农业信息化课程论文

农业信息化课程论文-计科1201班-刘怡然-10

method developed at the University of Arizona）优化模型的待优化参数，得到参数的最优估计值，进而估算 2013、2014 和 2015 年玉米产量，结合玉米产量统计数据对同化估产结果进行验证。在此基础上，通过比较年际间及年内产量的时空变化，进一步探讨利用时间序列遥感信息与同化方法估算作物产量的能力，分析时间序列遥感数据在年内产量及年际间产量差估测过程中的作用。 3.2.3信息提取

随着玉米作物的生长，LAI 逐渐增大，且在玉米吐丝期达到最大，随后LAI呈逐渐减小的趋势。提取 2013、2014和2015年 DOY169、177、185、193、201、209、217、225、233、241共10次旱地作物覆盖的NBAR（nadir BRDF-adjusted reflectance）像元及亚像元的红光和近红外波段反射率，计算比值植被指数（ratio vegetation index，RVI）。RVI的计算公式为：

RVI?NIR/R

式中：NIR代表遥感近红外波段反射率，R代表红光波段反射率。 考虑到某些日期受天气等因素影响，难免存在质量不好的像元，导致时间序列 RVI 存在波动现象，利用S-G滤波（Savitzky-Golay）[9]对 RVI 进行平滑，得到 RVI 时间序列变化廓线。对玉米作物覆盖的像元（或亚像元）而言，时间序列 RVI 应该遵循玉米 LAI 的变化规律。旱地作物中玉米占相当大的比例，其吐丝期一般在 7 月下旬左右，因此，玉米作物覆盖的像元（或亚像元）RVI 应该也在 7 月下旬左右达到最大。如果旱地纯像元（或亚像元）RVI 遵从这一规律，则视为玉米覆盖的像元（或亚像元）。统计三年玉米覆盖的 MODIS 像元数、含有玉米信息的 MODIS 混合像元。利用MODIS数据估算的三年玉米种植面积和统计面积之间的相对误差，若其误差在 10%以内，说明了利用本文建议的方法估算玉米种植面积是可行的。 3.2.4模型与优化算法

CERES-Maize模型源自农业技术推广决策支持系统，是经过大量试验资料验证过的、动态的、机理性强的玉米作物生长模型，可以模拟土壤水分平衡、氮素平衡、物候发育和作物生长过程等。驱动CERES-Maize模型需要气象数据、土壤数据、作物管理数据和品种遗传参数。模型中气象数据包括日太阳辐射、日最高气温、日最低气温和日降水量，其中温度和降水数据来自于气象站点，太阳辐射由日照时数通过埃斯屈朗公式转换得到；土壤性质数据包括田间持水量、土壤容重、有机碳含量、土壤粒径百分比等描述土壤水文和化学的参数，将CERES-Maize 模型应用到区域尺度，需要对其进行区域校准，即对特定地区确定代表性品种的过程。目前大多数研究主要基于大量的地面观测数据，利用试错法校准作物生长模型。在区域尺度且地面观测数据较少的情况下，不适于应用试错法。考虑到一定地理范围内，受温度和日照条件影响，同种作物的种植习惯及生长发育过程均固定在一定时间段内。在CERES-Maize模型中，品种遗传参数幼苗期生长特性参数、光周期敏感参数、灌浆期特性参数和出叶间隔特性参数决定了玉米的生育时

9

农业信息化课程论文-计科1201班-刘怡然-10

期，单株最大籽粒数和潜在灌浆速率参数仅影响作物产量。选择某年为基准年，将种植日期、幼苗期生长特性参数、光周期敏感参数、灌浆期特性参数和出叶间隔特性参数分别在各自取值区间内均匀采样10000次，然后将不同的参数采样组合代入CERES-Maize模型进行模拟，判断落入到玉米合理生育时期的采样组合，经过反复试验，确定出满足榆树市玉米生育时期的遗传参数取值范围。将主推玉米品种最大籽粒数的平均值作为CERES-Maize 模型中单株最大籽粒数的取值，结合该年地面实测产量数据，在幼苗期生长特性参数、光周期敏感参数、灌浆期特性参数和PHINT取区间中值、单株最大籽粒数固定的情况下，模拟玉米产量，然后和地面实测产量相比较，当模拟和实测产量基本吻合时，潜在灌浆速率参数的取值作为该参数的校准值[8]。

