中国主要农作物产量波动影响因素分析

为研究我国主要农作物(粮食、水果、油料、糖料和棉花作物)产量波动特征及相关影响因素,以我国1981 ～2010年主要农作物产量和种植面积资料为基础,同时利用4种方法对农作物单产进行趋势拟合与分解.结果表明:(1)近30年来我国农作物总产和单产都逐步提高,特别是水果产量的增长最快,其中柑橘单产年均增长率达7.09％;各类作物趋势产量也呈上升趋势;但气象产量波动剧烈,年际间缺乏连续性,其中水果气象产量波动幅度最大(柑橘为17.76％、苹果为15.83％).(2)作物总产的年际波动中,种植面积和单产因素的贡献率因作物类型不同而有所差异,其中粮食作物和水果总产波动的主要原因是单产波动,糖料作物和棉花产量波动主要因种植面积波动导致,油料作物总产的波动中单产和种植面积贡献相当.(3)各类作物单产年际波动均取决于气象因素,农业政策和科技进步等社会因素对单产年际波动的贡献较低.(4)作物趋势产量的4种拟合方法,其结果无显著差异.各影响因素对我国农作物产量波动的贡献率因作物类型不同而有所差异;重视作物单产提高、关注气候变化对农作物生产的影响是目前我国农业安全生产的重要任务.     

基于GIS的浙江省水稻遥感估产最佳时相选择

水稻遥感估产最佳时相选择应包括水稻种植面积估算最佳时相和水稻产量预报最佳时相两部分。在水稻遥感估产最佳时相选择中,由于首次引入GIS技术提取水稻可能种植区域,缩小了研究范围,植被种类也较简单一,因此仅用农作物物候历即可确定水稻种植面积估算最佳时相,而不需要考虑所有的植被类型。利用盆栽试验和小区试验研究水稻产量与不同时期的农学参数、农学参数与植被指数及水稻产量与植被指数的关系,结果表明,水稻产量与农业参数、农学参数与光谱变量的关系均以孕穗以抽穗期最好,水稻产量与光谱变量的关系则从分蘖盛期到抽穗期的极显著。因此,以孕穗期到抽穗期作为建立水稻遥感估产模型的最佳时期。再利用1998年各地的水稻发育期观测资料,确定各区水稻产量遥感最佳时相。     

基于作物生物量估计的区域冬小麦单产预测

基于2004年中国冬小麦主产区黄淮海平原典型区内石家庄、衡水和邢台3市45个县（市）83个地面典型样区冬小麦地面实测作物单产数据、光合有效辐射、光合有效辐射分量以及相应的气象和土壤湿度数据,建立了简化的冬小麦光能转化有机物效率系数模型,基于冬小麦关键生育期（3—5月）累积作物生物量并采用地面实测的冬小麦收获指数加以校正,建立了作物生物量与作物经济产量间的定量关系,预测了2004年河北和山东平原区235个县（市）的冬小麦单产,并依据国家公布的2004年各县冬小麦统计单产验证了估产的精度.结果表明：该模型预测的2004年研究区冬小麦单产的均方根误差（RMSE）为238.5 kg·hm^-2,平均相对误差为4.28%,达到了大范围估产的精度要求,证明利用以遥感数据估算作物生物量进而预测冬小麦单产的方法是可行的.     

基于叶面积指数反演的区域冬小麦单产遥感估测

利用定量遥感技术反演的叶面积指数（LAI）在中国北方黄淮海地区典型县市进行冬小麦单产预测研究.为提高数据质量和减少估产误差,利用Savitzky-Golay滤波技术降低云对NDVI数据的影响及数据缺失;通过冬小麦实测LAI进行时序内插,模拟得到实测点每日冬小麦LAI,继而获得实测点主要生育时期平均LAI;在此基础上,建立了冬小麦主要生育时期平均LAI与作物单产关系模型,改变目前利用生育时期内某一时间点LAI代替整个生育时期LAI的方法;在模型择优基础上,得到最佳遥感估产关键期--开花期LAI与单产统计模型;最后,利用MODIS-NDVI经验模型反演得到的开花期平均LAI进行2008年冬小麦单产预测.结果表明：与地面实测的冬小麦单产相比,研究区估产平均相对误差为1.21%,RMSE达到257.33 kg·hm^-2,可以满足大范围估产的要求.利用上述方法可以在研究区冬小麦收获前20～30 d进行准确的单产估计.     

