基于RS和GIS的農作物估產方法研究進展

胡瑩瑾, 崔海明

(河北旅游職業學院,承德 067000)

0 引言

現階段,對農作物產量的估算方法大體上有農業氣象預報方法、基于農學理論的預報方法、統計方法以及基于遙感(remote sensing,RS)和地理信息系統(geographic information system,GIS)的估產方法等4類[1-3]。其中，基于RS和GIS的估產方法能夠實現對農作物大面積實時化高精度估算，相對于傳統估產方法具有實時、準確的優勢，近年來得到了大量的研究應用。國際上在該領域的代表性研究有20世紀70年代美國開展的“大面積農作物估產實驗”(large area crop inventory experiment,LACIE)計劃[4]和20世紀90年代歐盟開展的遙感數據應用于農業統計的十年研究項目(monitoring agriculture with remote sensing,MARS)計劃[5]。本文在對近年來該領域大量文獻深入研究的基礎上，對結合輔助數據的估產方法、基于植被指數的估產方法、基于特定模型的估產方法以及基于估產軟件(平臺)的研發等幾類主要的估產方法的優勢和缺點進行論述，并對該領域的研究方向進行了展望，以期為后續研究提供參考。

1 結合輔助數據的估產方法

1.1 空間數據倉庫估產方法

空間數據倉庫(spatial data warehouse,SDW)[6]是GIS與數據倉庫技術有機結合的產物，通過對海量數據進行統一的格式轉換、存儲和集成操作，為特定主體的應用提供數據支持、決策和分析。SDW主要特征有：

1)數據量大。該類數據來源，一是基于“3S(GPS,RS,GIS)”所獲取的實時化海量數據，二是統計調查數據、時間序列和空間序列數據。

2)數據具增值功能。對于不同格式的數據能進行統一變換，并且對于大量冗余信息能進行相應的去除，從而保持數據的現實性和實用性，為空間信息應用提供高質量的數據。

3)高度集成化。SDW采用統一的命名規則和編碼結構，能對GIS的各項功能進行高度的集成化處理，消除各類原始數據間所存在的矛盾。

4)應用領域廣。從本質上說，SDW是一個分析決策平臺，數據的來源及其類型決定了平臺的應用對象，因此隨著數據量的日益豐富，該平臺的應用領域正在不斷拓寬。

李宏麗等[7]將空間數據倉庫技術應用到農作物估產領域，取得的研究成果具有以下特點： ①海量數據集成，將基礎地理數據、作物種植數據、地面觀測數據以及經濟部門的各類統計數據和媒體數據進行有效集成； ②建立多維化數據模型，該模型包括氣象信息、地面信息、時間信息、作物類型、區域信息、土地類型、空間度量、遙感信息、單位產量、總產量等10個數據指標； ③預測的針對性和靈活性強，在實際應用中模型可根據具體需要，在上述10個指標中針對性地選擇若干個指標，即可獲得所需的預測結果，十分方便靈活。

