农作物遥感估产研究进展

粮食作物的丰欠对国民经济影响很大,因而通过卫星遥感手段及时获得农作物的产量与面积信息,具有重要的政治意义和经济价值。本文总结了近十几年来国内外学者在遥感单产模式和作物面积信息提取方面的研究成果,提出了它们各自存在的优缺点及今后的发展方向。     

全球主要农作物产量气象卫星遥感监测和综合估产研究

由中国气象科学研究院主持，广东省气候研究所参加，经过两年多课题组科研人员的共同努力，“全球主要农作物产量气象卫星遥感监测和综合估产研究”项目于2005年9月11日通过了由中国气象局科技发展司组织的项目验收。主要研究成果如下：     

基于遥感数据与作物生长模型同化的冬小麦长势监测与估产方法研究

本文以LAI作为结合点，讨论了利用复合型混合演化（SCE—UA）算法实现CERES—Wheat模型与遥感数据同化的可行性。CERES—Wheat模型同化后主要生育期和产量的模拟值分别与真实条件下模型相应模拟值以及实测值进行比较。结果表明，同化后CERES—Wheat模型的模拟精度对LAI外部同化数据的误差并不十分敏感。并且在LAI同化数据较少时，也可获得较好的同化结果。这一特点体现了SCE—UA算法应用于同化过程的优越性，为同化策略在区域冬小麦长势监测及估产中的应用提供了基础。     

基于RS和GIS的农作物估产方法研究进展

实时获取农作物长势及产量等信息对于现代农业的发展具有重要意义。近年来,随着遥感技术(remote sensing,RS)和地理信息系统(geographic information system,GIS)广泛应用于农作物估产领域,相继出现了一些较为实用的估产方法,主要有结合辅助数据的估产方法、基于植被指数的估产方法、基于特定模型的估产方法和基于农作物估产平台(软件)的开发等。其中,基于植被指数的估产方法又分为单一和多植被指数估产2类方法。在对近年来该领域大量文献深入研究的基础上,着重就几类热点方法展开论述,并对每类方法的优势和缺陷进行了评述,最后对该领域需要进一步研究的方向进行了探讨和展望,以期为后续研究提供参考。     

利用双变量同化与PCA-Copula法的冬小麦单产估测

为了进一步提高冬小麦产量估测的精度,基于集合卡尔曼滤波算法和粒子滤波（particle filter, PF）算法,对CERES–Wheat模型模拟的冬小麦主要生育期条件植被温度指数（vegetation temperature condition index,VTCI）、叶面积指数（leaf area index, LAI）和中分辨率成像光谱仪（moderate-resolution imaging spectroradiometer, MODIS）数据反演的VTCI、LAI进行同化,利用主成分分析与Copula函数结合的方法构建单变量和双变量的综合长势监测指标,建立冬小麦单产估测模型,并通过对比分析选择最优模型,对2017—2020年关中平原的冬小麦单产进行估测。结果表明,单点尺度的同化VTCI、同化LAI均能综合反映MODIS观测值和模型模拟值的变化特征,且PF算法具有更好的同化效果;区域尺度下利用PF算法得到的同化VTCI和LAI所构建的双变量估产模型精度最高,与未同化VTCI和LAI构建的估产模型精度相比,研究区各县（区）的冬小麦估测单产与实际单产的均方根误差降低了56.25 kg/hm2,平均相对误差降低了1.51%,表明该模型能有效提高产量估测的精度,应用该模型进行大范围的冬小麦产量估测具有较好的适用性。