基于MODIS-NDVI的区域冬小麦遥感估产——以山东省济宁市为例

以黄淮海平原冬小麦主产区山东省济宁市为研究实例,利用遥感方法,采用250 m分辨率经过Savitzky-Golay滤波技术平滑处理的MODIS-NDVI遥感数据对冬小麦产量进行预测.研究选取了冬小麦关键生育期内0.2～0.8范围的旬NDVI数据,并建立了其与冬小麦产量的关系.同时,采用逐步回归方法筛选建立冬小麦关键生育期旬NDVI与冬小麦产量间关系的估产模型.利用地面实测冬小麦产量数据,对所建的估产模型进行精度检验,结果表明,估产相对误差在-3.6％～3.9％之间.表明利用Savitzky-Golay滤波技术平滑后的作物关键生育期内MODIS-NDVI遥感数据进行冬小麦估产,其方法精度较高,具有一定的可行性.     

NDVI曲线与农作物长势的时序互动规律

利用气象卫星NOAA AVHRR资料,反演出农作物生育期内每日和旬度的NDVI数据,分析了NDVI时间曲线的波动与农作物生长发育阶段及农作物长势的响应规律,并以华北冬小麦为例,探讨了NDVI在冬小麦中生育期的积分值与农作物单产之间的相互关系。结果表明,利用长时间序列的NDVI数据,结合作物的物候历,可以实现作物长势的遥感监测和产量遥感估算。     

冬小麦单产的光谱数据估测模型研究

 本文在分析冬小麦群体经济产量与叶面积系数关系的基础上,以地面实测冬小麦反射光谱数据为依据,提出了一种新的动态VI-产量模型,即LAD-产量模型。该模型具有冬小麦生育后期(抽穗一灌浆末期)光合面积和光合时间等信息,其冬小麦单位面积产量(简称单产)估测精度为98%。另外,本文根据常用的某一特定生育期VI-产量模型,用冬小麦各生育期的VI值分别估测小麦单产,确定山东省禹城市冬小麦的灌浆中期为最佳估产时间。此时期．小麦单产估测精度为96%。     

作物光能利用效率和收获指数时空变化研究进展

1972年Monteith提出的光能利用效率模型是当前大多数作物生长和产量形成模拟研究以及遥感估产所采用的主要方法.光能利用效率(radiation use efficiency, RUE)和收获指数(harvest index, HI)是其中的两个基本参量.鉴于目前作物RUE和HI研究与应用中仍存在着一些问题,本文综述了相关研究进展,总结了不同尺度上作物RUE和HI的研究方法;介绍了当前遥感估产应用中对RUE和HI两个关键参数的处置概况;建议今后研究应在点尺度开展作物RUE和HI研究的基础上,寻求其在区域尺度上定量评估的可行性途径,切实有效地发挥作物RUE和HI研究在作物实际生产管理中和遥感产量估算方面的应用价值及潜力.     

基于GIS的黄淮海平原旱灾遥感监测研究——作物缺水指数模型的实现

研究黄淮海平原旱灾监测中作物缺水指数模型实现的方法,特蝇是以与遥感图象相同的分辨率来计算作物缺水指数采取的对气象数据,以及在ＧＩＳ的支持下,对矢量格式的地形图及遥感图象的不同处理,以实现图象、图形、数据的一体化。从而得到所需的研究区旱情分布图等不同形式的结果。实时监测表明：本文法精度高,可靠性强,基本上达到了准确、实时监测干旱的目的。     

