CN113361191A - 基于多情景模拟的像元尺度冬小麦单产遥感估算方法 - Google Patents
基于多情景模拟的像元尺度冬小麦单产遥感估算方法 Download PDFInfo
- Publication number
- CN113361191A CN113361191A CN202110564296.XA CN202110564296A CN113361191A CN 113361191 A CN113361191 A CN 113361191A CN 202110564296 A CN202110564296 A CN 202110564296A CN 113361191 A CN113361191 A CN 113361191A
- Authority
- CN
- China
- Prior art keywords
- winter wheat
- model
- yield
- remote sensing
- leaf
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 241000209140 Triticum Species 0.000 title claims abstract description 111
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000004088 simulation Methods 0.000 title claims abstract description 71
- 230000012010 growth Effects 0.000 claims abstract description 45
- 239000002689 soil Substances 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000011160 research Methods 0.000 claims abstract description 11
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims description 22
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 19
- 238000007637 random forest analysis Methods 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000004519 manufacturing process Methods 0.000 claims description 14
- 210000000056 organ Anatomy 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 10
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 9
- 208000005156 Dehydration Diseases 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000011161 development Methods 0.000 claims description 8
- 238000003973 irrigation Methods 0.000 claims description 7
- 230000002262 irrigation Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000009331 sowing Methods 0.000 claims description 5
- 230000005068 transpiration Effects 0.000 claims description 5
- 230000035699 permeability Effects 0.000 claims description 4
- 229920006395 saturated elastomer Polymers 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 238000013179 statistical model Methods 0.000 claims description 3
- 241000204432 Candidatus Sodalis pierantonius str. SOPE Species 0.000 claims description 2
- 238000005273 aeration Methods 0.000 claims description 2
- 230000008033 biological extinction Effects 0.000 claims description 2
- 230000007812 deficiency Effects 0.000 claims description 2
- 238000009792 diffusion process Methods 0.000 claims description 2
- 230000036387 respiratory rate Effects 0.000 claims description 2
- 230000002459 sustained effect Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 8
- 238000012937 correction Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000018109 developmental process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 239000002028 Biomass Substances 0.000 description 3
- 208000036855 Left sided atrial isomerism Diseases 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000004720 fertilization Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010899 nucleation Methods 0.000 description 2
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000011890 leaf development Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002786 root growth Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Mathematical Optimization (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Marine Sciences & Fisheries (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Agronomy & Crop Science (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mining & Mineral Resources (AREA)
