF)为代表ꎬ将连续观测的信息顺序作用于模型ꎬ每一次观测值只会影响从当前状态之后的作物生长ꎬ以减少被同化状态变量的误差ꎬ从而提高模型模拟的准确性ꎬ这种方法在相对较小的研究区域和短同化窗口内模拟精度较高[77 ̄78]ꎮ当前ꎬ大区域同化采用的卫星遥感数据以MODIS为主ꎬ中等区域尺度上主要以LandsatTM㊁ETM等为主ꎬ作物模型以WOFOST㊁CERES等使用广泛ꎬ同化变量以LAI最为常见[79 ̄83]ꎮ而基于遥感信息的生态过程模型ꎬ从植被生理生态学的机理上模拟冠层的光合作用㊁呼吸消耗㊁蒸散发以及土壤水分循环等过程ꎬ融合遥感信息后可在大尺度范围模拟植被生产力ꎬ通过收获指数或干物质累积效率等参数进而转化为经济产量ꎮFOR ̄EST ̄BGC[84]㊁RS ̄P ̄YEC[85 ̄86]㊁BEPS[87]以及BESS[88]等模型是生态过程模型的代表ꎮ尽管完全依赖遥感信息的机理模型还未能实现ꎬ但利用遥感数据驱动具有生理生态学机制的作物单产模型已取得很大进展[49]ꎮ王培娟等利用遥感信息㊁气象资料等驱动改进后的BEPS模型ꎬ并结合收获指数ꎬ将冬小麦的净第一性生产力(NPP)转化为经济产量ꎬ从而实现对作物产量的估算[84]ꎮJu等采用BEPS模型ꎬ结合MODIS土地覆盖数据和LAIꎬ预测了2005-2006年江苏省长江以北地区夏收粮食作物的产量ꎬ488江苏农业学报㊀2023年第39卷第3期结果显示遥感驱动的过程模型在预测作物产量方面效果显著[89]ꎻWang等利用RS ̄P ̄YEC模型对2006年华北平原冬小麦产量进行了估算ꎬ模拟产量与17个农业气象站的观测结果一致ꎬ平均相对误差为4.6%[90]ꎮ(4)融合机器学习和深度学习的遥感估产近年来ꎬ随着计算技术的发展ꎬ机器学习和深度学习算法已被广泛用于农作物遥感估产ꎮ机器学习方法ꎬ如回归树㊁随机森林和多元回归等ꎬ通常将作物产量作为输入变量(如天气组分和土壤条件)的隐函数以进行产量预测[91 ̄92]ꎬ但这种方法可能较为复杂ꎮ此外ꎬ机器学习中的监督学习方法无法捕获输入和输出变量之间的非线性关系[93]ꎮ而深度学习作为一种重要的机器学习方法ꎬ具有多层神经网络ꎬ可以分析巨大的数据集ꎬ能够从非结构化和未标记的样本数据中进行监督㊁半监督和无监督学习[94]ꎮ与传统机器学习方法相比ꎬ深度学习在卫星图像特征提取(如植被指数和气象数据)方面具有优势ꎬ提取的特征组合能够较准确描述遥感植被指数(VIs)和作物产量之间的复杂非线性关系ꎬ因而估产准确性也更好[95 ̄96]ꎮ现有的深度学习方法包括人工神经网络(ANN)㊁深度神经网络(DNN)㊁贝叶斯神经网络(BNN)㊁卷积神经网络(CNN)和长短期记忆网络(LSTM)[94]等ꎮ其中ꎬLSTM和CNN是作物估产领域使用最广泛和最有效的深度学习方法[97 ̄99]ꎮWang等基于LSTM和CNN开发了一个两分支的深度学习模型ꎬ结合遥感㊁气象和土壤数据ꎬ利用去趋势的统计产量数据对模型进行训练ꎬ以估算中国主要种植区冬小麦产量ꎬ并对预测产量进行了不确定性分析ꎮ结果表明ꎬ产量预测至少可以在收获前一个月实现ꎬ且精度较高[100]ꎮWolanin等将深度神经网络用于训练植被指数和气象数据的时间序列ꎬ来估计印度小麦产量ꎬ并探讨如何利用深度学习方法提高产量预测性能ꎬ同时保持模型对估产结果的可解释性[101]ꎮXie等探索了将深度学习㊁遥感数据和作物生长模型相结合估计区域作物产量的可行性ꎬ利用CERES ̄Wheat模型模拟的LAI序列和产量数据训练LSTM㊁一维卷积神经网络(1 ̄DCNN)和随机森林(RF)模型ꎬ将训练后的模型与MODIS反演的时序LAI数据相结合ꎬ逐像元估算河南省小麦产量ꎮ结果显示ꎬLSTM模型产量估计精度最高[102]ꎮ总体而言ꎬ上述几种方法各有优缺点ꎮ传统经验回归模型应用范围较窄ꎬ且难以解释自变量与作物产量之间的复杂非线性关系ꎮ生态过程模型是估算自然植被净第一性生产力较为合理的方法ꎬ但模型往往比较复杂ꎬ需要根据植被类型确定相应的植被参数ꎻ数据同化方法的挑战在于ꎬ需要本地校准和大量输入参数(如作物特性㊁田间管理㊁气象和土壤数据)来模拟作物生长过程ꎬ同时较高的观测分辨率导致数据同化系统的计算成本增加ꎬ使得其在实际应用中难以大规模实现ꎮSCYM方法利用作物模型模拟替代了田间测量ꎬ其数据和计算要求较低ꎬ比数据同化方法更容易实现ꎬ但其所建立的线性回归模型依然难以处理模拟变量与实际产量之间的非线性关系ꎮ融合深度学习和机器学习的遥感估产方法作为近几年的研究热点ꎬ其主要挑战是如何改进算法以获得更高的精度ꎬ同时也存在黑箱属性问题需要进一步探讨ꎮ因此ꎬ在实际应用中ꎬ需要根据研究需求选择合适的方法ꎬ同时加强对估产方法和算法的改进ꎮ2.2 产量差估算产量差估算的一个重要环节是合理量化产量潜力ꎮ目前常用的作物潜在产量估算方法包括:田间试验㊁高产示范㊁高产农户产量以及作物生长模型模拟分析[14ꎬ17]ꎮ其中ꎬ作物生长模型模拟分析是定量化产量潜力最常用的方法[103]ꎮ根据站点收集的数据(品种特性㊁气候条件㊁土壤以及管理因素等)通过模型可以模拟不受水分㊁养分限制以及生物㊁非生物逆境胁迫影响的作物生长过程ꎬ得到潜在产量ꎮ由于区域尺度上土壤㊁作物品种特征㊁管理方案等信息难以准确获取ꎬ这导致作物生长模型在模拟区域潜在产量时会出现较大误差ꎮ而遥感技术可为模型提供实时的环境参数ꎬ使模拟过程更加贴近实际情况ꎮ因此ꎬ将遥感方法和作物生长模型(或其他机理模型)相结合ꎬ为量化产量潜力和开展区域作物产量差定量研究提供了新契机(表1)ꎮ根据是否采用作物生长模型估算产量潜力ꎬ总结出利用卫星遥感技术估算区域作物产量差的方法ꎬ主要有以下两种:2.2.1㊀在利用作物生长模型模拟产量潜力的基础上ꎬ基于遥感和模型的产量差估算㊀这种方法的较早应用案例是王纯枝等运用PS123模型分别模拟河北邯郸地区小麦的光温生产力(PS ̄1)和水分限588卢必慧等:基于遥感的作物产量和产量差估算研究进展制生产力(PS ̄2)ꎬ同时将遥感反演的作物冠层温度与PS123模型结合ꎬ建立了遥感 ̄作物生长模拟复合模型PS ̄Xꎬ对模型所需的土壤㊁气候及管理等数据进行空间插值ꎬ进而模拟了小麦的区域产量ꎬ并对PS ̄1㊁PS ̄2和PS ̄X不同水平之间的产量差进行了分析[104]ꎮSchulthess等一方面采用Hybrid ̄Maize模型模拟孟加拉国西北部玉米的潜在产量ꎬ另一方面采用Ra ̄pidEye卫星影像识别玉米田块ꎬ通过遥感获取的加权差值植被指数(WDVI)估算地面覆盖ꎬ并建立地面覆盖与实测产量之间的回归模型ꎬ然后将回归模型应用于区域实际产量计算ꎬ最终生成了基于潜在产量和实际产量的田块尺度产量差图ꎬ这对于确定特定地区产量差的原因以及精准的农业生产管理具有重要作用[105]ꎻFarmaha等利用Hybrid ̄Maize模型模拟美国内布拉斯加州3个主要的灌溉玉米种植区的产量潜力ꎬ同时基于SCYM方法[49]ꎬ将模型模拟的产量潜力用于训练由模拟产量㊁遥感提取的叶绿素植被指数(GCVI)㊁天气变量(平均温度和太阳辐射)以及纬度所构建的多元回归模型ꎬ以估算实际产量ꎬ进而计算出2004-2013年该地区的玉米产量差ꎬ并分析了产量差的时序一致性ꎬ量化持续性因素对产量差的相对贡献[53]ꎮ与前面基于站点的产量潜力模拟不同ꎬPourhadian等基于太阳辐射方程和Landsat8影像提取的玉米田块ꎬ计算玉米生育期内的辐射量ꎬ然后利用CERES ̄Maize模型模拟站点的潜在产量ꎬ再进一步将模拟的站点潜在产量与玉米生长期间的累积辐射量进行回归建模ꎬ并将模型应用于整个研究区以逐像元模拟辐射限制潜在产量ꎬ最后结合遥感统计模型估算的实际产量ꎬ估算了伊朗Golestan省的玉米产量差[106]ꎮ这种逐像元计算潜在产量和实际产量的方式ꎬ能够减小辐射差异导致的区域平均产量差的误差ꎮ2.2.2㊀在利用遥感观测实际产量估算产量潜力的基础上ꎬ基于遥感和模型的产量差估算㊀与采用作物生长模型估算潜在产量的方法不同ꎬ该方法主要是根据遥感观测的实际产量分布来获取潜在产量基准ꎬ并与实际产量进行比较分析[107]ꎮ这里也分为两种不同的方法:一是在遥感估算实际产量的空间范围内ꎬ将监测得到的最大产量作为潜在产量基准来估算产量差ꎮ这种做法的前提是部分农户的田间产量达到了产量潜力ꎮ这种方法通常都没有独立试验数据来验证其有效性ꎬ如果存在或者能获取此类数据ꎬ也就无需进行假设了[58]ꎮBastiaanssen等利用AVHRR数据对巴基斯坦的多种作物产量差进行的研究[108]以及Lobell等使用Landsat数据量化土壤㊁气候及管理方式对墨西哥小麦生产力的影响[41]就是应用这种方法的典型案例ꎮ但是ꎬ在上述两个案例中ꎬ研究者并没有使用该地区产量的单一最大值作为潜在产量ꎬ而是利用实际产量分布的高百分位数(如第95百分位)作为产量潜力基准ꎬ并进一步分析区域作物产量差ꎮ然而ꎬ不管是使用实际产量分布的高百分位数还是最大值来估算产量差ꎬ都是将单一的潜在产量值应用于整个区域ꎮ这对于较小的研究区域而言是一种很好的做法ꎬ但在较大区域ꎬ由于作物品种类型㊁土壤㊁气候和管理措施的空间差异ꎬ上述产量差分析方法将会引起较大误差[58]ꎮ二是遥感空间范围内ꎬ逐像元估算潜在产量ꎮ在以像元为中心的一个较小区域范围内(例如5km2)ꎬ该像元的产量潜力可计算为该范围内像元实际产量分布的高百分位ꎬ如第95或99百分位ꎮ这种形式的产量潜力更能反映可达到的潜在产量ꎬ并且有助于量化产量潜力以及理解不同因素对产量差的贡献[109]ꎮ虽然这种方法依然建立在局部范围内潜在产量已经实现的假设前提下ꎬ但是能够在量化产量空间变化的同时ꎬ利用遥感的手段探测到产量潜力的空间变化ꎮWang等运用BEPS过程模型估算水稻的实际产量ꎬ同时根据气候㊁土壤和地形等因素开发机器学习算法将研究区划分为若干个均匀同质的分区ꎬ并将各分区内实际产量的第95百分位作为分区潜在产量ꎬ进而评估了2006-2017年间中国东北地区水稻产量和产量差的时空分布ꎮ结果表明ꎬ基于遥感的过程模型合理估算了实际产量ꎬ县域尺度的产量均方根误差(RMSE)低于20%ꎬ同时基于分区方案估算的潜在产量能够更好地描述潜在产量的空间变化ꎬ说明利用遥感过程模型评估区域产量差具有可行性[48]ꎮZhang等提出了一种基于遥感同步量化区域作物产量潜力㊁实际产量以及产量差的新方法ꎮ通过开发一种基于过程的遥感作物产量模型(PRYM ̄Maize)ꎬ首先利用MODISNDVI时序数据提取的物候信息(出苗期和收获期)驱动改进后的作物产量模型来模拟实际产量(Ya)ꎬ然后利用688江苏农业学报㊀2023年第39卷第3期。
中国农作物长势遥感监测研究综述
![中国农作物长势遥感监测研究综述](https://img.taocdn.com/s3/m/e779455dc381e53a580216fc700abb68a982ad38.png)
基本内容
中国农作物长势遥感监测技术主要基于卫星遥感数据,结合地物光谱特征、 农学知识和计算机技术等多学科知识进行综合分析。其中,常用的技术方法包括 遥感图像处理、模式识别、地物光谱分析、机器学习等。遥感图像处理主要包括 图像预处理、图像增强和图像分类等步骤,目的是提取出与农作物长势相关的信 息。模式识别和地物光谱分析等技术则主要用于识别和区分不同农作物类型,以 及分析农作物的生长状况和产量预测等。