1.2 動態窗口數據估產方法

該類方法的基本思路是，通過對待估產地域農作物種植區域的有效分類，以估計不同作物的種植面積，實現對作物產量的精確估計。通過選取具一定代表性的樣方，對樣方中的作物類型、種植面積比例等數據進行統計，再將統計結果視作待估產區域的統計值，因此要求樣方的選取必須具有很強的代表性。樣方的尺寸、形狀以及數量等因素制約著作物估產的最終精度。針對樣方的選取問題，馬麗等[8]采用SPOT5遙感影像數據，選取大小為500 m×500 m的樣方作為研究對象，通過實地調查獲得樣方中花生、玉米、水稻等作物的種植面積等信息，再用決策樹分類法實現對全區域玉米種植區信息的提取，最終實現對玉米產量的精確估計。該方法優勢在于： ①通過野外調查獲取第一手數據，將其視作統計數據和估產的輔助數據，比較真實可靠； ②借助遙感分類方法，實現對待估產作物種植區域的精確提取，排除了其他作物的干擾，針對性強。但該方法所獲取的輔助數據畢竟來源于所選樣方，由于樣方區域數量有限性，僅能大體上代表整個研究區域的作物特征信息，這在一定程度上限制了該方法的應用。受上述方法啟發，韓松等[9]提出了一種基于地塊窗口數據的遙感估產方法。該方法以行政村作為地塊窗口范圍，通過實地調查的方法獲取該區域中作物類型及種植面積比例，同時利用TM遙感影像進行非監督分類，獲取區域內土地利用類型和各類作物種植面積信息。在此基礎上借助研究區域統計年鑒數據建立估產模型，實現了對該區域中玉米和花生產量的估算。該方法中農作物總體種植面積是通過TM影像分類獲得的，由于分類過程中對于各類土地類型進行過合并取舍處理，所獲取的作物種植面積與真實情形存在一定的差異，成了制約該方法估產精度的一個重要因素。

2 基于植被指數的估產方法

2.1 基于單一植被指數估產方法

2.1.1 歸一化植被指數估產

植被指數反映了綠色植物的葉子、植被冠層在不同生長階段的光譜特征，通過與作物產量建立回歸估算模型，是目前農作物產量估算的主流研究方法。劉姣娣等[10]采用歸一化植被指數(normalized diffience vegetation index,NDVI)以及比值植被指數(ratio vegetation indix,RVI)對新疆棉花產量進行了預測。該研究的側重點在于： ①棉花最佳估產時期的確定，通過對棉花在各個時期內光譜反射率的定量比較，確定了棉花在生鈴期為最佳估產時期； ②植被指數的選擇，通過與南疆、北疆棉花在5個時期內所獲得的RVI，NDVI值與產量進行定量比較，采用相關性較高的NDVI值進行預測； ③多類預測模型的建立，采用棉花5個生長時期的NDVI值與實際產量進行回歸分析，建立了冪函數、二次多項式函數、指數以及對數函數等4類回歸模型，從而得出了各品種棉花估產的不同估算期。此外，賀振[11]、解文歡[12]及白文龍[13]等也采用該方法分別對河南和黑龍江部分地區的農作物進行了估產研究。

2.1.2 增強型植被指數估產

農作物在不同的生長階段對應的植被指數呈現不同的特征。如水稻在生長過程中，特別是在抽穗期由于冠層被水稻幾乎完全覆蓋，NDVI容易出現飽和現象； 而增強型植被指數(enhanced vegetation index，EVI)由于引入了藍光波段，能有效克服上述飽和現象，降低大氣以及氣溶膠等因素的干擾，因而成為研究水稻估產的理想工具。相對于其他遙感數據而言，MODIS數據具有獲取成本低、實時性等特點，彭代亮等[14]提出了一種基于MODIS數據的EVI水稻產量估算方法。該方法主要步驟有： ①采用2005年1∶10 000比例尺土地利用現狀圖提取水稻種植區域，并將提取結果近似作為研究區域的水稻種植面積； ②計算2005—2007年3 a內水稻5個生長期間內的EVI均值AEVI(average EVI)； ③將AEVI分別與水稻種植面積進行線性回歸建立產量預測模型。該方法的缺陷在于僅僅采用了3 a的水稻種植面積數據，忽略了研究區域長時間段內水稻種植面積的變化量，而且也未考慮氣候、土壤等因素的影響，因此該預測模型要達到大面積推廣應用的程度，還有很多工作要做。