- General Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
Abstract
本发明公开基于多情景模拟的像元尺度冬小麦单产遥感估算方法,包括基于作物生长模型的多情景区域冬小麦单产形成过程模拟数据集,区域冬小麦单产模型集构建,基于高分辨率遥感数据的区域冬小麦单产估算示范研究;通过野外实测数据和县级统计数据对高分辨率冬小麦单产分布估算结果进行验证评估。利用作物生长模型模拟结果可以有效进行单产回归建模,减少模型对地面样本的依赖性。通过搜集河北省冬小麦种植区多年历史气象资料、土壤类型参数、作物品种参数以及农田管理措施形成一套情景参数组,输入到WOFOST模型中得到不同情景下冬小麦的生长过程,没有使用任何地面样本进行修正,减少了人力和时间成本,提升了模型的可行性。
Description
技术领域
本发明涉及遥感估算技术领域。具体地说是基于多情景模拟的像元尺度冬小麦单产遥感估算方法。
背景技术
进入21世纪以来,随着精准农业的快速发展,对于农作物单产估算的需求已经不仅仅满足于国家、省市等尺度的区域推算,而逐渐关注地块尺度的农作物单产水平。基于地面单产样本与遥感光谱信息构建统计回归模型进行估产精度较高,单产预测精度与地面样本间R2能达到0.9以上(Hunt等, 2019),但是此类方法样本需求量极大,在实际应用中存在样本采集困难、区域外推性差等缺陷。随着作物生长模型的不断完善,其模拟精度也越来越高,对于产量预期、水分调控、田间管理等精准农业的相关需求也更加契合。因此,遥感与作物生长模型的结合也就应运而生,前者获取目标区域内农作物生长状态的空间分布,后者提供目标区域内农作物生长状态的连续模拟,从一定程度来看二者几乎完美互补。现有模型主要聚焦于遥感数据与作物生长模型同化算法的研究,但是受限于作物生长模型繁复的本地化过程,遥感和作物生长模型同化的方法遇到了大范围适用性的难题,在不同区域存在较大的不确定性差异。综上所述,如何进一步走出“困局”,改变建模思路,充分地利用农学知识支持像元尺度单产遥感建模减少对地面样本的依赖,既适应当前深度学习等智能化算法,又能形成较强的区域适应能力,成为新形势下农作物单产遥感建模的核心关键。
发明内容
为此,本发明所要解决的技术问题在于提供一种基于多情景模拟的像元尺度冬小麦单产遥感估算方法,该方法利用作物生长模型模拟结果减少模型对地面样本的依赖性,减少了人力和时间成本,提升了模型的可行性;可以应用到不同的作物、不同的地区、不同的类型和获取时间的遥感观测数据,而不需要进行地面校准。
为解决上述技术问题,本发明提供如下技术方案:
基于多情景模拟的像元尺度冬小麦单产遥感估算方法,包括如下步骤:
(1)基于作物生长模型的多情景区域冬小麦单产形成过程模拟数据集:基于作物品种生长模型的生理学基础和模型结构,结合区域历史农业气象资料、土壤特征数据及农田管理措施,对整个区域内不同气候、环境、田间管理情景下的冬小麦单产的形成过程进行动态模拟,形成过程模拟数据集;
(2)区域冬小麦单产模型集构建:利用多情景区域冬小麦单产形成过程模拟数据集,筛选分析对最终单产具有明显影响/表征作用的遥感可反演的指标因子,并根据目标区域可用遥感影像的日期信息,确定对应日期内相应的指标因子与单产的量化关系,构建多时相单产估算模型集;通过袋外样本对模型集中的每个模型进行评估;
(3)基于高分辨率遥感数据的区域冬小麦单产估算示范研究:通过作物生长期内的区域高分辨率遥感影像反演获取冬小麦单产形成的关键指标因子,进而基于上述构建的冬小麦单产估算模型集,实现区域冬小麦单产空间分布制图;
(4)通过野外实测数据和县级统计数据对高分辨率冬小麦单产分布估算结果进行验证评估。
上述基于多情景模拟的像元尺度冬小麦单产遥感估算方法,在步骤(1)中:采用PCSE/WOFOST模型输入参数包括四个部分:气象资料、作物品种、土壤类型和管理措施;
气象资料包括8个参数,分别是日期(DAY)、入射短波辐射(kJ/m2/day)、日最低气温(Celsius)、日最高气温(Celsius)、日平均水汽压(kPa)、高于地表2米处的日平均风速(m/sec)和日降水量(mm)、积雪深度(cm);
作物品种的参数为出苗的低温阈值(TBASEM)、出苗的高温阈值(TEFFMX)、播种到出苗的积温(TSUMEM)、出苗到开花的积温(TSUM1)、开花到成熟的积温(TSUM2)、初始农作物总干重(TDWI)、出苗时的叶面积指数(LAIEM)、叶面积指数的最大增长率(RGRLAI)、比叶面积DVS=0.0 (SLATB1)、比叶面积DVS=0.5(SLATB2)、比叶面积DVS=2.0(SLATB3)、叶片在35摄氏度时的寿命(SPAN)、叶龄的低温阈值(TBASE)、可见光漫射的消光系数与DVS的函数(KDIFTB)、单叶的光能利用率与日均温的函数(EFFTB)、叶片最大CO2同化率DVS=0.0(AMAXTB1)、叶片最大CO2 同化率DVS=1.0(AMAXTB2)、叶片最大CO2同化率DVS=1.3(AMAXTB3)、叶片最大CO2同化率DVS=2.0(AMAXTB4)、叶片的同化物转换效率(CVL)、存储器官的同化物转换效率(CVO)、根的同化物转换效率(CVR)、茎的同化物转换效率(CVS)、温度增加10℃呼吸速率相对变量(Q10)、叶片的维持呼吸速率(RML)、存储器官的维持呼吸速率(RMO)、根的维持呼吸速率(RMR)、茎的维持呼吸速率(RMS)、总干物质相对于根的比例与DVS的函数(FRTB)、地上干物质相对于叶的比例与DVS的函数(FLTB)、地上干物质相对于茎的比例与DVS的函数(FSTB)、地上干物质相对于器官的比例与DVS的函数(FOTB)、水分胁迫导致叶片的最大相对死亡率(PERDL)、初始根深(RDI)、每日最大根深度增加量(RRI)和最大根深(RDMCR);
土壤类型包括轻壤土、沙壤土和中壤土三种类型,轻壤土、沙壤土和中壤土均包括如下参数:土壤水分含量与pF的关系(SMTAB)、枯萎系数(SMW)、田间持水量(SMFCF)、饱和含水量(SM0)、曝气临界土壤空气含量(CRAIRC)、10-log导水率与pF的关系(CONTAB)、饱和导水率(K0)、根区最大渗透率(SOPE)、下层土壤最大渗透率(KSUB)、第一表层渗流参数深层苗床(SPADS)、第二表层渗流参数深层苗床(SPODS)、第一表层渗流参数浅层苗床(SPASS)、第二表层渗流参数浅层苗床(SPOSS)、所需的深层苗床水分亏缺(DEFLIM);
管理措施包括:
三个冬小麦播种时间:9月25日,10月05日,10月15日;
雨水情况:灌溉和雨养,其中灌溉采用WOFOST潜在模式,雨养采用WOFOST的水分胁迫模式。
上述基于多情景模拟的像元尺度冬小麦单产遥感估算方法,在步骤(1)中,基于多情景模拟构建数据集:利用搜集的多情景参数与作物生长模型进行实验区冬小麦单产形成过程模拟,构建训练数据集;