未来展望
未来展望
随着科技的不断进步和发展,农作物长势综合遥感监测方法将进一步完善和 提高。未来,可以加强以下方面的研究和发展:
未来展望
1、提高遥感数据的分辨率和覆盖范围,以满足更加精细的农业管理和决策需 求。
2、加强遥感技术的智能化和自动化水平,减少对人工的依赖,提高监测效率 和精度。
未来展望
基本内容
2、技术手段日益丰富:农作物长势遥感监测技术不断推陈出新,包括高光谱 遥感、多角度遥感、时间序列遥感等多种技术手段的应用,使得监测结果更加准 确和精细。
基本内容
3、智能化和自动化水平提高:随着人工智能和机器学习等技术的不断发展, 农作物长势遥感监测的智能化和自动化水平也在不断提高。通过数据挖掘和模式 识别等技术手段,能够实现农作物的自动分类和长势预测等功能。
基本内容
3、作物生长周期监测:利用遥感监测技术,可以监测作物的生长周期,从而 掌握作物的生长动态,为农业生产提供指导。
基本内容
总之,遥感监测在农作物长势评价中具有重要的作用。它不仅可以实现大范 围、高效的监测,而且可以提高监测的准确性和精度。通过遥感监测技术,我们 可以更好地了解作物的生长状况,为农业生产提供更为精确的指导,有助于提高 农作物的产量和品质,为保障粮食安全和农业可持续发展做出贡献。
利用遥感数据进行农作物产量估测的步骤与技巧
![利用遥感数据进行农作物产量估测的步骤与技巧](https://img.taocdn.com/s3/m/414feb0e66ec102de2bd960590c69ec3d5bbdb1e.png)
利用遥感数据进行农作物产量估测的步骤与技巧农作物产量估测是农业生产管理中非常重要的一环,它可以帮助农民和农业决策者了解农田的生产状况,提前做出农业资源的合理配置。
近年来,随着遥感技术的发展和应用,利用遥感数据进行农作物产量估测已经成为一种常用的方法。
本文将介绍利用遥感数据进行农作物产量估测的步骤和技巧。
第一步是收集和准备遥感数据。
遥感数据包括不同波段的遥感图像、气象数据和农田调查数据等。
在选择遥感数据时,需要根据农作物的特性选择适当的波段和时间范围。
同时,还需要对数据进行校正和预处理,以纠正遥感图像的大气影响和减少噪声。
第二步是提取农田特征信息。
通过遥感图像处理和分析技术,可以提取出与农作物生长状态相关的特征信息。
例如,通过植被指数可以反映植被的覆盖程度,通过土壤湿度指数可以反映土壤的湿度状况。
这些特征信息可以帮助我们了解农田的生长状况,进而进行产量估测。
第三步是建立农作物生长模型。
通过采集和分析实地的农作物生长动态数据,可以建立起与农作物生长状态相关的模型。
这些模型可以基于遥感数据和气象数据,将观测到的特征信息与农作物产量进行关联。
例如,可以利用线性回归模型、贝叶斯网络或人工神经网络等方法进行模型建立和拟合。
第四步是进行农作物产量估测。
基于已建立的农作物生长模型,可以利用遥感数据和气象数据进行农作物产量的估测。
通过将遥感特征数据输入到模型中,可以得到相应的农作物产量估计值。
需要注意的是,由于模型的不确定性和遥感数据的局限性,得到的产量估计结果仅供参考。
在利用遥感数据进行农作物产量估测时,还需要注意一些技巧和注意事项。
首先,选择合适的遥感数据和时间范围非常重要。
不同农作物对光照、气温和湿度等环境条件的要求不同,因此需要根据农作物的特性和生长周期选择适当的遥感数据和时间范围。
其次,需要进行高质量的遥感图像预处理,以减少数据的干扰和噪声。
此外,对于大范围的农田,还需要考虑不同区域之间的差异,例如土壤类型和气候条件等,以确保产量估测的准确性。
农作物遥感监测预测模型及其应用研究
![农作物遥感监测预测模型及其应用研究](https://img.taocdn.com/s3/m/e60ea7c0ed3a87c24028915f804d2b160b4e8618.png)
农作物遥感监测预测模型及其应用研究引言:随着全球人口的不断增长和农业对于粮食供应的重要性,农作物的遥感监测和预测成为一项关键的研究领域。
农作物遥感监测预测模型的建立和应用,不仅能够提高农作物产量和质量,还能够帮助农民合理管理农田、优化灌溉和施肥,实现可持续农业的发展。
本文将聚焦于农作物遥感监测预测模型及其应用的研究进展,并探讨其在农业领域的潜力。
一、农作物遥感监测预测模型的发展历程1. 传统的农作物监测方法:传统的农作物监测方法主要依靠地面调查和统计,工作量大且周期长,缺乏实时性和精准性。
2. 遥感技术在农作物监测中的应用:遥感技术的出现极大地改善了农作物监测的效率和准确性。
通过获取卫星、无人机等遥感数据,可以获得大面积的、连续的、高分辨率的农作物信息,为农作物的监测和预测提供了有效的数据基础。
3. 农作物遥感监测预测模型的发展:伴随着遥感技术的进一步发展,农作物遥感监测预测模型也在不断完善。
目前的研究重点包括光谱遥感、红外遥感、多波段遥感等方面的模型构建和算法优化。
二、农作物遥感监测预测模型的关键技术1. 遥感数据获取和预处理:获取大量的高质量遥感数据是农作物遥感监测预测模型的基础。
常用的遥感数据包括多光谱数据、高光谱数据、合成孔径雷达数据等。
同时,对这些数据进行预处理,如辐射校正、大气校正、几何校正等,能够提高数据的准确性和一致性。
2. 特征提取和选择:在遥感数据中提取有效的特征是农作物监测预测模型的关键一步。
常用的特征包括植被指数、植被覆盖度、叶面积指数等。
同时,特征的选择也需要考虑其在农作物生长过程中的重要性。
