基于Sentinel-2多时相遥感影像的冬小麦区域产量估算.pdfVIP

中文摘要

基于Sentinel-2多时相遥感影像的冬小麦区域产量估算

中文摘要

冬小麦是我国最主要的粮食作物，及时准确地监测其生长状况并估算其单产，

可为其栽培管理提供科学依据，对保障国家粮食安全有着十分重要的作用。

Sentinel-2卫星与其它卫星相比，具有图像分辨率高，成本低等优势。叶面积指

数(LeafAreaIndex，LAI)与作物产量密切相关，是表征作物生长状况的关键参数。

在农作物LAI的反演中，通常采用以下几种方式：在遥感植被指数与实测LAI

之间线性或非线性相关性构建经验回归模型，从而反演区域作物LAI。LAI的田

间实测费时费力，且构建的经验模型仅适用于特定区域。本研究对作物生长模型

进行研究区域标定，构建遥感植被指数和作物生长模型模拟LAI间的回归模型，

能够有效地结合遥感观测和作物生长模型两种数据源的优势。现有的植被叶面积

指数遥感反演算法忽视了植被叶面积指数的时变特性。针对以上问题，本研究以

河南省为研究区域，开展基于多因子机器学习的LAI估算和基于特征优选的产

量估算研究，通过本项目的研究，形成一套适用于冬小麦叶面积指数和单产估算

的高精度算法。本文的主要研究内容和成果包括：

(1)基于多因子机器学习的冬小麦LAI估算方法。本项目拟以河南省为研究

区域，以Sentinel-2为数据源，结合CERES-Wheat模型，采用随机森林(RF)、反

向传播神经网络(BPNN)、偏最小二乘回归(PLSR)和支持向量机回归(SVR)方法构

建LAI的最佳遥感反演模型，并以该模型为依据，实现对该区域LAI的反演。

研究发现，在Sentinel-2多光谱遥感影像上，在红边865nm范围内，B8a波段与

2

冬小麦叶片面积指数的相关性最好，R为0.82；结果表明，在25种植被指数中，

DVI和LAI之间存在较好的相关关系，样本总的相关系数为0.793。其中，RF

2-2

模式的反演准确率和RMSE分别为0.83和0.99m*m.

(2)利用特征最优法估算冬小麦单产。为了探索在各个生育阶段中，不同的

参数特性对产量估计的影响，本项目将以RF组合LAI估计模型为基础，获取

研究区的冬小麦LAI数据，并使用TerraClimate数据集，得到小麦整个生育阶

1

山西师范大学硕士学位论文

段的月降水量、最高气温和最低气温数据，以此为特征变量，分析其对作物产量

的影响。然后通过OOB特征优选分析冬小麦各生育期对产量的影响，采用PLSR、

BPNN、RF方法和SVR方法构建冬小麦叶面积指数估算模型，在此基础上，建

立了一个具有多个生长阶段的作物产量预测模型。相对于单一生长期而言，产量

估算模型能够更好地反应有机质的累积情况，从而提高了产量估算模型的精度。

最终形成一套适用于冬小麦叶面积指数反演及单产遥感估算的精确、高效方

法。本论文将在此基础上，利用sentinel-2遥感影像，开展中大范围内的冬小麦

地上部叶面积指数及单产遥感评估，为我国冬小麦长势监测及单产评估工作提供

科学依据。

关键词：叶面积指数,冬小麦,产量估测,Sentinel-2,CERES-Wheat模型,气象,

机器学习,遥感

2

ABSTRACT

Regionalyieldestimationofwinterwheatbasedon

Sentinel-2multitemporalremotesensingimagery

ABSTRACT

Winterwheatisthemostimportantgraincropinourcountry.Monitoringits

growthstatusandestimatingitsyieldper