PCSE/WOFOST的每条模拟结果均包含12个参数:分别是日期(day)、发展阶段(DVS)、叶面积指数(LAI)、地上总干重(TAGP)、存储器官干重(TWSO)、叶干重(TWLV)、茎重(TWST)、根重(TWRT)、蒸腾速率(TRA)、实际根深(RD)、实际根区土壤含水量(SM)和土壤剖面总水量(WWLOW);所有的参数包含以天为步长的从出苗到成熟的时间序列值;其中:叶面积指数(LAI)提取3月之后的叶面积指数(LAI)曲线,存储器官干重(TWSO)为成熟时的穗重(TWSO)即最后一天的TWSO作为模拟数据集。
上述基于多情景模拟的像元尺度冬小麦单产遥感估算方法,在步骤(2)中,包括:
通过随机森林回归方法训练模拟单产和不同日期的叶面积指数(LAI)之间的统计模型,得到不同日期组合的叶面积指数(LAI)与单产间的回归模型集合,并通过袋外样本评估模型的拟合效果;模型集的构建方式分为两种:双窗口模型集和全时相模型集。
上述基于多情景模拟的像元尺度冬小麦单产遥感估算方法,袋外样本评估:利用袋外样本对随机森林模型集拟合效果进行评价,指标记为OOB SCORE,范围是0到1,越接近1表示模型精度越高
上述基于多情景模拟的像元尺度冬小麦单产遥感估算方法,双窗口模型:通过构建窗口内所有日期组合的模型集,直接按照日期标签调用模型进行单产运算,无需重新构建模型;按照月份划分3月、4月、5月三个窗口,利用 OOB SCORE对其两两组合构建的单产估算模型集进行精度评估,最终确定最佳窗口组合构建双窗口模型集。
上述基于多情景模拟的像元尺度冬小麦单产遥感估算方法,全时相模型:利用实验区内所有可用哨兵2影像的日期对模拟数据集进行随机森林回归,并用OOB SCORE对模型进行评价。
上述基于多情景模拟的像元尺度冬小麦单产遥感估算方法,在步骤(3)中,包括:
(3-1)将哨兵2影像的光谱信息转变为叶面积指数(LAI)来作为模型集的输入;
(3-2)运用Sentinel-2LAIgreen指数(SeLI)来反演实验区的叶面积指数(LAI),其中SeLI定义为:
其中:R865对应哨兵2中的植被红边波段B8a,R705对应于哨兵2中的植被红边波段B5;
(3-3)通过对比地面数据和SeLI的线性、指数和二阶多项式拟合结果,选择线性拟合,并用测试数据与该线性拟合得到的叶面积指数LAIgreen 进行线性拟合;线性方程如下:
LAIgreen=5.405*SeLI-0.114 (2)
(3-4)把各区域计算的LAI分布图输入到单产模型集中便可得到对应的冬小麦单产,将各区域单产结果镶嵌拼接并利用冬小麦分布图进行掩膜即可得到整个空间分辨率的单产分布图。
上述基于多情景模拟的像元尺度冬小麦单产遥感估算方法,野外实测数据:利用实测地面产量对结果进行验证,分析方法的可靠性,并对比全时相模型集与双窗口模型集结果的精度差异;验证指标选择决定系数R2,公式(3)所示,均方根误差RMSE,公式(4)所示和平均相对误差MRE,公式(5)所示;用样点附近2×2像元的正方形范围均值代表预测结果;
其中:Ei表示第i个县的冬小麦单产估算值,Oi表示测试数据集中第i个县的冬小麦单产的统计值,n表示样本数量。
上述基于多情景模拟的像元尺度冬小麦单产遥感估算方法,县级统计数据:利用县级统计数据对双窗口和全时相结果进行评价。
本发明的技术方案取得了如下有益的技术效果:
本申请提出了一种基于遥感数据和作物生长模型结合的估算像元/地块尺度农作物产量的通用方法,利用作物生长模型的功能来捕获有关农作物如何响应天气和田间管理的生理知识,并通过数学模型来定量描述单产与不同日期LAI之间的关系,结合遥感反演的LAI进行区域冬小麦单产估算。主要结论如下:
(1)基于多情景模拟的像元尺度冬小麦单产估产结果与实地观测中的产量及统计单产均显示出良好的一致性。该方法的优势在于它能够利用作物生长模型中的生理学知识以可扩展的方式解释卫星观测资料,因此它可以很容易地应用到不同的作物、不同的地区、不同的类型和获取时间的遥感观测数据,而不需要进行地面校准。
(2)利用作物生长模型模拟结果可以有效进行单产回归建模,减少模型对地面样本的依赖性。通过搜集河北省冬小麦种植区多年历史气象资料、土壤类型参数、作物品种参数以及农田管理措施形成一套情景参数组,输入到 WOFOST模型中得到不同情景下冬小麦的生长过程,没有使用任何地面样本进行修正,这大大减少了人力和时间成本,提升了模型的可行性。
(3)基于多情景模拟的冬小麦单产估算模型在县级尺度上表现与基于统计数据建立的经验模型间仍有一定差距。与县级统计数据对比,前者R2为0.57,均方根误差为345.53kg/ha,平均相对误差为4.98%;后者R2为0.83,均方根误差约为253.25kg/ha,平均相对误差小于2.85%。
(4)双窗口模型集估产精度低于全时相模型集。与实测单产对比结果显示 R2为0.39,均方根误差为434.08kg/ha,平均相对误差为6.34%。与统计数据对比结果显示,R2为0.4,均方根误差为410.96kg/ha,平均相对误差为 5.66%。
附图说明
图1本发明像元尺度产量估算的方法框图;
图2WOFOST模型组成部分;
图3WOFOST气象资料输入模板;
图4气象站点地理位置分布图;
图5LAI模拟结果实例;
图6a基于不同月份日期组合随机森林回归模型的OOB SCORE:3月份和 4月份日期组合;
图6b基于不同月份日期组合随机森林回归模型的OOB SCORE:3月份和 5月份日期组合;
图6c基于不同月份日期组合随机森林回归模型的OOB SCORE:4月份和 5月份日期组合;
图7a2018年河北省冬小麦单产分布图:双窗口模型;
图7b2018年河北省冬小麦单产分布图:全时相模型;
图8a实测单产精度验证结果:双窗口模型;
图8b实测单产精度验证结果:全时相模型;
具体实施方式
基于农作物单产形成机制,首先通过搜集区域内各种已发生或可能发生的冬小麦单产影响因素(气象、土壤、品种、管理),利用作物生长模型进行冬小麦单产形成过程的动态模拟,获取完备的样本数据集以解决地面观测数据不足的问题。其次,基于模拟获取的完备样本数据集,筛选确定冬小麦不同生长阶段遥感可监测获取的关键指标因子,并探索分析冬小麦生长过程中影响单产形成的关键指标因子的演化规律。在此基础上,研究实现各生长阶段的关键指标因子对于冬小麦单产形成作用的定量化数学描述,最终构建冬小麦各生长阶段的基于高分辨率遥感数据的单产估算模型集,为大区域范围精细尺度农作物单产遥感动态估算奠定技术基础。详细技术路线见图1。具体研究内容分为以下三部分:
(1)基于作物生长模型的多情景区域冬小麦单产形成过程模拟
基于作物生长模型的生理学基础和模型结构,分析冬小麦生产力对各种管理和环境因素的响应模式,筛选确定敏感指标因子。在此基础上,结合区域历史农业气象资料、土壤特征数据、及农田管理措施等,对整个区域内不同气候、环境、田间管理情景下的冬小麦单产的形成过程进行动态模拟。
(2)区域冬小麦单产模型集构建
利用多情景区域冬小麦单产形成过程模拟数据集,筛选分析对最终单产具有明显影响/表征作用的遥感可反演的指标因子,并根据目标区域可用遥感影像的日期信息,确定对应日期内相应的指标因子与单产的量化关系,构建多时相单产估算模型集。
(3)基于高分辨率遥感数据的区域冬小麦单产估算示范研究
通过作物生长期内的区域高分辨率遥感影像反演获取冬小麦单产形成的关键指标因子,进而基于上述构建的冬小麦单产估算模型集,实现区域冬小麦单产空间分布制图。最终,通过野外实测数据和县级统计数据对高分辨率冬小麦单产分布估算结果进行验证评估。
一、多情景模拟数据集生成
1.1 WOFST模型简介