2.1.3 溫度植被角度指數估產

目前遙感估產的主要方法是采用農作物近紅外波段的波譜指數來建立估產模型。該類方法忽視了地標溫度對于農作物產量的影響。若將該因素考慮到估產模型中，無疑會提高模型的準確性。發自這樣的設想，Moran等[15]將溫度因素與光譜植被指數相結合，基于蒸散量進行了農作物估算研究，并建立二者的定量函數關系模型。Lambin等[16]將溫度因素與NDVI相結合，對非洲土地覆蓋變化規律進行研究，取得了較好效果。但目前基于溫度因素的估產方法研究還較少，為此，林文鵬等[17]在充分發揮MODIS數據的時間分辨率優勢的基礎上，綜合了傳統植被指數與溫度因素的關系，定義了溫度植被角度指數(temperature vegetation angle index,TVAL)和增強型溫度植被角度指數(enhanced TVAI,ETVAI)2類新型植被指數，實現了對河北邢臺地區冬小麥的產量估算。其結果表明，相對于NDVI和EVI，該方法的估算效果更優，提高了估產模型的精確性。

2.2 基于多植被指數估產方法

植物在可見光以及近紅外波段譜反射特性都可以通過各類植被指數體現，但各類植被指數由于特點不同，所反映的植物的生產發育情形也有所側重。若能綜合幾類植被指數的特點與產量建立回歸模型，理論上能夠提高產量預測的精度。基于這樣的設想，郭熙等[18]提出了一種基于TM影像的多植被指數的水稻產量估算方法。該方法通過對研究區域抽取20個樣點，獲取各樣點水稻產量實測數據，并進行GPS測量； 然后通過軟件計算出樣點中5種植被指數，即比值植被指數(RVI)、差值植被指數(different vegetation index,DVI)、歸一化植被指數(NDVI)、綠度植被指數(green vegetation index,GVI)和土壤調節植被指數(soil adjusted vegetation index,SAVI)的數值； 最后對各植被指數值與產量建立一元二次方程和指數方程，通過相關性的比較分析，選用相關程度最好的基于NDVI的一元二次預測模型作為最終的水稻預測模型。研究結果表明，該模型獲得了較高的預測精度。該方法最大特色在于引入了多類植被指數參與模型建立，但不足之處也是明顯的： ①該方法采用TM影像解譯方法獲得水稻種植面積值，沒有有效地解決混合像元問題，因而所獲得的種植面積誤差較大； ②盡管引入多類植被指數，但其在研究中的作用僅作為相關性的比較，并未有效顯示出各植被指數的特點； ③建立一元二次方程和指數方程模型時盡管依據相關性最大原則，選取基于NDVI的一元二次模型作為最終預測模型，但一般來說作物在不同的生產期中相關性是不斷變化的，并且僅憑相關性這一指標就判斷回歸模型的優劣，難以令人信服。

對上述存在的問題，學者們也做了一些工作。程乙峰等[19]提出一種基于葉面積指數(leaf area index,LAI)以及NDVI的棉花估產方法。該方法的特點有： ①將LAI和NDVI均作為自變量與棉花產量建立回歸模型，可以充分利用二者的特點，使回歸模型能最大限度地體現棉花生長特性； ②給出了棉花在花蕾期、花鈴期以及吐絮期的回歸模型，研究表明在花鈴期預測精度最高，其次是花蕾期和吐絮期。但該研究中回歸模型較為單一，基于線性回歸模型的花鈴期棉花預測精度最高，而這樣的精度是否也適合非線性回歸模型，仍需要進一步討論。對此，張艷楠等[20]對多植被指數在草原生物量估算方面進行了研究，采用14類植被指數對草地生物量(鮮重、干重)建立了4類回歸(線性、對數、冪、指數)模型。研究結果表明，當生物量最低時，采用一元線性回歸模型效果較好； 當生物量持續增大時，可結合一元線性模型與指數模型進行預測； 當生物量較大時，可采用指數模型進行預測產量。