RS,GPS和GIS集成系统在新疆北部天然草地估产技术中的应用进展

利用１９９１～１９９６年在新疆天山北坡不同草地类型上观测的草地可食产量,环境与遥感资料等,使用ＲＳ技术、ＧＰＳ和ＧＩＳ集成系统进行了多重相关分析和遥感估产技术的深入研究,并在图象处理、信息提取、信息应用和ＲＳ－ＧＰＳ－ＧＩＳ一体化估产方法及遥感知识与草原生态专业知识结合方面获得一定研究进展。研究结果表明,４个草地类型的可食鲜干草产量与两种遥感绿度值间存在着极显著相关性（Ｐ＜０．０１）,ｒ值均在０．６７９以上,且通过Ｆ检查和精度分析。一般在类型Ⅱ、Ⅲ和Ⅳ,是鲜草产量与ＲＶＩ相关性好于ＮＤＶＩ,而在类型Ⅰ则相反。进而从６种数学方程式中选优,建立了地学、光学和非线性遥感估产模型,并在实际估产中加以应用、检验和给出了生态学解释及机理分析,使大面积草地可食牧草遥感估产精度达到７５．８％以上,实现了遥感大面积估产目标和草地生态学意义及ＲＳ－ＧＰＳ－ＧＩＳ与草地专家系统一体化集成的应用。     

A deep learning approach to conflating heterogeneous geospatial data for corn yield estimation: A case study of the US Corn Belt at the county level

Understanding large‐scale crop growth and its responses to climate change are critical for yield estimation and prediction, especially under the increased frequency of extreme climate and weather events. County‐level corn phenology varies spatially and interannually across the Corn Belt in the United States, where precipitation and heat stress presents a temporal pattern among growth phases (GPs) and vary interannually. In this study, we developed a long short‐term memory (LSTM) model that integrates heterogeneous crop phenology, meteorology, and remote sensing data to estimate county‐level corn yields. By conflating heterogeneous phenology‐based remote sensing and meteorological indices, the LSTM model accounted for 76% of yield variations across the Corn Belt, improved from 39% of yield variations explained by phenology‐based meteorological indices alone. The LSTM model outperformed least absolute shrinkage and selection operator (LASSO) regression and random forest (RF) approaches for end‐of‐the‐season yield estimation, as a result of its recurrent neural network structure that can incorporate cumulative and nonlinear relationships between corn yield and environmental factors. The results showed that the period from silking to dough was most critical for crop yield estimation. The LSTM model presented a robust yield estimation under extreme weather events in 2012, which reduced the root‐mean‐square error to 1.47 Mg/ha from 1.93 Mg/ha for LASSO and 2.43 Mg/ha for RF. The LSTM model has the capability to learn general patterns from high‐dimensional (spectral, spatial, and temporal) input features to achieve a robust county‐level crop yield estimation. This deep learning approach holds great promise for better understanding the global condition of crop growth based on publicly available remote sensing and meteorological data.     

Selection Study of Optimum Temporal Remote Sensing Images for Vegetation Resources Inventory

Vegetation remote sensing data from sensor change with phenologyand the sun altitude angles. Therefore, the optimum temporal images must be selectedfrom different periods for vegetation studies. The season of the greatest vegetationreflection difference in the visible and near-infrared regions is the optimum temporalfor the vegetation classifying studies. The results indicate that the absolute difference and relative difference of plantspecies in reflectance axe the greatest in spring and early summer. Then the greatestnumber of crop types can be identified in the images. The autumn images are most suitable for identifying deciduous leaf vegetation, for the leaf pigments of all kinds appear at that time. Vegetation reflectances in MSS5 and MSS7 decrease with the decrease of the altitude angles of the sun. Therefore, appropriate images of the sun altitude angles must be selected for the study of vegetation. The author concludes that the optimum temporal images of remote sensing for vegetation studies in Hubei Province or north tropics are those taken in April, May and November.     