3. 模型构建和算法优化:基于遥感数据特征,构建合适的农作物监测预测模型是实现高准确性的关键。
常用的模型包括监督学习算法如支持向量机(SVM)、随机森林(RF),以及深度学习算法如卷积神经网络(CNN)等。
同时,对模型进行算法优化,如参数调优、特征融合等,可以进一步提高模型的预测性能。
遥感技术在油料作物监测中的研究进展与问题挑战
![遥感技术在油料作物监测中的研究进展与问题挑战](https://img.taocdn.com/s3/m/15cfebaee109581b6bd97f19227916888486b99c.png)
遥感技术在油料作物产量监测中的研究一直备受关注,并且在农业管理和粮食安全方面发挥着重要作用。
1.研究进展
遥感数据的应用:利用卫星遥感数据获取油料作物种植面积、生长状况等信息,包括植被指数、地温、水分等遥感参数,通过不同波段的遥感图像可以提取相关特征,用于对油料作物产量进行估算。
时序遥感数据分析:通过分析历史和时序遥感图像,可以跟踪油料作物的生长状况、土壤湿度变化等,为产量监测提供动态数据支持。
遥感与模型相结合:结合地面观测数据以及作物生长模型,利用遥感数据进行作物生长参数的提取,然后结合模型进行作物产量的模拟和预测。
2.挑战
数据精度和分辨率:遥感数据在提取作物信息时受到数据精度和分辨率的限制,因此如何在数据获取和处理中提高精度成为一个挑战。
遥感数据的获取与处理:遥感数据获取存在成本较高和数据处理复杂的问题,如何更加高效地获取和处理数据也是一个挑战。
地面验证与模型建立:遥感数据与实际产量之间的关联需要通过地面验证进行检验,同时建立可靠的产量预测模型也是一个挑战。
3.未来展望
未来,随着遥感技术和农业信息技术的进步,对油料作物产量监测的研究将更加精细化和精准化。
借助机器学习和人工智能等技术的发展,可以提高遥感信息的处理和利用效率,从而更好地支持油料作物产量监测和决策分析。
同时,跨学科的合作也将成为未来研究的重要方向,结合农业、遥感、气象等多领域的知识,为油料作物产量监测提供更全面的解决方案。
作物学论文参考文献范例
![作物学论文参考文献范例](https://img.taocdn.com/s3/m/55a828f2b14e852458fb57a5.png)
作物学论文参考文献一、作物学论文期刊参考文献[1].作物残茬覆盖度遥感监测研究进展.《光谱学与光谱分析》.被中信所《中国科技期刊引证报告》收录ISTIC.被EI 收录EI.被SCI收录SCI.被北京大学《中文核心期刊要目总览》收录PKU.2011年12期.张淼.李强子.蒙继华.吴炳方.[2].作物生物量遥感估算研究进展.《光谱学与光谱分析》.被中信所《中国科技期刊引证报告》收录ISTIC.被EI 收录EI.被SCI收录SCI.被北京大学《中文核心期刊要目总览》收录PKU.2010年11期.杜鑫.蒙继华.吴炳方.[3].基于CASI高光谱数据的作物叶面积指数估算.《光谱学与光谱分析》.被中信所《中国科技期刊引证报告》收录ISTIC.被EI 收录EI.被SCI收录SCI.被北京大学《中文核心期刊要目总览》收录PKU.2015年5期.唐建民.廖钦洪.刘奕清.杨贵军.冯海宽.王纪华.[4].基于NIRRed光谱特征空间的作物水分指数.《光谱学与光谱分析》.被中信所《中国科技期刊引证报告》收录ISTIC.被EI 收录EI.被SCI收录SCI.被北京大学《中文核心期刊要目总览》收录PKU.2014年6期.程晓娟.徐新刚.陈天恩.杨贵军.李振海.[5].内蒙古地区参考作物蒸散变化特征及其气象影响因子.《农业工程学报》.被中信所《中国科技期刊引证报告》收录ISTIC.被EI收录EI.被北京大学《中文核心期刊要目总览》收录PKU.2015年z1期.王潇潇.潘学标.顾生浩.胡琦.魏培.潘宇鹰.[6].基于成像光谱技术的作物杂草识别研究.《光谱学与光谱分析》.被中信所《中国科技期刊引证报告》收录ISTIC.被EI 收录EI.被SCI收录SCI.被北京大学《中文核心期刊要目总览》收录PKU.2010年7期.刘波.方俊永.刘学.张立福.张兵.童庆禧.[7].作物植被覆盖度的高光谱遥感估算模型.《光谱学与光谱分析》.被中信所《中国科技期刊引证报告》收录ISTIC.被EI 收录EI.被SCI收录SCI.被北京大学《中文核心期刊要目总览》收录PKU.2008年8期.朱蕾.徐俊锋.黄敬峰.王福民.刘占宇.王渊.[9].作物地膜覆盖安全期概念和估算方法探讨.《农业工程学报》.被中信所《中国科技期刊引证报告》收录ISTIC.被EI收录EI.被北京大学《中文核心期刊要目总览》收录PKU.2015年9期.严昌荣.何文清.刘恩科.林涛.刘爽.刘勤.[10].基于多时相MODISEVI和临近三年地面数据的新疆作物分类.《光谱学与光谱分析》.被中信所《中国科技期刊引证报告》收录ISTIC.被EI收录EI.被SCI收录SCI.被北京大学《中文核心期刊要目总览》收录PKU.2015年5期.牛铮.王力.郝鹏宇.王长耀.二、作物学论文参考文献学位论文类[1].我国化肥利用现状与养分资源高效利用研究.被引次数:75作者:闫湘.植物营养学中国农业科学院2008(学位年度)[2].沿淮地区饲用作物种植现状调查报告.作者:王楠.作物安徽科技学院2014(学位年度)[3].三峡库区紫色土坡耕地水量平衡研究.作者:熊友胜.土壤学西南大学2013(学位年度)[4].基于MODIS数据的作物物候期监测及作物类型识别模式研究.被引次数:21作者:张明伟.资源环境信息工程华中农业大学2006(学位年度)[5].