總體上說，現有的估測方法僅對一定區域內單一作物(如玉米、水稻)等進行產量估算，而事實上，研究區域內往往存在2類甚至更多類植物，如何對混播植物的產量以及總產量分別加以估算是該領域的一個難題。對此，王建光等[21]針對草地中苜蓿和無芒雀麥混播情況下估產方法進行了研究，設計出4類新型植被指數，并結合已有的9類植被指數，在高光譜遙感數據的支持下，分別建立了苜蓿產量估算模型、無芒雀麥產量估算模型以及總產量估算模型。該項研究對于混播農作物的產量估算，提供了一個新的研究方向。

3 基于特定模型的估產方法

3.1 過程模型估產方法

植被純第一性生產力(net primary productivity,NPP)[22-23]指標反映的是農作物在成長過程中在一定時間、一定面積內的所有有機物含量的綜合。作為農作物的產量則是NPP的一個部分，兩者聯系緊密，因此，通過采用特定模型來對NPP進行估算，為農作物產量估算提供了新的思路。現有的計算NPP模型計算法主要有： 統計模型法(statistical model method)、過程模型法(process based model method)以及參數模型法(parameter model method)[24]，其中，過程模型法由于充分考慮了農作物的生理特征等因素，計算得的NPP更符合實際情況，從而應用最為廣泛。CASA(carnegie ames stanford approach)模型是過程模型的一類，該模型認為NPP計算結果依賴于農作物吸收的光合有效輻射量以及其光能轉化率2個參數。宋富強等[25]對CASA模型稍加改進，在MODIS數據和大量氣象、土地利用現狀數據的支持下，實現了對河南省2010年冬小麥產量的準確估算，建立了NPP與小麥產量的轉換模型。但該研究不足之處在于，采用的土地利用數據為2000年左右數據，由于在這10 a之間，土地利用發生較大變化，采用較陳舊數據作為輔助數據估算，精度勢必會受到影響。

3.2 WOFOST模型估產法

遙感技術的深入發展為基于模型的農作物估產方法提供了大量實時、精確的數據，給該類方法的發展注入了活力。PyWOFOST模型是通過將WOFOST(world food study)模型與Python編譯器進行無縫集成而形成的作物估產模型，適合于概率集成建模以及各類復雜參數的優化等分析操作。遙感技術與該類估產模型的有機結合主要通過以下2種方法： ①采用驅動結合法將大量遙感數據直接輸入到估產模型中，通過相關計算獲得估產結果； ②采用同化結合法，根據具體情形有針對性地修改和調整模型中的相關參數，并選用與農作物產量密切相關的數據輸入其模型中，從而完成產量的計算。顯而易見，后一種方法更為理想，也是目前研究的主要方向。但該類估產模型也存在著不確定性，包括模型數據(遙感數據、氣象數據及土壤數據等)的不確定性，以及在不同時期、不同地點各類數據對最終產量影響的不確定性等。基于此，陳思寧等[26]將卡爾曼濾波方法引入到PyWOFOST模型中，并結合LAI、相關氣象和遙感數據，在進行相關數據同化的基礎上，研究了該類模型對于東北地區玉米估產的精確性。研究結果反映出該類模型的估產精度與實測值較為吻合。但采用該模型實現對大范圍的農作物估產，大量基礎數據的獲取仍然是一個棘手問題。

遙感技術與WOFOST相結合，通過反演作物LAI值實現對作物產量的估測，但當遙感數據某些技術指標不夠理想時，采用該方法估測出的產量與實測值間的誤差勢必會較大。為此，黃健熙等[27]通過研究，提出了一種基于低分辨率遙感數據與WOFOST模型相結合的小麥產量預測方法。該方法的主要步驟有： 首先，用實測的小麥LAI來修正基于MODIS遙感影像數據獲得的LAI； 然后，采用WOFOST模型模擬LAI，并通過采用集合卡爾曼濾波算法(ensemble kalman filtering，EnKF)對修正后的MODIS的LAI進行同化； 最后，將同化后的LAI驅動WOFOST模型，實現對小麥產量的測算。該方法為低分辨率遙感數據應用于農作物產量的精確估算提供了一個較好思路。但該方法僅計算出了LAI，僅憑LAI估算作物產量難免與現實存在一定的誤差。如能夠采用多源的遙感數據對作物的多個變量(LAI、土壤水分等)進行反演，必將有助于提高作物產量的遙感估測精度。

