1 南昌大学空间科学与技术研究院，江西 南昌 330031
2 南昌大学信息工程学院，江西 南昌 330031
在大区域尺度实现快速、精确的作物产量估测对我国粮食安全、作物种植结构调整、进出口贸易等具有重要意义。遥感技术的发展为农业估产领域带来了新的技术和手段。以湖北省油菜为研究对象，针对如何利用有限的地面观测数据进行大区域范围油菜产量估测的问题，结合遥感数据和气象数据，通过WOFOST模型进行数据同化，模拟油菜生长过程中的叶面积指数（LAI）变化，提取油菜关键生长期的LAI，以弥补大区域尺度数据的不足。之后，利用LAI作为中间量构建基于GF-1 WFV数据的大区域尺度油菜估产算法。研究发现，油菜蕾苔期和花期的综合LAI能够实现提前、准确的油菜产量预估，在蕾苔期SR植被指数与LAI相关性最好，在花期则是可见光大气阻抗（VARIgreen）植被指数与LAI相关性最好。为了验证估产算法的有效性和鲁棒性，在阳新县进行了测试。结果表明，与统计年鉴的产量数据相比估产误差低于6%，说明所提算法在大区域尺度油菜估产领域具有很强的潜力。
遥感 WOFOST模型 油菜 高分一号卫星影像 叶面积指数 产量 激光与光电子学进展
2023, 60(10): 1028009
1 北京师范大学地理科学学部, 地表过程与资源生态国家重点实验室, 北京 100875
2 北京大学深圳研究生院, 城市规划与设计学院, 广东 深圳 518055
3 华中农业大学资源与环境学院, 宏观农业研究院, 湖北 武汉 430070
4 南京大学大气科学学院, 江苏 南京 210023
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(R2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6 058.00 kg·ha-1, SCYM估算单产平均值为5 984.95 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。
遥感 农作物估产 WOFOST模型 冬小麦 安徽省 Remote sensing Yield estimation WOFOST Winter wheat Anhui Province 光谱学与光谱分析
2021, 41(7): 2205
1 北京大学地球与空间科学学院遥感与地理信息系统研究所, 北京 100871
2 地理信息基础软件与应用工程技术研究中心, 北京 100871
3 空间信息集成与3S工程应用北京市重点实验室, 北京 100871
连续时序的叶面积指数（LAI）可反映冬小麦长势的变化情况, 预测冬小麦未来时段的LAI对指导田间管理决策具有重要作用。 以WOFOST（World Food Studies）为代表的作物生长模型可通过模拟冬小麦的生长发育过程对未来LAI曲线进行预测, 但其预测过程依赖于未来的气象数据等难以获取的输入参数。 由于冬小麦的LAI时序变化具有连续性和规律性的特点, 可通过深度学习方法仅以历史LAI为输入参数对未来LAI进行预测, 但深度学习方法需要大量样本参与训练, 训练样本的稀缺性限制了其在LAI预测方面的实际应用。 针对上述问题, 通过数据同化方法将遥感数据与WOFOST模型相结合, 采用SCE（Shuffled Complex Evolution）算法最小化校正后的MODIS LAI产品与模型模拟LAI之间差值来优化作物模型初始参数, 从而构建出京津冀地区15年的逐日冬小麦LAI数据集。 在该数据集基础上, 利用长短期记忆网络（LSTM）分别建立了不同输入历史LAI天数的多个冬小麦预测模型, 探究了不同预测模型表达冬小麦生育期中LAI变化规律的能力。 结果表明: 基于LSTM网络的预测模型都能较好进行冬小麦LAI未来曲线变化的预测, 其中当模型输入LAI长度为20时, 预测冬小麦从返青到成熟阶段的LAI精度最高, 其决定系数（R2）、 均方根误差（RMSE）值分别为0.986 5和0.183 6。 对于冬小麦生长各个阶段, 预测模型对于返青至开花期的预测精度高, 开花至成熟期的预测精度稍有降低。 总体而言, 构建训练数据集的方法对于深度学习方法在相似问题中的应用具有借鉴意义, 建立的预测模型验证了LSTM网络对于冬小麦时序LAI曲线具有较好的预测能力, 为预测作物未来时序LAI提供了一种有效的方法。
叶面积指数 长短期记忆网络 WOFOST模型 数据同化 MODIS LAI遥感影像 Leaf area index Long short-term memory World food studies Data assimilation MODIS LAI remote sensing image