WOFOST(WOrld FOod STudies)是由荷兰瓦赫宁根大学de Wit教授开发的用于对一年生大田作物生长和产量进行定量分析的模拟模型。通过 WOFOST,可以模拟任一地点在给定的土壤、作物、天气和管理条件下可达到的作物产量、生物量等。WOFOST模型已经作为作物产量预测系统的一部分应用了25年,是运行时间最长的作物模型之一,已经被世界各地的研究人员所使用,并且已经应用于各种气候和管理条件下的多种作物(de Wit 等,2019)。
WOFOST模拟的主要过程是物候发育,叶片发育和光截获,CO2同化,根生长,蒸腾,呼吸,同化物分配到各个器官以及干物质形成等过程。根据不同的胁迫因素,它可以模拟3种产量水平,即光温胁迫的潜在产量、光温水胁迫的雨养产量以及光温水肥胁迫的产量。图2提供了WOFOST中模型组件之间关系的示意图。
本文使用的WOFOST模型基于PCSE环境。瓦赫宁根大学的许多作物模拟模型最初是在FORTRAN77或使用FORTRAN模拟转换器(FST)开发的。尽管这种方法产生了具有高数值性能的高质量模型,但是用FORTRAN 编写的模型的固有局限性也越来越明显:紧密耦合性、接口复杂性以及难集成化的限制特性。针对上述问题,开发了以Python语言为基础的作物模拟环境—PCSE。相比于FORTRAN语言,Python语言极大的提升了代码的灵活性、简洁性、可读性和扩展性,能够便捷的与其他功能强大的常用工具或软件进行接口连接与交互操作,如Matlab、MySQL、R语言、GDAL、OpenCV 等。本文使用最新的PCSE 5.4版本,集成了三种不同胁迫条件的作物模型,分别为WOFOST71_PP模型(光温胁迫)、WOFOST71_WLP_FD模型(光温水胁迫)和LINTUL3模型(光温水氮胁迫)。本文使用 WOFOST71_WLP_FD模型和WOFOST71_PP模型进行河北省冬小麦的产量形成过程模拟。
1.2 WOFOST本地化参数设置
PCSE/WOFOST模型输入参数包括四个部分,分别是:气象资料、作物品种、土壤类型、管理措施。最终输出结果为逐日的作物生长参数,包括 LAI和各器官的生物量。本研究利用历史资料及前人研究成果,结合合理范围内的伪参数构建来作为WOFOST模型的输入集合,尽可能模拟河北省冬小麦的所有生长情景。下面是每个部分的具体参数内容与设置的详细介绍:
(1)气象资料
WOFOST所需的气象资料主要包括8个参数,分别是日期(DAY)、入射短波辐射(kJ/m2/day)、日最低气温(Celsius)、日最高气温(Celsius)、日平均水汽压(kPa)、高于地表2米处的日平均风速(m/sec)、日降水量(mm)、积雪深度(cm)。气象数据按照官方提供的模板(图3)保存为.xlsx格式。
其中积雪深度均设为默认无效值-999,其他参数由逐日气象站点数据得到。选择20个气象站点来代表河北省冬小麦种植区的气象条件,时间从 2001-2015共15年。这20个气象站点的基本信息见表1,其地理位置分布见图4。
表1气象站点的基本信息
(2)作物品种
作物品种是作物生长模型中最重要的模块,其涉及到的参数众多。在实际应用中,需要针对所选实验区及作物目标进行模型参数调整来保证模型结果的可靠性。以作物品种参数为主的模型调参是一个十分复杂的问题,因为作物模型一般是非线性的方程,最优解求解困难,目前常用的优化算法包括退火算法、蒙特卡洛法、FAST方法和sobol算法等(来守芳,2019)。
目前模型调参主要与策略有关,跟具体算法关系不大。一般先是调整物候参数,然后调整冠层结构参数,最后再对生物量生产和分配的参数进行调整。此外也可以先对参数敏感性进行分析,直接对敏感参数进行调整。
对于WOFOST模型的作物参数,前人已经进行了大量的研究工作,并且已在河北省冬小麦种植区域得到了广泛的应用和测试,积累了许多有价值的成果(何亮等,2016;黄健熙等,2017;马玉平等,2005;王涛等,2010;邬定荣等,2003;张建平等,2013;朱津辉,2014)。本文在前人标定参数的基础上通过在敏感参数SLATB1(DVS=0.0)、AMAXTB3(DVS=1.3)设置固定步长来生成伪品种,扩大模拟的情景范围,保证样本集的复杂度,提升后续估产模型的区域适用性。最终确定作物参数见表2。
表2主要作物参数取值
(3)土壤类型
土壤数据对照中科院南京土壤所发布的中国土壤图确定关键参数,包括轻壤土、沙壤土、中壤土三种类型。具体参数设置见表3-表5。
表3轻壤土参数取值
表4沙壤土参数取值
表5中壤土参数取值
(4)管理措施
PCSE/WOFOST中的农业管理通过定义一系列活动来实现。活动是在指定的日期开始,并在下一次活动开始时结束。每个活动的特征是0个或一个作物日历,0个或多个计时事件和0个或多个状态事件。作物日历指定作物的时间(播种、收获),而计时和状态事件可以用于指定依赖于时间(特定日期)或特定模型状态变量(如作物发育阶段)的管理操作。作物日历和事件定义仅对定义它们的活动有效。根据文件调研和实地调查,本研究设置了三个冬小麦播种时间,分别是9月25日,10月05日,10月15日。河北省冬小麦过量施肥问题严重(Ju等,2007;张福锁等,2007),而WOFOST模型并无法模拟,所以本文并未考虑施肥的情况。考虑到河北省冬小麦降雨条件的差异,划分成灌溉和雨养两种情况分别进行模拟,其中灌溉采用WOFOST潜在模式,雨养采用WOFOST的水分胁迫模式。最终确定6种管理措施。
1.3多情景模拟与数据集构建
为了解决现有模型的样本依赖问题,基于“查找表”思想,利用搜集的多情景参数与作物生长模型进行实验区冬小麦单产形成过程模拟,构建训练数据集。按照1.2小节的参数设置共组成超过17万(15*20*3*2*32*3)种情景,如表6所示。将不同情景参数分别输入WOFOST模型进行模拟,得到对应数量的模拟结果,组成模拟数据集。
表6 WOFOST模拟情景的描述
因素 | 值 |
年 | 2001-2015 |
气象站 | 20个 |
播种日期 | 9月25号,10月05号,10月15号 |
水分 | 灌溉,雨养 |
品种 | 32种 |
土壤 | 轻壤土,沙壤土,中壤土 |
PCSE/WOFOST的每条模拟结果均包含12个参数(见表7),分别是日期(day)、发展阶段(DVS)、叶面积指数(LAI)、地上总干重(TAGP)、存储器官干重(TWSO)、叶干重(TWLV)、茎重(TWST)、根重(TWRT)、蒸腾速率(TRA)、实际根深(RD)、实际根区土壤含水量(SM)和土壤剖面总水量(WWLOW)。所有的参数包含以天为步长的从出苗到成熟的时间序列值。由于WOFOST对于冬小麦越冬期模拟较差,所以本研究提取3月之后的LAI曲线和成熟时的穗重(最后一天的TWSO)作为模拟数据集。
表7 WOFOST输出参数
参数名称 | 定义 | 单位 |
day | 日期 | d |
DVS | 生育阶段 | * |
LAI | 叶面积指数 | * |
TAGP | 地上总干重 | kg/ha |
TWSO | 存储器官干重 | kg/ha |
TWLV | 叶干重 | kg/ha |
TWST | 茎重 | kg/ha |
TWRT | 根重 | kg/ha |
TRA | 蒸腾速率 | mm d-1 |
RD | 实际根深 | mm |
SM | 实际根区土壤含水量 | cm-3/cm-3 |
WWLOW | 土壤剖面总水量 | cm |
图5显示了从模拟数据集中随机挑选的30个LAI过程曲线,可以看出模拟的LAI最大值范围为1-6。产量也有类似的变化,模拟产量的平均数为 6145.78kg/ha,范围为200至12000kg/ha。模拟数据提供了广泛的可变性,确保了训练样本数据集的完备性及对于目标区域冬小麦生长情况的代表性