3.3 BEPS 模型估產法

北部生態系統生產力模擬模型(boreal ecosystem productivity simulator,BEPS)是由Running等[28]在FOREST-BGC(forest biogeochemical cycles)模型的基礎上發展而來。該模型對于由能量傳輸、碳循環、水循環以及生理調節等4類子模型構成，首先被用于模擬加拿大北方生森林生態系統生產力，后來陸續應用于陸地生態系統生產力的模擬研究。基于BEPS模型的農作物估產需要解決2個關鍵問題： ①如何改變傳統BEPS模型中籠統地將森林冠層劃分為受光和背光兩類葉片； ②如何將農作物的NPP值有效地轉變成作物的產量。對此，王培娟等[29]進行了相關研究，通過將傳統的BEPS模型中兩片大葉模型改成多層—兩片大葉模型； 采用收獲指數(harvest index,HI)將作物NPP換算成作物產量，從而實現了對華北冬小麥產量的精確估算。

3.4 支持向量機估產模型

支持向量機(support vector machine,SVM)方法作為一種新型統計機器學習方法近年來在農業病蟲害監測、農產品識別以及農業估產方面日漸得到研究應用。SVM主要分成支持向量機分類(support vector machine classification,SVC)和支持向量機回歸(support vector machine regression,SVR)2類。針對傳統估產方法如人工神經網絡實現農業估產受到各類因素制約，估產效果不理想的狀況，黎銳等[30]將SVR方法引入到農業估產領域，通過SVR方法構建估產模型，采用Landsat TM影像生成NDVI對北京郊區冬小麥進行產量估算。研究結果表明，該方法估測結果優于多元回歸法，精度較高。

4 基于農作物估產軟件(平臺)的研發

以上探討的各類農作物估產方法，在相關研究中取得了較為理想的效果，但這些方法大多局限于學術層面的研究和小區域實驗。要真正實現對農作物估產的產業化，推動我國農作物估產能力的整體提升，有必要基于相關平臺開發估產軟件，將現有的估產方法進行分類篩選，并有機集成到估產軟件中去，其意義將十分重大。但由于系統開發難度較大，加之相關估產方法還未十分成熟，近期難以進行產業化推廣，此項工作任重而道遠。目前基于農作物估產軟件開發的相關研究進展不是很顯著，其中熊勤學等[31]的研究較有代表性，在交互式開發語言(interactive data langue,IDL)支持下，運用ION(IDL on internet)技術，開發了基于Web的農作物遙感估產軟件。該系統主要具備數據分析和處理2大功能，雖然整體上仍不夠完善，距離大規模普及應用還有相當一段距離，但該研究已提供了一個整體框架，在某種程度上起到了“開拓和示范”性的作用。

5 結論與討論

綜合以上分析，基于RS和GIS的農作物估產方法的研究盡管取得了較大進展，但存在的問題不容忽視。筆者認為，在今后的研究中可在以下方面多做工作：

1)重視數據的來源和實時性問題。實現對農作物產量高精度估算要依賴于數據。相關的數據一方面來源于遙感數據，目前應用較多的有Landsat和MODIS等影像數據，由于各類遙感影像數據分辨率、成像周期等的差別，在實際應用中，要在考慮經濟成本的同時選用技術指標合適的遙感數據； 另一方面要依賴于已有的大量統計資料和豐富的實測數據(如土壤水分、作物種植面積等)，這樣估算結果才可能精確可靠。