黄土地区参考作物蒸散量及典型地区作物蒸腾量变化特征.作者:李丹.农业水土工程西安理工大学2012(学位年度)[6].沸石包膜尿素的研制及包膜控释尿素对作物生长效应与影响机理研究. 作者:李敏.作物栽培学与耕作学安徽农业大学2013(学位年度)[7].基于遥感与作物生长模型的冬小麦生长模拟研究.被引次数:23作者:郭建茂.应用气象学南京信息工程大学2007(学位年度)[8].供求关系视角下的作物学专业学科毕业生就业问题及解决途径探讨.作者:王晓燕.作物青岛农业大学2013(学位年度)[9].基于图像识别的作物病虫草害诊断研究.被引次数:37作者:王克如.作物栽培学与耕作学中国农业科学院2005(学位年度)[10].黄麻/红麻作物对土壤重金属的吸收和积累特性研究.作者:陈军.作物栽培学与耕作学广西大学2013(学位年度)三、作物学论文专著参考文献[1]温室作物光合作用数学模拟的研究进展.王蕊.须晖.吴海涵.李天来,20122012中国设施园艺工程学术年会、设施蔬菜栽培技术研讨暨现场观摩会[2]浅论作物生理学的发展.王志敏,2012第十三次中国作物生理学术研讨会[3]作物定量化育种及其应用.郭瑞林,20112011中国作物学会学术年会[4]作物栽培学基础研究的困境与对策.杨建昌,2011全国第十四届水稻优质高产理论与技术研讨会[5]非作物生境在作物害虫天敌种群调控中的作用研究进展.张玉虎.李正跃.陈斌,2009云南省昆虫学会2009年年会[6]西北地区生长季参考作物蒸散变化成因的定量分析.曹雯.申双和.段春锋,20112011年第二十八届中国气象学会年会[7]多样性导向合成方法合成多元并环、螺环杀线虫活性化合物.那日松.刘炳杉.许春丽.李洪连.刘佳,2014第十四届全国农药学科教育科研研讨会暨赵善欢学术思想与研究实践讨论会[8]作物冠层漩涡结构与作物丛响应关系探讨.李政江.付志一,2012北京力学会第18届学术年会[9]本溪地区参考作物腾发量时空演变特征研究.邵俊昌.曲磊,2013东北三省水利学会2013年学术年会[10]生物腐植酸在作物上的应用效果研究进展.卫晓磊.俞晓芸,20102010中国腐植酸行业低碳经济交流大会暨第九届全国绿色环保肥料(农药)新技术、新产品交流会。
农作物种植面积遥感估算的影响因素研究
![农作物种植面积遥感估算的影响因素研究](https://img.taocdn.com/s3/m/a2e31096dc88d0d233d4b14e852458fb770b385b.png)
村乡科技XIANGCUN KEJI122XIANGCUN KEJI 2018年12月(中)健全中牟县小型水利工程管理体制机制,建立适应中牟县情、水情与农村经济社会发展要求的小型水利工程管理体制和良性运行机制。
建立产权明晰、责任明确的工程管理体制,社会化、专业化的多种工程管护模式;建立制度健全、管护规范的工程运行机制;建立稳定可靠、高效的工程管护经费保障机制;建立奖惩分明、考核科学的工程管理监督机制。
2.2.5加快推进中牟县生态水系建设。
将“海绵城市”建设新理念融入其中,建立起水系水生态环境可持续性评价体系,打造防洪安全、环境宜人和水景美观、舒适,散发着自然气息的河湖健康水系,努力实现“水源优、河湖通、流水清和沿岸美”的水生态目标。
在考虑城市化发展速度加快的情况下,2020年实现水面面积率达5%,人均绿化面积达12m 2,人均占有水面面积6m 2,河湖水系水质基本满足景观用水水质要求。
2.2.6建立入河污染物限排总量控制制度。
重点地区河段水体质量恶化趋势得到有效控制。
2020年,全县河道要基本达到《郑州市水资源综合规划》的水功能区水质标准,水功能区水质达标率达65%,城市饮用水水源地水质达标率为100%,地下水水质控制率达100%。
农作物种植面积遥感估算的影响因素研究杜雨青(黑龙江大学电子工程学院,黑龙江哈尔滨150000)[摘要]目前,为了给国家提供可靠的农业政策信息和宏观决策信息,相关部门开始使用遥感技术来获取和分析农业数据资料,如对农作物的种植面积进行调查和分析,为农业生产提供了先进的技术支持。
基于此,本文对农作物种植面积遥感估算的影响因素进行分析,以期提高估算准确性,节约农业生产的人力、物力、财力投入。
[关键词]农作物;种植面积;遥感估算;影响因素[中图分类号]TP79;S314[文献标识码]A[文章编号]1674-7909(2018)35-122-2随着我国科学技术的迅速发展,我国农业技术越来越先进。
遥感技术对生物量的估测
![遥感技术对生物量的估测](https://img.taocdn.com/s3/m/b00813e6a8114431b80dd804.png)
遥感技术对生物量的估测作者:何芝颖庹自豪来源:《科技视界》 2015年第32期遥感技术对生物量的估测何芝颖1庹自豪2(1.四川师范大学西南土地评价与监测教育部重点实验室,四川成都 610068;2.金堂县淮口中学,四川金堂 610400)[摘要]森林作为地球最重要的陆地生态系统,区域乃至全球尺度的森林地上生物量估算一直是生态学研究的难点之一。
在大的空间尺度上,遥感技术是估算森林地上生物量的有效手段。
TM、AVHRR、SAR等数据以及多源数据的融合的在森林生物量估算方面广泛应用,并取得了显著的效果。
