共查询到18条相似文献，搜索用时 734 毫秒
1.
基于SWAP模型同化遥感数据的黑龙江南部春玉米产量监测 总被引：1，自引：1，他引：0
农作物种植类型的地理分布差异,气候条件差异、土壤环境不同等因素的影响,需要开展农作物生长模型参数区域化、本地化的研究工作;通过改善区域气象数据空间化方法以提升插值精度的研究,也需要得到应用的重视。针对以上问题,该文以SWAP(soil-water-atmosphere-plant model,土壤-水-大气-作物模型)模型为基础,以中国黑龙江省南部地区作为研究区域,以其主要农作物春玉米为目标作物,确定研究春玉米的作物生长模型参数,并综合考虑纬度及海拔对气温的影响情况,研究将协同克里金(coKriging)方法引入作物生长模型气象数据插值获取中,从而提高模型输入参数中气象数据精度,并以叶面积指数(leaf area index,LAI)及蒸散发(evapotranspire,ET)数据作为同化遥感数据源,通过优化玉米灌溉量和出苗日期,获取了研究区2013年的玉米产量空间分布成果,与统计资料结果对比,玉米总产量监测结果的R2达到了0.939 4,均方根误差(root mean squared error,RMSE)达到了148 065 t,平均绝对误差(mean absolute error,MAE)为114 335 t。研究区15个县市区的预测单产和统计单产之间的决定系数达到了0.724 5,RMSE为598.5 kg/hm~2,MAE为531.5 kg/hm~2。研究结果表明,利用SWAP模型,以协同克里金方法获取气象数据空间插值成果作为输入数据,通过同化LAI和ET遥感数据,可以有效进行黑龙江南部区域的玉米产量遥感监测,为区域作物生长及生产力的遥感监测预测提供参考。 相似文献
2.
冬小麦是中国重要的粮食作物，开展县级冬小麦产量预测对粮食宏观调控和农业精准化发展具有重要指导意义。该研究从县级产量预测角度出发，结合卷积神经网络（Convolutional Neural Networks，CNN）和反向传播神经网络（Back Propagation Neural Networks，BP）技术提出了冬小麦县级产量预测方法，使用CNN卷积神经网络对Sentinel-2遥感数据进行冬小麦种植区的分析和提取，将得到的种植区分布数据与MODIS EVI数据和耕地分布数据进行了融合，利用BP神经网络对融合后的数据进行产量特征提取和预测并选取均方根误差（Root Mean Square Error，RMSE）、平均绝对误差（Mean Absolute Error，MAE）和样本决定系数（Coefficient of Determination，R2）作为精度指标对试验结果进行分析和评价。结果表明，基于CNN卷积神经网络和BP神经网络的冬小麦县级产量预测方法在山东省2014－2016年冬小麦县级产量验证集中R2达到0.87以上，MAE低于269.48 kg/hm2，RMSE低于346.56 kg/hm2，93%的县单产相对误差小于9%，试验结果平均值与中位数的偏差小于1.2%；在河南省2015－2019年冬小麦县级产量验证集中R2达到0.96以上，MAE低于304.84 kg/hm2，RMSE低于418.14 kg/hm2，91%的县单产相对误差小于9%，试验结果平均值与中位数的偏差小于1.6%，方法所构建模型具有良好的预测准确率、鲁棒性和泛化性，可以实现县级尺度下的冬小麦产量预测。 相似文献
3.