基于遥感与模型耦合的冬小麦生长预测

遥感的空间性、实时性与作物生长模型的过程性、机理性优势互补,将两者有效耦合已成为提高作物生长监测预测能力的重要手段之一。提出了一种基于地空遥感信息与生长模型耦合的冬小麦预测方法,该方法基于初始化/参数化策略,以不同生育时期的小麦叶面积指数(LAI)和叶片氮积累量(LNA)为信息融合点将地面光谱数据(ASD)及HJ-1 A/B CCD、Landsat-5 TM数据与冬小麦生长模型(WheatGrow)耦合,反演得到区域尺度生长模型运行时难以准确获取的部分管理措施参数(播种期、播种量和施氮量),在此基础上实现了对冬小麦生长的有效预测。实例分析结果表明,LNA较LAI对模型更敏感,以之作为耦合点的反演效果较好。另外,抽穗期是遥感信息与生长模型耦合的最佳时机,对播种期、播种量和施氮量反演的RMSE值分别达到5.32 d、14.81 kg/hm²、14.11 kg/hm²。生长模型与遥感耦合后的模拟结果很好地描述了冬小麦长势和生产力指标的时空分布状况,长势指标的模拟相对误差小于0.25,籽粒产量模拟的相对误差小于0.1。因此研究结果可为区域尺度冬小麦生长的监测预测提供重要理论依据。     

利用遥感光谱法进行农田土壤水分遥感动态监测

自 1 997年 4月至 1 998年 1 0月 ,在甘肃省定西县进行了大面积 0～ 5 0 cm土层农田土壤水分按每 1 5 d本底资料实际观测 ,对此间收到的 5幅 TM与 7幅 NOAA卫片数据资料进行了加工处理 ,并对地面光谱资料也进行了观测。在光谱反演与光谱和土壤水分相关性分析基础上 ,利用遥感技术和地理信息系统 ,初步建立了典型试验区 ( 3× 3km2 )遥感信息与土壤含水量之间的遥感光谱相关监测模型 ,做出了观测区土壤水分含量分布图和得到了大面积农田土壤水分宏观动态监测结果 ,并同地面实测土壤水分进行了精度校正。研究结果表明 ,文中提出的“光学植被盖度”概念 ,对土壤水分遥感监测研究是有益的 ,利用遥感光谱法和数学统计方法求出了有关物理参数 ,初步建立了 TM与 NOAA光谱水分监测模型 ,其模型监测 0～2 0 cm土层含水量的精度达到 90 %以上 ,实际监测土壤水分精度达到 72 .3% ;在遥感监测 2 0～ 5 0 cm土层土壤含水量中 ,利用遥感模型监测土壤水分精度达到 80 %以上 ,实际遥感监测精度达到 60 %左右 ,其结果可有效指导干旱半干旱雨养农业区春耕时间和动态监测大面积土壤墒情 ,可为农业生产提供科学依据。另外 ,经地面大量观测表明 ,一般来说 ,当土壤含水量为田间最大持水量的 5 5 %～ 85 %时 ,从生长状况和经济     

利用遥感技术实现作物模拟模型区域应用的研究进展

作物模拟模型从单点发展到区域应用时,模型中一些宏观资料的获取和参数的区域化方面出现困难,利用遥感技术将实现作物模拟模型的区域应用．文中综述了近年来遥感反演作物模型所需的地表生物物理参数的方法、利用遥感信息直接获取生物量的途径和遥感信息与作物模拟模型之间时空匹配问题等方面的研究概况,重点介绍了利用遥感技术实现作物模拟模型区域应用的3种解决方案(强迫型、调控型和验证型)及其研究进展,并讨论了目前存在的问题和今后研究的方向．     

Simple luminosity normalization of greenness, yellowness and redness/greenness for comparison of leaf spectral profiles in multi-temporally acquired remote sensing images

Observation of leaf colour (spectral profiles) through remote sensing is an effective method of identifying the spatial distribution patterns of abnormalities in leaf colour, which enables appropriate plant management measures to be taken. However, because the brightness of remote sensing images varies with acquisition time, in the observation of leaf spectral profiles in multi-temporally acquired remote sensing images, changes in brightness must be taken into account. This study identified a simple luminosity normalization technique that enables leaf colours to be compared in remote sensing images over time. The intensity values of green and yellow (green+red) exhibited strong linear relationships with luminosity (R2 greater than 0.926) when various invariant rooftops in Bangkok or Tokyo were spectralprofiled using remote sensing images acquired at different time points. The values of the coefficient and constant or the coefficient of the formulae describing the intensity of green or yellow were comparable among the single Bangkok site and the two Tokyo sites, indicating the technique's general applicability. For single rooftops, the values of the coefficient of variation for green, yellow, and red/green were 16% or less (n=6-11), indicating an accuracy not less than those of well-established remote sensing measures such as the normalized difference vegetation index. After obtaining the above linear relationships, raw intensity values were normalized and a temporal comparison of the spectral profiles of the canopies of evergreen and deciduous tree species in Tokyo was made to highlight the changes in the canopies' spectral profiles. Future aspects of this technique are discussed herein.     