2)農作物估產模型有待于進一步細化。現有的各類估產模型大多側重于一類或少數影響因素來進行作物產量估算。事實上，影響作物產量的因素繁多，如土壤、氣候及溫度等因素，盡管現有的某些估產模型可以獲得較理想的精度，但如果能綜合考慮多種影響因素進一步細化，無疑對提高農作物估產精度，是大有裨益的。

3)估產方法的普適性需要進一步論證。本文所論述的各類估產方法，雖然對于一定區域的農作物的產量取得了較高精度的估算，但仍存在如下主要問題： ①各類估產方法有區域性限制，在研究區以外地區某方法是否也具有同樣的精度，需要進一步論證; ② 受作物種類的限制，多數估產方法僅對一類作物(如小麥，水稻等)適用。雖然不同作物種類的生長特點存在較大差異，但在上述估產方法基礎上找到對于多類作物產量均有較好估算精度的、普適性強的方法，是完全有可能的，當然還需要進行深入的論證和研究。

4)加速農作物估產軟件系統的開發。農作物估產方法研究的終極目標在于產業化的推廣應用，因此，該領域研究的落腳點應該是各類方法的篩選、集成、軟件系統開發和應用推廣上。為此，需要各相關部門的全力支持和廣大科研人員的不懈努力。

參考文獻(References)：

[1] 李衛國,李正金,申雙和.小麥遙感估產研究現狀及趨勢分析[J].江蘇農業科學,2009(2):6-7,27.

Li W G,Li Z J,Shen S H.Analysis on the research present situation and trend of remote sensing in wheat yield estimation[J].Jiangsu Agriculture Science,2009(2):6-7,27.

[2] 王延頤,高慶芳.稻田光譜與水稻長勢及產量結構要素關系的研究[J].國土資源遙感,1996,8(1):51-55.

Wang Y Y,Gao Q F.The relationship between spactrum in paddy fields and rice growth and yield coponents[J].Remote Sensing for Land and Resources,1996,8(1):51-55.

[3] 趙銳,湯君友,何隆華.江蘇省水稻長勢遙感監測與估產[J].國土資源遙感,2002,14(3):9-11.

Zhao R,Tang J Y,He L H.A discussion on growing state survey and yield estimation of paddy in Jiangsu Province by means of remote sensing[J].Remote Sensing for Land and Resources,2002,14(3):9-11.

[4] 劉海啟.美國農業遙感技術應用狀況概述[J].中國農業資源與區劃,1999,20(2):56-60.

Liu H Q.Applications of remote sensing in agriculture in the United States[J].Journal of China Agriculture Resources and Regional Planning,1999,20(2):56-60.

[5] 李佛琳,李本遜,曹衛星.作物遙感估產的現狀及其展望[J].云南農業大學學報,2005,20(5):680-684.

Li F L,Li B X,Cao W X.Status and prospect of crop-yield assess by remote sensing[J].Journal of Yunnan Agricultural University,2005,20(5):680-684.

[6] 蘇天赟,崔愛菊,梁瑞才,等.海洋地球物理空間數據倉庫系統的設計與實現[J].地球物理學進展,2011,26(4):1478-1484.

Su T Y,Cui A J,Liang R C,et al.Design and development of marine geophysics spatial data warehouse systems[J].Progress in Geophysics,2011,26(4):1478-1484.

[7] 李宏麗,彭沛全,方立剛.基于空間數據倉庫的農作物估產研究[J].農機化研究,2007(3):162-164,167.

Li H L,Peng P Q,Fang L G.Research of crop yield estimation based on spatial data warehouse[J].Journal of Agricultural Mechanization Research,2007(3):162-164,167.

[8] 馬麗,顧曉鶴,徐新剛,等.地塊數據支持下的玉米種植面積遙感測量方法[J].農業工程學報,2009,25(8):141-151.

Ma L,Gu X H,Xu X G,et al.Remote sensing measurement of corn planting area based on field-data[J].Transactions of the CSAE,2009,25(8):141-151.