主要生育期气候变化对河南省冬小麦生长及产量的影响 总被引：8，自引：1，他引：7
为分析不同生育期气候变化对冬小麦生长及产量的影响,本研究选择河南省30个农业气象观测站1961—2014年气象资料、1981—2014年冬小麦发育期及产量资料,采用数理统计与DSSAT-CERES Wheat模型模拟相结合的方法,分析了冬小麦播种—返青、返青—抽穗、抽穗—成熟3个时期的气候变化特征及其对生育期和产量的影响。结果表明:研究区气候变化的显著特征是播种—返青期日照时数按40.09 h·(10a)~(-1)的速率显著减少(P0.05),返青—抽穗期平均日最高气温和平均日最低气温同时大幅升高。冬小麦幼穗分化随着抽穗前日最低气温的升高按2.9 d·(10a)~(-1)的速率而提前结束,返青前气候变化对后续生育进程有持续影响,气象因子与播种—抽穗期、播种—成熟期持续日数以负相关关系为主。两种分析方法均表明:当前河南麦区播种—返青期气候变化对产量的影响不大,在一定范围内甚至有增产作用,气象因子贡献率平均为0.758;返青—抽穗期气候变化使穗密度和穗粒数平均减少2.74%和3.94%,大于抽穗—成熟期。不同生育期气候变化情景下,冬小麦高产和稳产均受影响,代表站点播种—返青、返青—抽穗、抽穗—成熟期分别平均减产1.6%、6.3%和4.8%,其中播种—返青、抽穗—成熟期影响产量的关键气象因子是日最高气温,而返青—抽穗期是日最低气温。 相似文献
4.
5.
基于作物及遥感同化模型的小麦产量估测 总被引：5，自引：3，他引：2
为提高陕西省关中平原冬小麦的估产精度,该文通过粒子滤波算法同化Landsat遥感数据反演的状态量叶面积指数(leaf area index,LAI)、土壤含水量(0~20 cm)、地上干生物量数据和CERES-Wheat模型模拟的状态量数据,分析小麦不同生育期的LAI、土壤含水量及生物量同化值和实测单产的线性相关性,以构建同化估产模型。结果表明,在返青期土壤含水量同化值和实测单产的相关性高于LAI、生物量同化值和实测单产的相关性,选择土壤含水量作为最优变量;在拔节期和抽穗-灌浆期同时选择LAI、土壤含水量及生物量作为最优变量;在乳熟期选择生物量作为最优变量。在小麦各生育时期同化最优变量的估产精度(R2=0.85)高于同时同化LAI、土壤含水量及生物量的估产精度,同时同化LAI、土壤含水量及生物量的估产精度高于同时同化LAI和土壤含水量(或LAI和地上干生物量、或土壤含水量和地上干生物量)的估产精度,表明在作物不同生育时期同化与产量相关性较大的变量对提高估产精度有重要作用。 相似文献
6.
<正> 冬小麦产量是由每亩穗数、每穗粒数和籽粒千粒重三大要素所构成。在当前农业生产水平情况下,小麦产量在很大程度上受气象条件所支配。一九八二至一九八三年度冬小麦生育期间农业气象条件如何?对小麦产量的形成有何利弊?现根据安徽省小麦主产区代表县的气象资料和有关调查、考种材料,从大范围上加以分析。一、秋播期和冬前苗期水热条件适宜,利于播种、出苗和盘根分蘖安徽省小麦主要产区的宿县、阜阳两地 相似文献
7.
8.
基于遥感数据和气象数据的水旱地冬小麦产量估测 总被引：4，自引：2，他引：2
研究利用遥感数据进行了运城地区冬小麦不同生育时期归一化差值植被指数和产量关系的研究,利用气象数据和光谱数据构建了冬小麦光谱产量模型、气象产量模型以及光谱气象产量模型。结果表明：运城地区水旱地冬小麦均以5月8日左右的NDVI值与产量相关性最好,且达极显著水平,因此该时期为建立冬小麦遥感估产模型的最佳时相。通过对冬小麦光谱产量模型、气象产量模型以及光谱气象产量模型预测效果进行的F检验,表明各模型均达到极显著水平。与其他两种模型相比,光谱气象产量模型的决定系数（R2）有明显的提高,并且相对均方根误差（RRMSE 相似文献
9.