二、面对生产需求,单产模型既要考虑精度同时也要兼顾效率和鲁棒性。已有研究提出的单产模型往往输入参数繁多、算法复杂、输入条件严苛,难以实现大区域智能化估产应用。本文在农作物生长过程模拟数据集的基础上,通过随机森林回归方法训练模拟单产和不同日期的LAI之间的统计模型,得到不同日期组合的LAI与单产间的回归模型集合,并通过袋外样本评估模型的拟合效果。模型集的构建方式分为两种:双窗口、全时相。其中双窗口模型集的提出是为了提升大面积单产估算时的运算效率进行的试验。
2.1随机森林模型集构建
(1)双窗口模型
一般情况下,利用全部可用时相遥感影像进行回归建模可以表征更丰富的作物长势信息获得最佳精度。但在大面积运算时,不同区域可用影像日期不同,冬小麦生长季往往较长,对每一种日期组合进行模型构建需要大量的算力以及存储空间。冬小麦从返青到成熟需要经历近100天的生长发育,100 天内的所有排列组合对现有算力和存储来说极为困难。所以全时相模型集构建是先查询区域可用数据日期后,再对不同区域进行单独的模型构建,并非对所有日期进行排列组合预先构建完整日期组合的模型集然后从中直接调用。这种方式在不同区域或年份进行估产时需要先进行模型构建然后才能输入遥感数据进行计算,一定程度上增加了方法的复杂度,降低了运行效率。为了尝试解决该问题,提升模型计算效率,便于大面积业务化运行,本文首先提出了双窗口模型集的构建方案。该方式通过构建窗口内所有日期组合的模型集,直接按照日期标签调用模型进行单产运算,无需重新构建模型。双窗口虽然损失了部分时相特征,一定程度上降低了估产精度,但大大缩减了模型集的容量,提升了多情景单产估算方法的效率,对全国甚至全球农作物估产来说具有较高的可行性。
双窗口的选择至关重要,本文按照月份划分3月、4月、5月三个窗口,利用OOBSCORE对其两两组合构建的单产估算模型集进行精度评估,最终确定最佳窗口组合构建双窗口模型集。
(2)全时相模型
随机森林回归算法具有强抗噪能力,所以无需进行特征变量的筛选便能得到较好的结果,利用实验区内所有可用哨兵2影像的日期(表8)对模拟数据集进行随机森林回归,并用OOB SCORE对模型进行评价。
表8本文使用的哨兵-2影像
三、单产计算
将遥感数据输入上述构建的模型集中获取区域冬小麦单产。在此之前,我们需要将哨兵2影像的光谱信息转变为叶面积指数(LAI)来作为模型集的输入。本文运用NievesPasqualotto等(2019)所提出的新的Sentinel-2 LAIgreen指数(SeLI)来反演实验区的LAI。其中SeLI定义为:
其中R865对应哨兵2中的植被红边波段B8a,R705对应于哨兵2中的植被红边波段B5。
基于SeLI,Nieves Pasqua lotto等人通过对比地面数据和SeLI的线性,指数,二阶多项式拟合结果,选择线性拟合,并用测试数据与该线性拟合得到的LAIgreen进行线性拟合,所得到的R2=0.732,RMSE=0.69。该线性方程如下:
LAIgreen=5.405*SeLI-0.114 (2)
把各区域计算的LAI分布图输入到单产模型集中便可得到对应的冬小麦单产,将各区域单产结果镶嵌拼接并利用2018年冬小麦分布图进行掩膜即可得到整个河北省20m空间分辨率的单产分布图。
四、估产精度评价
精度评价从三个面进行:
首先利用袋外样本对随机森林模型集拟合效果进行评价,指标记为 OOBSCORE,范围是0到1,越接近1表示模型精度越高。根据结果确定双窗口的选择,进行后续冬小麦单产估算;
其次,利用2018年的实测地面产量(南皮县、景县)对结果进行验证,分析方法的可靠性,并对比全时相模型集与双窗口模型集结果的精度差异。验证指标选择决定系数(R2,公式(3)),均方根误差(RMSE,公式(4))和平均相对误差(MRE,公式(5))。用样点附近2×2像元的正方形范围均值代表预测结果。
其中:Ei表示第i个县的冬小麦单产估算值,Oi表示测试数据集中第i个县的冬小麦单产的统计值,n表示样本数量
最后,利用县级统计数据对双窗口和全时相结果进行评价,并与第四章提出的县级估产模型结果进行对比分析。为了消除冬小麦播种面积比太低导致的统计误差,保证分析的准确性,本实施例仅选择冬小麦播种面积比重超过20%的98个县市对像元尺度单产结果进行精度分析。
五、结果与分析
5.1、模型拟合效果评价
(1)双窗口模型集确定
图6(a)-图6(c)显示了基于不同月份模拟LAI来预测模拟产量的回归模型的精度评价指标(OOB SCORE)。每个网格单元从图中所示的两个窗口中显示特定观察日期组合的模型结果。
其中图6(a)显示了3月份和4月份日期组合的结果,其精度范围(OOB SCORE)在0.488—0.685之间。其中54%的日期组合精度大于0.6,仅有1.5%的日期组合精度小于0.55。高精度组合主要集中于3月15-31日和4月10-30 号之间,总体精度较高。
图6(b)显示了3月份和5月份日期组合的结果,其精度范围在0.465— 0.641之间。仅有3.4%的日期组合精度大于0.6,出现在3月15-31号和5 月1-4号之间。约68%的日期组合精度低于0.5。
图6(c)显示了4月份和5月份日期组合的结果,其精度范围在0.402— 0.654之间。有5.8%的日期组合精度大于0.6,主要集中在4月1-18号和5 月1-5号。超过45%的日期组合精度在0.4至0.5之间
上述分析结果显示了3月和4月日期组合进行回归建模的精度最高且较为稳定,明显优于3月5月和4月5月两种情况,所以双窗口确定为3月与 4月。双窗口模型的估产能力取决于观测的具体时机,但总体上较高(OOB SCORE>0.6)。这表明本文提出的双窗口模型在许多情况下足以获得较准确的产量估算。在3月4月构建的模型集合中查询2018年实验区可用哨兵2 影像对应的最佳模型,得到不同区域的随机森林回归模型,其日期组合与精度评估见表9。
表9双窗口(3,4月)随机森林模型精度评估
条带号 | 3月 | 4月 | OOB SCORE |
50SKF | 24 | 18 | 0.66 |
50SLF | 24 | 28 | 0.65 |
50SKG | 24 | 18 | 0.66 |
50SLG | 24 | 18 | 0.66 |
50SMG | 16 | 20 | 0.66 |
50SKH | 24 | 18 | 0.66 |
50SLH | 24 | 18 | 0.66 |
50SMH | 16 | 20 | 0.66 |
50SNH | 16 | 20 | 0.66 |
50SLJ | 29 | 18 | 0.67 |
50SMJ | 29 | 18 | 0.67 |
50SNJ | 16 | 20 | 0.66 |
50SPJ | 16 | 20 | 0.66 |
50TMK | 29 | 18 | 0.67 |
50TNK | 16 | 20 | 0.66 |
(2)全时相模型集确定
2018年河北省冬小麦所构建的全时相随机森林模型精度评估结果(表10)显示,OOB SCORE范围从0.75—0.86,其均值为0.819,中位数为0.85。这表明所构建的模型集合的精度较高,能够用于产量的估算。虽然利用袋外样本进行精度评价的结果显示出较高的准确性,但模拟数据与真实观测值间可能存在较大偏差,仍需利用地面样本进一步验证模型精度。
表10全时相随机森林模型精度评估
5.2、河北省冬小麦单产估算分布图