SCE-UA 算法是在控制随机搜索方法和遗传算法基础上发展起来的，此外还引入了复杂形分割与混合的思想，通过采用竞争演化和复合型混合的概念，继承了全局搜索和复合型演化的特性。SCE-UA 算法灵活、应用面广泛，不拘泥于具体问题，对非线性优化问题能够获得准确的优化结果。代价函数的表达式如下：

J(x)?(x?xb)B(x?xb)??(yi?H(LAIi))TRi?1(yi?H(LAIi))

T?1i?1n 式中，J(x)为要求解的代价函数，向量x代表待优化参数的取值；向量xb代表待优化参数的数学期望值；B为向量x的误差协方差矩阵；i为遥感观测的次数；n为经质量控制后的总遥感观测次数；向量yi 为第i次遥感观测红光和近红外反射率数据，无量纲；Ri为向量yi的误差协方差矩阵；LAIi为CERES-Maize 模型模拟的第i次遥感观测时刻的LAI,m 2 /m 2；H(·)为SAIL模型；上标T表示矩阵的转置。

待优化参数包括种植日期、种植密度、光周期敏感参数、叶片红光和近红外波段反射率。其中，种植日期和种植密度的标准差根据当地玉米种植情况及实地调查情况确定；光周期敏感参数的标准差根据CERES-Maize模型区域校准及模拟情况给定；叶片红光和近红外波段反射率的标准差主要参考实地测量及中国典型地物波谱数据库中玉米组分波谱设定；遥感观测反射率的误差主要根据文献[9-10]设定；B和Ri均设为对角阵。选用SCE-UA优化算法求解式，优化成功后与最小代价函数值对应的种植日期、种植密度、光周期敏感参数、叶片红光和近红外波段反射率等 5 个参数取值称为“最优值”。将种植日期、种植密度和光周期敏感参数的“最优值”，连同其他输入参数一起输入到CERES-Maize模型，模拟得到数据同化后的产量结果。

10

农业信息化课程论文-计科1201班-刘怡然-10

4现有遥感估产方法存在的问题和发展方向

4.1遥感估产方法存在的问题

在政府部门的大力支持和众多学者的努力下，我国的作物遥感估产方法虽然建立了较好的理论与技术体系，取得了一定的研究与应用成果,但与发达国家相比,在应用的深度与广度上仍存在很大差距。

首先是遥感数据源的选取和精度的控制方面。现在用来进行估产的遥感影像主要有:NOAA/AVHRR、EOS/MODIS以及Landsat/TM影像等。高的遥感估产精度需要有高的空间分辨率，时间分辨率和光谱分辨率信息源的保障。由于受估产成本的限制，一般大范围农作物遥感估产多采用廉价的卫星数据，如NOAA/AVHRR、EOS/MODIS等资料。时间分辨率虽然很高，但相对的空间分辨率比较差,很难准确提取农作物的分布和面积信息。小范围的农作物遥感估产若采用价格较昂贵的卫星资料，如SPOT影像，空间上精度提高了，时间分辨率却降低了，不能对小麦等作物进行连续的观测监测，最终还是会影响估产精度。

其次，绝大部分作物遥感估产模型在小区试验中都能取得较高的精度，但其大面积估产时不能满足专业化要求。究其原因，这些遥感估产模型多是依据植被指数与农学参数间的相关性而建立的回归模型，具有很强的经验性，普适性较差。今后在作物遥感估产模型构建中，应考虑模型的机理性与普适性，以增强估产模型在区域间或年份间的通用性。