基于开花期氮素营养指标的冬小麦籽粒蛋白质含量遥感预测 总被引：4，自引：2，他引：2
籽粒蛋白含量(grain protein content,GPC)是衡量小麦品质的重要指标,及时准确的预测小麦GPC有利于小麦的分类收割和分级存储。为了能够选择一个合适的氮素营养指标作为中间变量来反演小麦GPC,该文研究分别以开花期植株氮素累积量(plant nitrogen accumulation,PNA)、植株氮素含量(plant nitrogen content,PNC)、叶片氮素累积量(leaf nitrogen accumulation,LNA)和叶片氮素含量(leaf nitrogen content,LNC)4个氮素营养指标为中间变量,并运用支持向量机(support vector machines,SVM)算法实现4个氮素营养指标的估测,最后构建及评价基于开花期"植被指数(vegetation index,VI)-氮素营养指标(nitrogen nutrition index,NNI)-GPC"模式的冬小麦GPC预测模型。结果表明:1)通过分析植被指数与氮素营养指标的相关性,选择植被指数MSAVI、PSRI、DVI、RDVI和GNDVI作为氮素营养指标模型的构建变量;2)运用SVM方法构建的VI-NNI模型中LNC的建模精度与验证精度相对最优,其建模决定系数(coefficient of determination,R~2)和验证集标准均方根误差(normalized root mean squared error,n RMSE)及验证标准化平均误差(normalized average error,NAE)分别为0.820、9.553%、-1.4%,验证结果稳定性较好;3)构建NNI-GPC模型中PNC的建模精度与验证精度相对最好,其建模R~2和验证n RMSE及NAE分别为0.653、9.843%、-0.3%;4)最终构建的VI-NNI-GPC模型中,以开花期PNC为中间变量的模型建模及反演精度最好,其建模R~2和验证n RMSE及NAE分别为0.631、8.564%、-0.9%。以氮素营养指标为中间变量的GPC遥感反演是可行的,并且比较4个氮素营养指标为中间变量反演GPC,PNC具有较高精度的预测结果,为精确反演GPC提供一个可靠的依据,具有一定的应用前景。 相似文献
10.
华北平原不同等级干旱对冬小麦产量的影响 总被引：5，自引：5，他引：0
华北平原是中国重要的粮食生产基地,其中冬小麦播种面积和产量均居中国首位,在国家粮食安全中具有重要作用,干旱是影响该区域冬小麦产量的最主要农业气象灾害。该研究基于华北平原44个气象站点1981—2017年的逐日气象数据以及作物、土壤和田间管理资料,以作物水分亏缺指数为农业干旱指标,基于调参验证后的农业生产系统模型(Agricultural Production Systems Simulater,APSIM),评估了冬小麦生长发育中后期各生育阶段不同等级干旱对冬小麦单产和总产的影响。结果表明,冬小麦拔节-开花和开花-成熟阶段干旱造成冬小麦减产率空间上均呈北高南低的分布特征,且开花-成熟阶段干旱引起的减产率(26.8%)高于拔节-开花阶段干旱引起的减产率(19.1%),区域间比较均表现为干旱对京津冀地区冬小麦单产影响最大,对河南省冬小麦单产影响最小;随着干旱等级的加重减产率增大,开花-成熟阶段轻旱、中旱和重旱的减产率分别为16.5%、32.8%和44.9%,拔节-开花阶段轻旱、中旱和重旱的减产率分别为10.3%、18.8%和28.6%。结合冬小麦实际播种面积得到各生育阶段干旱对总产的影响,区域间比较均表现为干旱对山东省冬小麦总产影响最大,对河南省冬小麦总产影响最小。 相似文献
11.