[9] 韓松,賀立源,黃魏,等.地塊窗口支持下作物的遙感估產[J].華中農業大學學報,2011,30(2):206-209.

Han S,He L Y,Huang W,et al.Remote sensing yield estimation of crop based on field window[J].Journal of Huanzhong Agricultural University,2011,30(2):206-209.

[10]劉姣娣,曹衛彬,李華,等.基于植被指數的新疆棉花遙感估產模型研究[J].石河子大學學報:自然科學版,2011,29(2):153-157.

Liu J D,Cao W B,Li H et al.The research of cotton yield estimation based on vegetation index using remote sensing in Xinjiang[J].Journal of Shihezi University:Natural Science,2011,29(2):153-157.

[11]賀振,賀俊平.基于NOAA-NDVI的河南省冬小麥遙感估產[J].干旱區資源與環境,2013,27(5):46-52.

He Z,He J P.Estimation of winter wheat yield based on the NOAA-NDVI data[J].Journal of Arid Land Resources and Environment,2013,27(5):46-52.

[12]解文歡,張有智,吳黎.基于植被指數對望奎縣糧食作物產量預測方法研究[J].黑龍江農業科學,2011(4):113-115.

Xie W H,Zhang Y Z,Wu L.Forecast methods of crop production in Wangkui County based on the normalized difference vegetation index[J].Heilongjiang Agricultural Science,2011(4):113-115.

[13]白文龍,張福平.基于SPOT VGT/NDVI的陜西省關中地區冬小麥遙感估產[J].資源開發與市場,2012,28(6):483-485,528.

Bai W L,Zhang F P.Estimation of winter wheat yield in Guanzhong area of Shaanxi Province using SPOT VGT/NDVI[J].Resource Development and Market,2012,28(6):483-485,528.

[14]彭代亮,黃敬峰,孫華生,等.基于Terra與Aqua MODIS增強型植被指數的縣級水稻總產遙感估算[J].中國水稻科學,2010,24(5):516-522.

Peng D L,Huang J F,Sun H S,et al.County level rice yield estimation based on combination of Terra and Aqua MODIS EVIS[J].Chinese Journal of Rice Science,2010,24(5):516-522.

[15]Moran M S,Clarke T R,Inoue Y,et al.Estimating crop water deficit using the relation between surface-air temperature and spectral vegetation index[J].Remote Sensing Environment,1994,49(3):246-263.

[16]Lambin E F,Ehrich D.The surface temperature-vegetation index space for land cover and land-cover change analysis[J].International Journal of Remote Sensing,1996,17(3):463-487.

[17]林文鵬,黃敬峰,胡小猛,等.基于MODIS溫度植被角度指數的農作物估產模型研究[J].紅外與毫米波學報,2010,29(6):476-480.

Lin W P,Huang J F,Hu X M,et al.Crop yield forecast based on MODIS temperature-vegetation angle index[J].Journal of Infrared and Millimeter Waves,2010,29(6):476-480.

[18]郭熙,黃俊,朱安繁,等.基于TM影像的南方丘陵區早稻估產研究——以奉新縣為例[J].江西農業大學學報,2010,32(6):1103-1108.

Guo X,Huang J,Zhu A F,et al.A study on early rice yield estimation based on TM image in sourthern hill regions：A case study of Fengxin Country[J].Acta Agriculture Universitatis Jiangxiensis,2010,32(6):1103-1108.

[19]程乙峰,貢璐,張雪妮,等.新疆北疆棉花多元符合遙感估產模型研究[J].新疆農業科學,2012,49(8):1497-1502.

Cheng Y F,Gong L,Zhang X N,et al.Study of the remote sensing cotton yield estimation model in northern Xinjiang[J].Xinjiang Agricultural Sciences,2012,49(8):1497-1502.

[20]張艷楠,牛建明,張慶,等.植被指數在典型草原生物量遙感估測應用中的問題探討[J].草業學報,2012,21(1):229-238.

