不同方法对冬小麦地块级估产的适用性研究

为了探究不同估产模型对冬小麦估产的精度和适用性,提高像元级和地块级冬小麦估产精度。利用机器学习方法支持向量机（SVM）模型、随机森林（RF）模型和深度学习方法长短期记忆（LSTM）模型,对冬小麦进行产量预估。结果表明：在像元级上,LSTM模型、RF模型估产精度高于SVM模型,LSTM模型不仅能够表征作物在生育期的生长变化,还能降低人为因素干扰,估产结果更加客观真实,而SVM模型、RF模型易受到特征共线性和过拟合的影响,因此SVM模型、RF模型更适用于区域性小范围估产。在地块级上,SVM模型、RF模型和LSTM模型地块级估产精度比像元级估产精度均有提高,且LSTM模型估产精度明显高于SVM模型和RF模型,因此LSTM模型更适用于地块级估产,且LSTM模型泛化能力强、普适性高,适用于大范围农作物估产。     

基于工作流的地理处理建模技术

通过对传统地理处理建模的分析以及工作流技术的研究,提出了基于工作流的地理处理建模方法,并通过实验室选址的实现验证了该方案具有可行性.