[关键词]生物量;遥感;估测Remote Sensing-Based Biomass EstimationHE Zhi-ying1TUO Zi-hao2(1.Key Laboratory of Land Resources Evaluation and Monitoring in Southwest, Sichuan Normal University, Chengdu Sichuan 610068, China;2.Jintang Huaikou School, Jintang Sichuan 610400, China)[Abstract]Forest plays an important role in the global carbon budget because it determines the dynamics of terrestrial carbon cycle, but the measurement of its aboveground biomass involves extensive field surveys. On large regional scale,using satellite data is an effective way to estimate forest biomass. Upnow,TM,AVHRR,radar data and the fusion of multiple satellite data have widely usedin forest biomass estimation.[Key words]Biomass; Remote sensing; Estimate生物量为生态和环境应用研究的重要变量之一,利用遥感进行森林生物量估算是基于植物的反射光谱特征实现的。
汶川地震粮食受损遥感快速估算与分析
![汶川地震粮食受损遥感快速估算与分析](https://img.taocdn.com/s3/m/fc8c103bb6360b4c2e3f5727a5e9856a561226cf.png)
汶川地震粮食受损遥感快速估算与分析李强子;张飞飞;杜鑫;吴炳方;张磊;魏彦昌;蒙继华【期刊名称】《遥感学报》【年(卷),期】2009(013)005【摘要】综合利用灾前IRS P6 Liss-4高分辨率数据与灾后的航空影像,估算粮食受损面积,并利用同期农业气象数据估算了不同受灾区域粮食作物单产水平,最终估算得出震区粮食作物受损产量.监测结果表明:地震造成的12个重灾县市冬小麦直接损失247.1hm~2,产量约为1013778kg,直接影响不大.但受灾地区冬小麦总产量超过22万t,而且对秋粮作物的种植和生产造成影响,对中国粮食生产的间接影响不容忽视.%This paper focuses on grain production loss caused by Wenchuan Earthquake. The damage of the cultivated area as well as the yield of winter wheat has been assessed. In order to estimate winter wheat acreage damaged by the earthquake, airborne CCD images and IRS P6 LISS4 MN data were used. Damaged arable land were extracted by photo interpretation, while winter wheat proportions were collected by ground survey using GVG instrument for plain area or interpreted from airborne images for mountain area. The winter wheat acreage damaged by the earthquake was calculated using winter wheat proportion multiple the area of damaged amble land and statistic at county scale. To estimate wheat yield, reliable agro-meteorological models were selected by taking into account the disperse distribution of winter wheat in mountain area. The results showed that only about 247.1hm~2 of winter wheat were damagedin the twelve main producing counties and the production loss of winter wheat was estimated to 1013778kg. As conclusion, the earthquake did not significantly affect the food production of the whole country. Nevertheless, since all farmers were evacuated in mountain area after the disaster, the problems of harvest in that region rnproducing 220000t of winter wheat need to be addressed.