频率直方图与植被指数结合的冬小麦遥感产量估测 总被引：1，自引：1，他引：0
基于机器学习方法建立的作物产量估测模型常因过拟合等问题导致泛化性能偏低,产量估测精度不高。该研究以河南省为研究区,分别对不同波段地表反射率数据采用均值法和频率直方图法构造样本特征集作为输入变量,结合随机森林（Random Forest,RF）算法建立冬小麦遥感估产模型。研究结果表明,频率直方图法预测效果优于均值法,平均绝对误差和均方根误差分别为660和860 kg/hm2,决定系数最高达到0.83,达极显著水平（P<0.01）;7个地表反射率波段中,近红外1波段表现最好;单个合成指数中,归一化水分指数的表现要优于归一化植被指数;波段组合中,归一化植被指数和归一化水分指数的组合验证效果最优,平均绝对误差和均方根误差分别为444和527 kg/hm2,决定系数为0.89,达极显著水平（P<0.01）,其组合预测效果在4月15日至22日时段内表现最佳,该时段对冬小麦产量的影响最大。该研究通过采用基于频率直方图法构建样本特征结合随机森林算法建立冬小麦遥感估产模型,可为县域冬小麦遥感估产提供一种有效的解决方案。 相似文献
12.
基于随机森林算法的冬小麦生物量遥感估算模型对比 总被引：13，自引：8，他引：5
为了寻求高效的冬小麦生物量估算方法,该研究获取了2014年陕西省杨凌区拔节期、抽穗期和灌浆期的冬小麦生物量和对应的RADARSAT-2全极化雷达、GF1-WFV多光谱数据,并利用随机森林算法（random forest,RF）将光谱、雷达后向散射、光学植被指数和雷达植被指数结合进行冬小麦生物量回归建模。将相关系数分析（correlation coefficient, r）、袋外数据（out-of-bag data,OOB）重要性和灰色关联分析(grey relational analysis, GRA)与随机森林算法（RF）进行整合,构建了3种冬小麦生物量估算模型：r-RF、OOB-RF和GRA-RF,并分别利用3种估算模型对冬小麦生物量进行了估算。结果表明：r-RF、OOB-RF和GRA-RF3种模型分别采用3、4、10组数据时,验证决定系数分别为0.70、0.70和0.65,平均绝对误差分别为0.162、0.164和0.172 kg/m2,均方根误差分别为0.218、0.221和0.236 kg/m2,r-RF和OOB-RF比GRA-RF对冬小麦生物量有更好而的预测能力。研究结果证实了随机森林算法对冬小麦生物量进行遥感估算的潜力。 相似文献
13.
卫星遥感和积温-辐射模型预测区域冬小麦成熟期 总被引：2，自引：0，他引：2
准确预测区域尺度的小麦成熟期,指挥麦收机械化作业有序开展,具有十分重要的社会和经济效益。该文针对目前区域冬小麦成熟期预测中时效性差、缺乏空间分布以及缺少定量描述等突出问题,选择华北地区河北、河南和山东3省冬小麦为研究对象,首先基于S-G滤波后的2013年冬小麦生育期时间序列MODIS LAI,采用动态阈值法获取抽穗期具体日期,即叶面积指数(LAI)达到峰值时的具体日期;然后基于由2008-2012年农业气象资料与地面气象资料构建的抽穗-成熟期有效积温模型和总辐射模型,逐个栅格单元计算MODIS LAI获取的抽穗期具体日期到当前日期的积温、太阳辐射总量,并结合全球多模式集合预报(THORPEX Interactive Grand Global Ensemble,TIGGE)资料对当前日期(5月10号至6月8号)之后的16 d冬小麦成熟期进行逐日动态预测以得到全部区域的成熟期预测值;最后采用农业气象站点的成熟期观测值对预测结果进行验证,结果表明:冬小麦成熟期预测值与观测值的决定系数R2为0.92,均方根误差RMSE约为3 d,两者具有良好的相关性。该研究方法对其他大区域的农作物成熟期预测具有借鉴价值。 相似文献
14.