另外，缺乏可面向实际应用的遥感估产信息系统。遥感估产信息系统是对作物的整个生长过程进行系统监测和管理，利用程序语言工具，将遥感数据、地形数据、气象数据、品种资源数据和社会经济数据进行综合集成，可以实现数据管理、信息查询、长势分析、产量估测以及决策服务等功能的计算机信息管理系统。近年来，在作物遥感监测信息系统研制与开发方面取得一些进展，但不太成熟。

4.2遥感估产的发展方向

准确、迅速、全面的信息交流将是数字农业发展的必然趋势。将遥感技术和其他信息技术集成，建立面向农业生产的农作物估产信息系统，可以为粮食部门或农业生产管理者提供信息化、智能化的农情决策服务。

针对农作物遥感估产的研究现状和存在的一些问题，在遥感技术和相关信息技术的发展基础上，应加快农作物感估产的信息化集成应用的步伐，在以下几个方面开展研究：第一，利用现有的数据源提高估产精度；第二，利用数据反演综合气候环境因子进行农作物遥感估产；第三，极端气候条件下的产量评估；第四，开展遥感估产技术的信息化集成研究，提供专业化服务。

11

农业信息化课程论文-计科1201班-刘怡然-10

5结束语

遥感估产模型的构建是农作物遥感估产的核心问题。构建农作物遥感估产模型时，获取遥感信息作为输入变量，直接或者间接表达作物生长发育形成过程的影响因素或者参数，单独或者与其他非遥感信息结合，依据一定的原理和方法建立模型。

通过此次课程论文研究过程，我更加深刻地理解了这一过程。首先我理解了作物遥感估产的基本原理和方法，知道了遥感技术必须与其他技术结合才能更好地进行农业估产，我还了解到一些传统的遥感估产模型的优劣。在研究过程中，有很多参数和指标是我这个非专业学生所不知道的，导致模型看着非常复杂，无法理解，后期涉及到的优化算法更加令人费解，我已经尽力去理解了。通过此次结课论文的写作，我经历了了解一项技术的一般过程，能够比较清晰地理解和讲述这个技术。

在以后的学习中，这样的经历能让我更加容易地接受新的技术，新的事物，让我更有创新和探索精神。感谢老师给我这样的机会，感谢室友解答我的疑问。

12

农业信息化课程论文-计科1201班-刘怡然-10

参考文献

[1]Carlson T N,Ripley D A.On the Relationship between NDVI,Fractional Vegetation Cover,and Leaf Area Index[J].Remote Sensing of Environment,1997,62:241-252．

[2]Benedetti R, Rossini P. On the use of NDVI profiles as a tool for agricultural statistics: The case study of wheat yield estimate and forecast in Emilia Romagna[J].Remote Sensing of Environment, 1993,45:311-326.

[3]焦险峰,杨邦杰,裴志远,等．基于植被指数的作物产量检测方法研究[J].农业工程学报,2005,21(4):104-108.

[4]王培娟,谢东辉,张佳华,孙睿,等.BEPS模型在华北平原冬小麦估产中的应用[J].农业工程报,2009,25(10):148-153.

[5]张建华.作物估产的遥感——数值模拟方法[J].干旱区资源与环境,2000,14(6):82-86. [6]张东霞、张继贤，等.遥感技术在主要粮食作物估产中的应用[J].测绘科学,2014,39(11):95-103.

[7]何亚娟,汪庆发,裴志远,王连林,等.冬小麦产量分阶段预测模型[J].农业机械学报,2012,43(1):89-93.

[8]靳华安,王锦地,柏延臣,等.基于作物生长模型和遥感数据同化的区域玉米产量估算[J].农业工程学报,2012,28(6):163-173.

[9]李卫国,李正金,申双和.小麦遥感估产研究现状及趋势分析[J].江苏农业科学,2009(2):6-8.

[10]王东伟,王锦地,梁顺林.作物生长模型同化 MODIS 反射率方法提取作物叶面积指数[J].中国科学：地球科学，2010，40(1)：73－83.

[11]王东伟.遥感数据与作物生长模型同化方法及其应用研究[D].北京：北京师范大学地理学与遥感科学学院，2008.

13