【总页数】12页(P928-939)【作者】李强子;张飞飞;杜鑫;吴炳方;张磊;魏彦昌;蒙继华【作者单位】中国科学院,遥感应用研究所,北京,100101;中国科学院,遥感应用研究所,北京,100101;中国科学院,遥感应用研究所,北京,100101;中国科学院,遥感应用研究所,北京,100101;中国科学院,遥感应用研究所,北京,100101;中国科学院,遥感应用研究所,北京,100101;中国科学院,遥感应用研究所,北京,100101【正文语种】中文【中图分类】X43/TP79【相关文献】1."5·12"汶川地震震区建筑受损的内在原因分析 [J], 周果行2.汶川地震极重灾区地形起伏度特征及其与生态环境受损关联分析 [J], 王庆安;毛竹;张翔;佘红英3.汶川地震电梯受损情况分析与建议 [J], 卜四清4.汶川地震电梯受损情况分析与建议 [J], 卜四清5.汶川地震强震区震后10年泥石流活动特征遥感动态分析——以平武县石坎河流域为例 [J], 赵聪;梁京涛;谢忠胜;佘涛;张肃因版权原因,仅展示原文概要,查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
本文就当前基于遥感信息构建的作物生物量估测模型的 思路方法以及模型精度检验等方面的研 究 现 状 进 行 总 结 ,并 展望发展趋势。
Prasad等基于地 面 观 测 的 光 谱 数 据 研 究 了 不 同 作 物 生 物量的敏感波段 和 敏 感 植 被 指 数 ,结 果 发 现 650~700nm, 500~550nm 及900~940nm 三个范围的波段与作 物 生 物 量 的关系最好[8]。Hansena等 利 用 反 射 率 高 光 谱 数 据 在 438~ 884nm(光谱波段间 隔 1nm)范 围 内 穷 尽 了 所 有 两 波 段 间 的 相关关系,并且由此构建了多种归一化光 谱 指 数 估 算 小 麦 地 上鲜生物量[9]。王秀珍等在水稻 上 的 研 究 表 明 ,一 阶 微 分 高 光谱参数(如红边波长、红边振幅、绿峰最大反射率、红谷 最 小反射率及其组合等)与 地 上 生 物 量 显 著 相 关,提 出 以 蓝 边 内一阶微分总和(490~530nm)与 红 边 内 一 阶 微 分 总 和 (680 ~780nm)构成的比值植被指 数 为 高 光 谱 估 算 水 稻 地 上 鲜 生 物 量 最 佳 光 谱 变 量[10]。宋 开 山 等 采 用 单 变 量 非 线 性 拟 合 模 型和线性逐步回归以及神经网络技术,建 立 了 玉 米 地 上 鲜 生 物量高光谱遥感估算模型。对 估 算 结 果 进 行 分 析,发 现 绿 光 波段反射峰区、红光波段以及红边区的单 波 段 反 射 率 与 作 物 的地上鲜生物量相关性较大,而其他波段 与 作 物 的 鲜 生 物 量 相 关 性 相 对 较 差[11]。宋 开 山 等 还 建 立 了 以 近 红 外 与 可 见 光 波段的冠层光谱反射率的比值植被指 数 (RVI)为 变 量 的 大 豆 地上鲜生物量遥感估算模 型,并 指 出 在 350~680nm 和 760 ~1 050nm 波谱区的冠层光谱反射率,红 边 区 680~760nm 的 导 数 光 谱 与 大 豆 地 上 鲜 生 物 量 相 关 程 度 高[12]。柏 军 华 等 分析棉花地上鲜生物量冠层高光谱反射 率 变 异 系 数,反 射 率 光谱、一阶微分光谱 与 地 上 鲜 生 物 量 相 关 关 系 的 结 果 表 明: 棉花地上鲜生物量与反射率光谱相关系数最大值在可见光波 段出现在589~700nm,在 近 红 外 波 段 出 现 在 865~919nm 波段,地上鲜生物量与一阶微分光谱相关 系 数 在 可 见 光 波 段 出现524~528nm,552~588nm,710~755nm 三 个 高 值 区。并建立了棉花地上鲜生物 量 高 光 谱 遥 感 监 测 模 型 ,经 检 验,单波段估算模型准确度为83.9%,组合参 数 估 算 模 型 准 确 度 达 84.0% 。 [13]
估算。
Macelloni等研究结果表明对于 大 叶 片 作 物,C 波 段,尤
其是 L 波段,后向散射随着生物量 的 增 加 而 增 加,这 主 要 是
由于信号在传播过程中散射占据了主导 作 用;对 于 小 叶 片 作
物,由于传播过程中吸收更加 明 显,后 向 散 射 随 着 生 物 量 的
增加,其趋势是平的或者下降的[14]。Mattia等的研 究 结 果 表
明入射 角 23°和 VV 极 化 模 式 下,C 波 段 雷 达 数 据 对 小 麦 地
上生物量最为敏感(尤其是抽穗之前),但 由 于 会 受 到 土 壤 湿
度变化的影响,不适合直接建 立 生 物 量 反 演 方 法;并 发 现 入
傅 玮 东、黄 敬 峰 等 基 于 农 业 气 象 试 验 站 观 测 农 学 资 料 、 光谱资料以及同 步 接 收 的 NOAA/AVHRR 资 料,计 算 了 冬 小麦生物量 与 比 值 植 被 指 数 (RVI)和 归 一 化 差 值 植 被 指 数 (NDVI)的相关系数(0.923 3 和 0.978 4),均 达 到 了 极 显 著 水平,并建立了冬小麦生物量的光谱监测 模 型 和 气 象 卫 星 遥 感 监 测 模 型[4,5]。张 霞 等 以 MODIS为 数 据 源 ,构 建 了 归 一 化 差异光谱指数(NDSI)和 再 次 归 一 化 光 谱 指 数 (RDSI),并 对 两种植 被 指 数 与 小 麦 生 物 量 的 关 系 进 行 了 分 析,并 发 现 (b19,b2),(b19,b17)和(b19,b16)这 3 个 波 段 组 合 所 构 建 的指数对小麦生物量高度敏感,达到了99%显 著 相 关,而 且 明 显 优 于 MODIS 自 身 的 植 被 指 数 产 品 MODIS-NDVI 和