Remote sensing imagery in vegetation mapping: a review

Aims Mapping vegetation through remotely sensed images involves various considerations, processes and techniques. Increasing availability of remotely sensed images due to the rapid advancement of remote sensing technology expands the horizon of our choices of imagery sources. Various sources of imagery are known for their differences in spectral, spatial, radioactive and temporal characteristics and thus are suitable for different purposes of vegetation mapping. Generally, it needs to develop a vegetation classification at first for classifying and mapping vegetation cover from remote sensed images either at a community level or species level. Then, correlations of the vegetation types (communities or species) within this classification system with discernible spectral characteristics of remote sensed imagery have to be identified. These spectral classes of the imagery are finally translated into the vegetation types in the image interpretation process, which is also called image processing. This paper presents an overview of how to use remote sensing imagery to classify and map vegetation cover.Methods Specifically, this paper focuses on the comparisons of popular remote sensing sensors, commonly adopted image processing methods and prevailing classification accuracy assessments.Important findings The basic concepts, available imagery sources and classification techniques of remote sensing imagery related to vegetation mapping were introduced, analyzed and compared. The advantages and limitations of using remote sensing imagery for vegetation cover mapping were provided to iterate the importance of thorough understanding of the related concepts and careful design of the technical procedures, which can be utilized to study vegetation cover from remote sensed images.     

遥感技术在鸟类生态学研究中的应用

获取鸟类活动及生境信息是鸟类生态学研究的基础, 而遥感技术弥补了传统野外调查方法的缺陷, 提供了获取多种信息的新途径。应用遥感技术的鸟类生态学研究热点从最初的种群行为观察, 到栖息地选择, 再到生境适宜性、破碎化及人为干扰探究等, 随着技术的不断发展也在扩展和变化。不同波段或组合下的遥感技术各有所长。光学遥感应用广泛, 尤其是信息量较大的红外波段图像和作为野外鸟巢及物种活动监测常用工具的红外相机; 多光谱图像常用于栖息地制图以及地物识别, 高空间分辨率的数据甚至可对鸟类种群进行直接计数; 高光谱数据则可对光谱特征相似的地物进行更为精确的区分和反演; 激光雷达遥感主要用于栖息地植被结构的三维探测, 为了解鸟类栖息地选择提供更好的依据。微波遥感在飞鸟探测上应用颇多, 近年来多极化数据在复杂栖息地精确制图上也具有优势, 但成本较高、解译复杂且推广度较低。在实际应用中, 遥感数据时空尺度的选择会影响研究结果, 部分遥感反演参数也缺乏生态学意义。多源遥感数据的结合应用能够提升制图分类的精度, 实现数据的时空分辨率互补, 优化鸟类生态研究所需参数。未来的遥感技术在鸟类生态学中的应用应致力于提供更加明确的光谱信息、相对简便的解译方法, 以及更为合理的多源数据组合方式等。     

基于光谱信息的作物氮素营养无损监测技术

氮素是作物生长发育和产量品质形成所必需的营养元素。快速、无损、准确地监测作物氮素状况,对于诊断作物生长特征、提高氮肥运筹水平和利用效率、降低过量施氮带来的农田环境污染,深入开展精确农业和数字农业的研究与应用具有重要意义。本文围绕作物氮素特征光谱产生的机制、反射光谱对氮素营养的响应及光谱指数的生理意义等解析了作物氮素营养光谱无损监测的技术机理,阐明了作物氮素监测的光谱学和生理生态学基础,进而概述了国内外有关作物反射光谱获取及叶片、冠层和空间水平上氮素营养光谱监测的研究进展。针对作物氮素营养监测亟待解决的问题和作物生产需求,提出今后进一步研究的领域应重点围绕氮素生化组分的监测方法、氮素监测模型的普适性、氮素监测仪的开发、地空遥感信息的融合、遥感与其他技术的集成等方面。