图7a和图7b显示了基于双窗口(图7a)和全时相(图7b)模型集计算的2018年河北省20m冬小麦单产分布图。结果显示双窗口和全时相结果之间的空间分布大体一致,其中全时相模型单产估计结果空间变化要比双窗口模型单产估计结果大。可以看出2018年河北省冬小麦高产区主要分布在河北省冬小麦种植区的中部以及南部地区,包括石家庄市、衡水市和邯郸市,低产区位于该省的东部地区,包括唐山市、廊坊市和沧州市。本文计算的河北省冬小麦产量分布的空间格局与赵稷伟等(2016)所分析的结果基本一致。
5.3、单产精度评价
与实测单产值对比结果如图8a双窗口验证结果和图8b全时相验证结果所示。其中双窗口的精度评价结果显示R2为0.39,均方根误差为434.08kg/ha,平均相对误差为6.34%。全时相的精度评价结果显示R2为0.539,均方根误差为389.67kg/ha,平均相对误差为6.07%。由此可知,基于全时相模型集的预测结果较为理想。其中,景县的最大相对误差为11.88%,最小相对误差为2.52%;南皮县的最大相对误差为10.80%,最小相对误差为0.33%。双窗口模型集的各项精度指标都比全时相模型集的结果差,但是仍具有一定的统计意义,其主要优势在于在5月前就可以进行早期快速的单产预测。与王鹏新等(2016)的同化方法(MRE=8.68%,RMSE=421.9kg/ha)相比,基于全时相模型集的精度更高,且无需地面样本。
表11显示了不同估产方法在县级估算结果的精度指标,可以看出无论从任意指标评判,县级估产准确性排序结果都为:县级模型>像元模型(全时相)>像元模型(双窗口)。其中双窗口精度较差,无法满足宏观决策的需求。此外,基于多情景模拟的像元模型均出现了对产量的低估,这可能与 LAI反演的准确性以及作物生长模型系统误差有关。
表11不同估产方法在县级估算结果的精度指标
5.4、讨论
(1)利用袋外样本对模型集进行精度评价的结果要明显优于地面实测样本的检验结果,这表明模拟数据与野外观测数据仍然存在一定的偏差。主要原因可能是利用高分辨率遥感影像反演得到的LAI准确性不足所造成的。本文使用的线性模型在关键生育期内可能造成LAI不同程度的偏差。
(2)为了提升模型的运算效率,研究提出了双窗口的方法。但是无论在像元尺度还是县级尺度,其精度都不能满足应用需求。双窗口模型集中,精度较高的组合集中于“3月中下旬+4月中下旬”和“4月上中旬+5月1-2 日”这两种组合,集中体现了冬小麦拔节和抽穗两个关键时期的特征,忽略了灌浆成熟的特征。下一步研究需要系统讨论3窗口、4窗口甚至更多窗口的可能性。
(3)像元尺度的模型在县级单产估算上精度欠佳。但是像元尺度模型不依赖于地面样本,且同时可进行两个尺度的单产估算,优势明显。同时像元尺度估产模型基于作物生长模型,机理性更强,区域扩展性、作物移植性更好。如何利用高精度的县级估算结果对像元尺度结果进行修正,是需要进一步考虑的问题。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本专利申请权利要求的保护范围之中。
Claims (10)
1.基于多情景模拟的像元尺度冬小麦单产遥感估算方法,其特征在于,包括如下步骤:
(1)基于作物生长模型的多情景区域冬小麦单产形成过程模拟数据集:基于作物品种生长模型的生理学基础和模型结构,结合区域历史农业气象资料、土壤特征数据及农田管理措施,对整个区域内不同气候、环境、田间管理情景下的冬小麦单产的形成过程进行动态模拟,形成过程模拟数据集;
(2)区域冬小麦单产模型集构建:利用多情景区域冬小麦单产形成过程模拟数据集,筛选分析对最终单产具有明显影响/表征作用的遥感可反演的指标因子,并根据目标区域可用遥感影像的日期信息,确定对应日期内相应的指标因子与单产的量化关系,构建多时相单产估算模型集;通过袋外样本对模型集中的每个模型进行评估;
(3)基于高分辨率遥感数据的区域冬小麦单产估算示范研究:通过作物生长期内的区域高分辨率遥感影像反演获取冬小麦单产形成的关键指标因子,进而基于上述构建的冬小麦单产估算模型集,实现区域冬小麦单产空间分布制图;
(4)通过野外实测数据和县级统计数据对高分辨率冬小麦单产分布估算结果进行验证评估。
2.根据权利要求1所述的基于多情景模拟的像元尺度冬小麦单产遥感估算方法,其特征在于,在步骤(1)中:采用PCSE/WOFOST模型输入参数包括四个部分:气象资料、作物品种、土壤类型和管理措施;
气象资料包括8个参数,分别是日期(DAY)、入射短波辐射(kJ/m2/day)、日最低气温(Celsius)、日最高气温(Celsius)、日平均水汽压(kPa)、高于地表2米处的日平均风速(m/sec)和日降水量(mm)、积雪深度(cm);
作物品种的参数为出苗的低温阈值(TBASEM)、出苗的高温阈值(TEFFMX)、播种到出苗的积温(TSUMEM)、出苗到开花的积温(TSUM1)、开花到成熟的积温(TSUM2)、初始农作物总干重(TDWI)、出苗时的叶面积指数(LAIEM)、叶面积指数的最大增长率(RGRLAI)、比叶面积DVS=0.0(SLATB1)、比叶面积DVS=0.5(SLATB2)、比叶面积DVS=2.0(SLATB3)、叶片在35摄氏度时的寿命(SPAN)、叶龄的低温阈值(TBASE)、可见光漫射的消光系数与DVS的函数(KDIFTB)、单叶的光能利用率与日均温的函数(EFFTB)、叶片最大CO2同化率DVS=0.0(AMAXTB1)、叶片最大CO2同化率DVS=1.0(AMAXTB2)、叶片最大CO2同化率DVS=1.3(AMAXTB3)、叶片最大CO2同化率DVS=2.0(AMAXTB4)、叶片的同化物转换效率(CVL)、存储器官的同化物转换效率(CVO)、根的同化物转换效率(CVR)、茎的同化物转换效率(CVS)、温度增加10℃呼吸速率相对变量(Q10)、叶片的维持呼吸速率(RML)、存储器官的维持呼吸速率(RMO)、根的维持呼吸速率(RMR)、茎的维持呼吸速率(RMS)、总干物质相对于根的比例与DVS的函数(FRTB)、地上干物质相对于叶的比例与DVS的函数(FLTB)、地上干物质相对于茎的比例与DVS的函数(FSTB)、地上干物质相对于器官的比例与DVS的函数(FOTB)、水分胁迫导致叶片的最大相对死亡率(PERDL)、初始根深(RDI)、每日最大根深度增加量(RRI)和最大根深(RDMCR);
土壤类型包括轻壤土、沙壤土和中壤土三种类型,轻壤土、沙壤土和中壤土均包括如下参数:土壤水分含量与pF的关系(SMTAB)、枯萎系数(SMW)、田间持水量(SMFCF)、饱和含水量(SM0)、曝气临界土壤空气含量(CRAIRC)、10-log导水率与pF的关系(CONTAB)、饱和导水率(K0)、根区最大渗透率(SOPE)、下层土壤最大渗透率(KSUB)、第一表层渗流参数深层苗床(SPADS)、第二表层渗流参数深层苗床(SPODS)、第一表层渗流参数浅层苗床(SPASS)、第二表层渗流参数浅层苗床(SPOSS)、所需的深层苗床水分亏缺(DEFLIM);
管理措施包括:
三个冬小麦播种时间:9月25日,10月05日,10月15日;
雨水情况:灌溉和雨养,其中灌溉采用WOFOST潜在模式,雨养采用WOFOST的水分胁迫模式。
3.根据权利要求2所述的基于多情景模拟的像元尺度冬小麦单产遥感估算方法,其特征在于,在步骤(1)中,基于多情景模拟构建数据集:利用搜集的多情景参数与作物生长模型进行实验区冬小麦单产形成过程模拟,构建训练数据集;