Zhang Y N,Niu J M,Zhang Q,et al.A discussion on applications of vegetation index for estimation aboveground biomass of typical steppe[J].Acta Prataculturae Sinica,2012,21(1):229-238.

[21]王建光,呂小東,姚貴平,等.苜蓿和無芒雀麥混播草地高光譜遙感估產研究[J].中國草地學報,2013,35(1):35-41.

Wang J G,Lyu X D,Yao G P,et al.Estimation of fresh forae yield of mixed sowing pastures of alfalfa and smooth-brome with hyperspectral remote sensing[J].Chinese Journal Grassland,2013,35(1):35-41.

[22]Tao F L,Yokozawa M,Zhang Z,et al.Remote sensing of crop production in China by production efficiency models:Models comparisons,estimates and uncertainties[J].Ecological Modelling,2005,183(4),:385-396.

[23]李海亮,羅微,李世池,等.基于遙感信息和凈初級生產力的天然橡膠估產模型[J].自然資源學報,2012,27(9):1610-1621.

Li H L,Luo W,Li S C,et al.Estimation model of natural rubber yield based on net primary production and remote sensing[J].Journal of Natural Resources,2012,27(9):1610-1621.

[24]Ruimy A,Saugier B,Dedieu D.Methodology for the estimation of terrestrial net primary production from remotely sensed data[J].Journal of Geophysical Research,1994,99(D3):5263-5283.

[25]宋富強,鄭壯麗,王令超.基于CASA模型的河南省冬小麥估產研究[J].河南科學,2012,30(10):1466-1471.

Song F Q,Zhang Z L,Wang L C.Yield estimation for winter wheat of Henan Province based on CASA model[J].Henan Sciences,2012,30(10):1466-1471.

[26]陳思寧,趙艷霞,申雙和.基于集合卡爾曼濾波的PyWOFOST模型在東北玉米估產中的適用性驗證[J].中國農業氣象,2012,33(2):245-253.

Chen S N,Zhao Y X,Shen S H.Applicability of PyWOFOST model based on ensemble Kalman filter in simulating maize yield in northeast China[J].Chinese Journal of Agrometeorology,2012,33(2):245-253.

[27]黃健熙,武思杰,劉興權,等.基于遙感信息與作物模型集合卡爾曼濾波同化的區域冬小麥產量預測[J].農業工程學報,2012,28(4):142-148.

Huang J X,Wu S J,Liu X Q,et al.Regional winter wheat yield forecasting based on assimilation of remote sensing data and crop growth model with ensemble Kalman method[J].Transactions of the CSAE,2012,28(4):142-148.

[28]Running S W,Coughlan J C.A general model of forest ecosystem processes for regional applications hydrologic balance,canopy gas exchange and primary production processes[J].Ecological Modelling,1988,42(2):125-154.

[29]王培娟,謝東輝,張佳華,等.BEPS模型在華北平原冬小麥估產中的應用[J].農業工程學報,2009,25(10):148-153.

Wang P J,Xie D H,Zhang J H,et al.Application of BEPS model in estimation winter wheat yield in north China plain[J].Transactions of the CSAE,2009,25(10):148-153.

[30]黎銳,李存軍,徐新剛,等.基于支持向量回歸(SVR)和多時相遙感數據的冬小麥估產[J].農業工程學報,2009,25(7):114-117.

Li R,Li C J,Xu X G,et al.Winter wheat yield estimation based on support vector machine regression and multi-temporal remote sensing data[J].Transactions of the Chinese Society of Agricultural Engineering,2009,25(7):114-117.

[31]熊勤學,黃敬峰.基于Web的農作物遙感估產軟件平臺開發的技術研究[J].安徽農業科學,2009,37(13):6114-6116,6125.

Xiong Q X,Huang J F.Research on the software platform technique of crop yield estimation based on Web[J].Journal of Anhui Agriculture Sciences,2009,37(13):6114-6116,6125.