基于CNN-RNN网络的中国冬小麦估产 总被引：1，自引：1，他引：0
在大范围内快速、准确地预估作物产量，对作物管理、粮食安全、粮食贸易和决策有重要意义。遥感为大规模作物估产提供了便利，大多数研究者结合深度学习和遥感影像取得了较好的结果。然而，农作物生长状态随时间变化，其产量具有非线性时空特征，单一的深度学习方法无法充分利用影像信息。因此，该研究提出了一种基于卷积神经网络（Convolutional Neural Networks，CNN）和门控循环单元（Gated Recurrent Unit，GRU）混合神经网络估产模型（CNN-GRU），利用CNN从多光谱遥感影像中提取丰富的空间-光谱特征，在此基础上，结合GRU从多时相遥感影像中自适应学习冬小麦生育期各阶段之间的时间依赖，从多尺度融合冬小麦的生长特征并对其产量进行回归预测。该研究以全国冬小麦主产区为研究区，选取2001-2018年MODIS影像和冬小麦产量数据，构建了冬小麦估产数据集，并验证了CNN-GRU估产模型的性能。结果表明：1）以2016-2018年估产样本作为测试集，CNN-GRU估产模型的均方根误差（Root Mean Square Error，RMSE）年平均值为818.3 kg/hm2，相较于CNN、GRU、支持向量回归（Support Vector Regression，SVR）、随机森林（Random Forest，RF）和决策树（Decision Tree，DT）模型分别降低了20.13%、18.81%、29.51%、34.84%和36.57%；2）将冬小麦整个生育期划分为6个时间窗，CNN-GRU估产模型在灌浆-成熟期时精度最高，RMSE为817 kg/hm2，而抽穗-开花期的RMSE为823 kg/hm2，相较于灌浆-成熟期高0.7%。因此，该估产模型有能力提前2个月预测全国冬小麦主产区产量。 相似文献
15.
淮河流域冬小麦主要生育期旱涝时空特征及对产量的影响 总被引：3，自引：2，他引：1
旱涝灾害在淮河流域发生频繁,对农作物产量影响较大。该文基于淮河流域1961-2014年140个气象站逐日降水、气温数据,利用标准化降水指数(standardized precipitation index,SPI)和标准化降水蒸散指数(standardized precipitation evapotranspiration index,SPEI)定量分析冬小麦各生育期气候特征,结合1961-2012年20个站点冬小麦单产数据计算标准化产量残差(standardized yield residuals,SYR),探讨冬小麦主要生育期旱涝灾害对其产量的影响。结果表明:1)冬小麦各生育期气温均呈显著上升趋势(P0.05),气温呈南高北低、西高东低的格局,东部趋势高于西部且返青抽穗期大部分站点趋势值最高,而降水量沿纬度变化与气温一致,其变化趋势在冬小麦各生育期差异明显。2)冬小麦返青抽穗期干旱增加趋势最大(P0.05),旱涝灾害在全生育期、返青抽穗期和灌浆成熟期主要受气温影响,在冬前生长期和越冬期主要受降水量影响,同时冬小麦各生育期SPEI干旱化趋势大于SPI。3)除冬前生长期外,SYR与SPI和SPEI均呈负相关关系,以返青抽穗期相关性最高,在返青抽穗期达到中度干旱或中度湿润时产量减少。该研究尝试明晰淮河流域发生在冬小麦生育期的旱涝灾害对其产量的影响,为冬小麦生育期防灾减灾提供基础支撑。 相似文献
16.
冬小麦干旱指标及干旱预测模型研究 总被引：4，自引：1，他引：3
干旱是河北省冬小麦生长期内主要的气象灾害之一。准确监测、预测干旱发生程度, 可以为防灾、减灾、救灾提供科学的决策依据。本研究以位于河北省南部冬小麦区的南宫县为例, 选取1991~2007 年冬小麦全生育期农业气象观测数据及常规气象资料, 基于Jensen 模型得到冬小麦返青~拔节、拔节~抽穗、抽穗~乳熟、乳熟~成熟4 个生育阶段的水分敏感系数; 在减产百分率标准的基础上, 确定了冬小麦返青后4 个生育阶段以相对蒸散表示的轻旱、中旱、重旱、严重干旱4 个等级冬小麦干旱指标值; 并应用回归分析方法, 建立了4 个生育阶段的干旱预测模型。结果表明：考虑冬小麦不同发育阶段对水分的敏感程度, 确定的冬小麦干旱指标值比较客观地反映了干旱程度。建立的干旱预测模型均通过了0.05 的显著性检验。模型的拟合正确率70.8%, 预测正确率75.0%, 平均正确率71.4%;经简化干旱等级, 即轻旱为1 个等级, 中旱、重旱、严重干旱为1 个等级, 则模型的拟合正确率达81.3%, 预测正确率达75.0%, 平均正确率达80.4%, 模型预测结果可信。 相似文献
17.
基于无人机遥感植被指数优选的田块尺度冬小麦估产 总被引：4，自引：3，他引：1
田块尺度作物快捷精准估产对规模化农业经营管理具有重要意义。因此,急需选取最优植被指数和最佳无人机遥感作业时期,建立冬小麦无人机遥感估产模型,获取及时、快速、低成本的无人机遥感估产方法。该文以山东省滨州市典型规模化农田为研究对象,利用固定翼无人机遥感平台对冬小麦进行多期遥感观测与估产。基于2016年冬小麦返青拔节期、抽穗灌浆期和成熟期的无人机遥感影像数据集,采用最小二乘法,构建了基于不同植被指数与冬小麦实测产量的9种线性模型,并结合作物实测产量进行模型评价。多时相多种类植被指数的优选分析结果显示,抽穗灌浆期估产模型R~2最高,RMSE最低(n=34)。其中,模型R~2达到0.70的植被指数共6个,从高到低依次为EVI2、MSAVI2、SAVI、MTVI1、MSR和OSAVI;RMSE由低到高依次为EVI2、MSAVI2、SAVI、MTVI1、MSR和OSAVI。另外,该文进一步评价农田土壤像元对无人机遥感估产的影响,经过阈值滤波法处理后,返青拔节期估产模型的R~2(n=34)从约0.20提升至0.30以上,RMSE和MRE下降;抽穗灌浆期模型的RMSE降低,R~2(n=34)有所提升但不显著。综上所述,最佳无人机飞行作业时期为冬小麦抽穗灌浆期,最优植被指数为EVI2,土壤像元的滤除对抽穗灌浆期无人机遥感估产模型的影响不显著。因此,优化后的基于植被指数的无人机遥感估产模型,可以快速有效诊断和评估作物长势和产量,为规模化农业种植经营提供一种快捷高效的低空管理工具。 相似文献
18.
利用山东省1981-2011年历年冬小麦生育期及产量资料、14个气象站点的逐日气象资料、1992-2011年冬小麦生长季逐旬20cm土壤墒情资料,分别构建考虑和不考虑土壤墒情的冬小麦不同生长阶段的气候适宜度指数计算模型,通过与气象产量进行相关和回归分析,建立了基于两种气候适宜度指数的3-5月逐旬产量动态预报模型,并进行历史回代检验和动态外推预报。结果表明：考虑土壤墒情的气候适宜度指数能够更客观地反映山东省冬小麦生长期间气象条件和土壤水分对其产量形成的影响,构建的气候适宜度指数与冬小麦气象产量的相关系数均通过0.01水平的显著性检验,相关性高于不考虑土壤墒情的气候适宜度指数。产量动态预报模型对1992-2009年历史回代检验的平均准确率均在95.0%以上,标准化均方根误差RMSE均小于6%。对2010-2011年外推预报准确率最高达99.4%,最低为95.4%,说明预报准确率较高,建立的产量动态预报模型可以在业务上推广应用。 相似文献