PCSE/WOFOST的每条模拟结果均包含12个参数:分别是日期(day)、发展阶段(DVS)、叶面积指数(LAI)、地上总干重(TAGP)、存储器官干重(TWSO)、叶干重(TWLV)、茎重(TWST)、根重(TWRT)、蒸腾速率(TRA)、实际根深(RD)、实际根区土壤含水量(SM)和土壤剖面总水量(WWLOW);所有的参数包含以天为步长的从出苗到成熟的时间序列值;其中:叶面积指数(LAI)提取3月之后的叶面积指数(LAI)曲线,存储器官干重(TWSO)为成熟时的穗重(TWSO)即最后一天的TWSO作为模拟数据集。
4.根据权利要求2所述的基于多情景模拟的像元尺度冬小麦单产遥感估算方法,其特征在于,在步骤(2)中,包括:
通过随机森林回归方法训练模拟单产和不同日期的叶面积指数(LAI)之间的统计模型,得到不同日期组合的叶面积指数(LAI)与单产间的回归模型集合,并通过袋外样本评估模型的拟合效果;模型集的构建方式分为两种:双窗口模型集和全时相模型集。
5.根据权利要求4所述的基于多情景模拟的像元尺度冬小麦单产遥感估算方法,其特征在于,袋外样本评估:利用袋外样本对随机森林模型集拟合效果进行评价,指标记为OOBSCORE,范围是0到1,越接近1表示模型精度越高。
6.根据权利要求4所述的基于多情景模拟的像元尺度冬小麦单产遥感估算方法,其特征在于,双窗口模型:通过构建窗口内所有日期组合的模型集,直接按照日期标签调用模型进行单产运算,无需重新构建模型;按照月份划分3月、4月、5月三个窗口,利用OOB SCORE对其两两组合构建的单产估算模型集进行精度评估,最终确定最佳窗口组合构建双窗口模型集。
7.根据权利要求4所述的基于多情景模拟的像元尺度冬小麦单产遥感估算方法,其特征在于,全时相模型:利用实验区内所有可用哨兵2影像的日期对模拟数据集进行随机森林回归,并用OOB SCORE对模型进行评价。
8.根据权利要求2所述的基于多情景模拟的像元尺度冬小麦单产遥感估算方法,其特征在于,在步骤(3)中,包括:
(3-1)将哨兵2影像的光谱信息转变为叶面积指数(LAI)来作为模型集的输入;
(3-2)运用Sentinel-2LAIgreen指数(SeLI)来反演实验区的叶面积指数(LAI),其中SeLI定义为:
其中:R865对应哨兵2中的植被红边波段B8a,R705对应于哨兵2中的植被红边波段B5;
(3-3)通过对比地面数据和SeLI的线性、指数和二阶多项式拟合结果,选择线性拟合,并用测试数据与该线性拟合得到的叶面积指数LAIgreen进行线性拟合;线性方程如下:
LAIgreen=5.405*SeLI-0.114 (2)
(3-4)把各区域计算的LAI分布图输入到单产模型集中便可得到对应的冬小麦单产,将各区域单产结果镶嵌拼接并利用冬小麦分布图进行掩膜即可得到整个空间分辨率的单产分布图。
10.根据权利要求1所述的基于多情景模拟的像元尺度冬小麦单产遥感估算方法,其特征在于,县级统计数据:利用县级统计数据对双窗口和全时相结果进行评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110564296.XA CN113361191B (zh) | 2021-05-24 | 2021-05-24 | 基于多情景模拟的像元尺度冬小麦单产遥感估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110564296.XA CN113361191B (zh) | 2021-05-24 | 2021-05-24 | 基于多情景模拟的像元尺度冬小麦单产遥感估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361191A true CN113361191A (zh) | 2021-09-07 |
CN113361191B CN113361191B (zh) | 2023-07-11 |
Family
ID=77527436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110564296.XA Active CN113361191B (zh) | 2021-05-24 | 2021-05-24 | 基于多情景模拟的像元尺度冬小麦单产遥感估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361191B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673490A (zh) * | 2021-10-21 | 2021-11-19 | 武汉大学 | 一种物候期自适应的作物生理参数遥感估测方法及系统 |
CN114009281A (zh) * | 2021-12-07 | 2022-02-08 | 中国农业大学 | 一种作物种植适宜性推荐方法 |
CN114091331A (zh) * | 2021-11-17 | 2022-02-25 | 中山大学 | 一种利用气象因子模拟林木展叶期的方法及系统 |
CN114128608A (zh) * | 2021-10-25 | 2022-03-04 | 塔里木大学 | 一种果园灌溉管理方法及系统 |
CN115600771A (zh) * | 2022-12-09 | 2023-01-13 | 中化现代农业有限公司(Cn) | 作物产量估测方法、装置、设备及存储介质 |
CN116976516A (zh) * | 2023-08-01 | 2023-10-31 | 中国科学院空天信息创新研究院 | 一种干旱地区作物单产早期预测方法 |
CN117907248A (zh) * | 2024-03-19 | 2024-04-19 | 中国水利水电科学研究院 | 一种冬小麦关键生育期根系土壤含水量遥感监测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070065857A1 (en) * | 2005-09-16 | 2007-03-22 | U.S. Environmental Protection Agency | Optical system for plant characterization |
CN103927558A (zh) * | 2013-12-09 | 2014-07-16 | 北京师范大学 | 一种软硬变化检测的冬小麦遥感识别方法 |
CN111062526A (zh) * | 2019-12-09 | 2020-04-24 | 北京师范大学 | 一种冬小麦单产预测方法及系统 |
CN111898922A (zh) * | 2020-08-10 | 2020-11-06 | 深圳市大德众和科技有限公司 | 一种多尺度农作物产量评估方法及系统 |
-
2021
- 2021-05-24 CN CN202110564296.XA patent/CN113361191B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070065857A1 (en) * | 2005-09-16 | 2007-03-22 | U.S. Environmental Protection Agency | Optical system for plant characterization |
CN103927558A (zh) * | 2013-12-09 | 2014-07-16 | 北京师范大学 | 一种软硬变化检测的冬小麦遥感识别方法 |
CN111062526A (zh) * | 2019-12-09 | 2020-04-24 | 北京师范大学 | 一种冬小麦单产预测方法及系统 |