* 通 讯 联 系 人 e-mail:mengjh@irsa.ac.cn
第 11 期 光 谱IS-EVI[6]。 这种统计模型在形式上简单易用,但 此 方 法 需 要 大 量 的
样点观测数据,模型 不 具 备 作 物 生 长 发 育 过 程 的 理 论 基 础, 同时模型只能在建模区域内应用,很难推 广 到 其 他 区 域 或 其 他作物使用。 1.2 基 于 高 光 谱 数 据 的 估 算 方 法
近年来,随着高光谱分辨率 遥 感 的 广 泛 发 展,对 于 作 物 的遥感监测能够在光谱维展开,使得地表 作 物 的 微 弱 光 谱 差 异的定量分析成为可能[7]。基于高光谱的 作 物 生 物 量 估 算 方 法正是基于高光谱分辨率遥感在这方面 的 巨 大 优 势,结 合 作 物的生长发育规律,对其冠层 高 光 谱 反 射 率 进 行 测 定,并 利 用敏感波段来构建植被指数以及采用微分等技术确定关键波 段 的 特 定 参 数 (红 边 参 数 等 )来 对 作 物 的 生 物 量 进 行 估 测 。
基于高光谱的作物生物量估算方法,充 分 发 挥 了 遥 感 数 据在光谱维的优势,并考虑作物生长发育 过 程 中 其 冠 层 反 射 率的不同响 应,模 型 建 立 相 对 简 单,和 简 单 统 计 分 析 法 相 似,这种方法也需要 大 量 的 观 测 数 据 的 支 持,并 且,由 于 没 有充分考虑 作 物 的 生 长 发 育 过 程 ,难 以 同 时 适 用 于 不 同 作 物,在区域外推上也有很大的 局 限 性。但 将 来 随 着 更 多 的 考 虑作物生理生态机制,以及计 算 机 处 理 能 力 的 增 强,高 光 谱
第30卷 ,第11期 光 谱 学 与 光 谱 分 析 2 0 1 0 年 1 1 月 Spectroscopy and Spectral Analysis
Vol.30,No.11,pp3098-3102 November,2010
作物生物量遥感估算研究进展
杜 鑫,蒙继华* ,吴炳方
中 国 科 学 院 遥 感 应 用 研 究 所 ,北 京 100101
摘 要 作物生物量是作物长势监测以及产量估算中的一个关键指标。随 着 3S技 术 的 发 展,遥 感 数 据 可 以 为作物生物量的估算提供有力的支撑,充分发 挥 遥 感 信 息 的 宏 观 及 实 时 动 态 性 ,使 在 大 的 时 间 和 空 间 尺 度 上进行作物的生物量估算成为可能。文章通过 总 结 作 物 生 物 量 遥 感 估 算 的 研 究 现 状 ,根 据 采 用 的 数 据 源 不 同以及基于的模型基础不同将现有作物生物量遥感 估 算 模 型 划 分 为 6 类,并 对 每 一 类 模 型 的 方 法、原 理、和 应用进行了详细阐述,讨论分析了作物生物量 遥 感 估 算 方 法 的 发 展 趋 势 ,以 及 各 种 估 算 方 法 的 自 身 优 势 和 仍 需 完 善 的 方 面 ,并 对 今 后 的 发 展 进 行 了 展 望 。
关 键 词 作 物 ;生 物 量 ;遥 感 监 测 中 图 分 类 号 :TP79 文 献 标 识 码 :A DOI:10.3964/j.issn.1000-0593(2010)11-3098-05
引 言
生 物 量 是 作 物 长 势 监 测 的 一 个 重 要 指 标[1,2],作 物 单 株 生物量反映了个体长势,单位面积生物量 则 反 映 了 作 物 群 体 长势。同时作物生物量还是重 要 的 农 学 参 数,是 形 成 作 物 产 量的基础,区域尺度上作物生物量的估算 可 以 为 作 物 产 量 的 监测与预测提供依据,结合收获指数就可 以 对 区 域 尺 度 上 的 作物单产进行空间制图[3]。另一方面农田 生 物 量 是 研 究 全 球 碳循环的重要组成部分,农田在陆地生态 系 统 的 物 质 循 环 和 能量流动中起着主导作用,对农田生物量 进 行 监 测 将 为 研 究 农田生态系统中能量平衡、能量流动和养 分 循 环 等 功 能 过 程 提供基础数据。
收 稿 日 期 :2009-11-19,修 订 日 期 :2010-02-26 基金项目:国 家 青 年 自 然 科 学 基 金 项 目 (40801144),中 国 科 学 院 知 识 创 新 工 程 重 大 项 目 (KSCX1-YW-09-01)和 (863 计 划 )专 题 项 目
(2009AA12Z146)资 助 作 者 简 介 :杜 鑫 ,1982 年 生 ,中 国 科 学 院 遥 感 应 用 研 究 所 博 士 研 究 生 e-mail:duxin82@gmail.com
1 遥 感 监 测 方 法
目前主要的作物生物量遥感监测方法可以根据采用的数
据不同或采用的模型不同等特点可划 分 为 5 种 监 测 方 法,即 基于传统光学数据简单统计分析的估算 方 法,基 于 高 光 谱 数 据的估算方法,基于雷达数据 的 估 算 方 法,基 于 净 初 级 生 产 力 (NPP)的 估 算 方 法 ,及 基 于 作 物 生 长 模 型 的 估 算 方 法 。 1.1 基 于 传 统 光 学 数 据 简 单 统 计 分 析 的 估 算 方 法