CN111898922A (zh) * | 2020-08-10 | 2020-11-06 | 深圳市大德众和科技有限公司 | 一种多尺度农作物产量评估方法及系统 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673490A (zh) * | 2021-10-21 | 2021-11-19 | 武汉大学 | 一种物候期自适应的作物生理参数遥感估测方法及系统 |
CN113673490B (zh) * | 2021-10-21 | 2022-01-04 | 武汉大学 | 一种物候期自适应的作物生理参数遥感估测方法及系统 |
CN114128608A (zh) * | 2021-10-25 | 2022-03-04 | 塔里木大学 | 一种果园灌溉管理方法及系统 |
CN114091331A (zh) * | 2021-11-17 | 2022-02-25 | 中山大学 | 一种利用气象因子模拟林木展叶期的方法及系统 |
CN114009281A (zh) * | 2021-12-07 | 2022-02-08 | 中国农业大学 | 一种作物种植适宜性推荐方法 |
CN115600771A (zh) * | 2022-12-09 | 2023-01-13 | 中化现代农业有限公司(Cn) | 作物产量估测方法、装置、设备及存储介质 |
CN116976516A (zh) * | 2023-08-01 | 2023-10-31 | 中国科学院空天信息创新研究院 | 一种干旱地区作物单产早期预测方法 |
CN116976516B (zh) * | 2023-08-01 | 2024-03-15 | 中国科学院空天信息创新研究院 | 一种干旱地区作物单产早期预测方法 |
CN117907248A (zh) * | 2024-03-19 | 2024-04-19 | 中国水利水电科学研究院 | 一种冬小麦关键生育期根系土壤含水量遥感监测方法及系统 |
CN117907248B (zh) * | 2024-03-19 | 2024-05-28 | 中国水利水电科学研究院 | 一种冬小麦关键生育期根系土壤含水量遥感监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113361191B (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113361191A (zh) | 基于多情景模拟的像元尺度冬小麦单产遥感估算方法 | |
CN109829234B (zh) | 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法 | |
Usman et al. | Land use/land cover classification and its change detection using multi-temporal MODIS NDVI data | |
Huang et al. | Jointly assimilating MODIS LAI and ET products into the SWAP model for winter wheat yield estimation | |
Yuping et al. | Monitoring winter wheat growth in North China by combining a crop model and remote sensing data | |
Fu et al. | Estimating air temperature of an alpine meadow on the Northern Tibetan Plateau using MODIS land surface temperature | |
Vazifedoust et al. | Assimilation of satellite data into agrohydrological models to improve crop yield forecasts | |
Ma et al. | Estimating regional winter wheat yield by assimilation of time series of HJ-1 CCD NDVI into WOFOST–ACRM model with Ensemble Kalman Filter | |
Dall'Amico et al. | First results of SMOS soil moisture validation in the upper Danube catchment | |
CN106908415B (zh) | 一种基于修正ndvi时间序列的大区域农作物全生育期墒情监测方法 | |
Hazarika et al. | Estimation of net primary productivity by integrating remote sensing data with an ecosystem model | |
Wang et al. | Summer maize growth under different precipitation years in the Huang-Huai-Hai Plain of China | |
CN101858971A (zh) | 一种基于modis数据的水稻单产遥感估算方法 | |
CN108304973A (zh) | 基于积温、辐射和土壤含水量的区域作物成熟期预测方法 | |
CN104408258A (zh) | 融合环境因素的大尺度土壤有机碳空间分布模拟方法 | |
CN105912836A (zh) | 一种纯遥感数据驱动的流域水循环模拟方法 | |
CN103955860A (zh) | 一种基于集合卡尔曼滤波同化的区域作物估产方法 | |
CN111062526B (zh) | 一种冬小麦单产预测方法及系统 | |
CN107941713A (zh) | 一种基于耦合作物模型同化光谱反射率的水稻估产方法 | |
CN102722766A (zh) | 基于修订的区域气候模式数据的小麦产量预测方法 | |
CN110599360A (zh) | 一种干旱区农作物生长季蒸散发高分辨率遥感估算方法 | |
Gebremedhin et al. | Deriving potential evapotranspiration from satellite-based reference evapotranspiration, Upper Tekeze Basin, Northern Ethiopia | |
CN116628978A (zh) | 基于改进水分敏感确定网格化作物干旱脆弱性曲线的方法 | |
Samarasinghe | Growth and yields of Sri Lanka’s major crops interpreted from public domain satellites | |
Sus et al. | A data assimilation framework for constraining upscaled cropland carbon flux seasonality and biometry with MODIS |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |