作物估產方法研究進展

趙 暢 崔 培

（天津工業大學，天津 300387）

1.作物生長機理模型

1.1 作物生長機理模型的單點應用

作物生長機理模型是指用數學公式描述作物復雜的生長生理過程。通過輸入氣象數據、土壤數據、田間管理數據和作物遺傳參數來在田間尺度進行產量估測。作物模型通常以天為步長，定量化的評價各種因子帶來的影響?，F階段DSSAT、APSIM、WOFOST等作物生長模型在國際上受到了廣泛的認可。作物生長機理模型精度較高，在大面積估產時，由于模型輸入數據較多，且不易獲取，常給估產工作帶來困難。且作物模型在對病蟲害和極端天氣上，不能很好地預測產量。

1.2 作物生長模型的區域化產量估測

1.2.1 區域尺度上作物模型播期和收獲日期獲取

單點尺度下的模型需要輸入播種日期和收獲日期來進行模擬，在單點尺度下這些參數獲得，但是當在區域尺度上播期和收獲日期就變得難以獲得。李克南等根據多個氣象站年平均生長季觀測資料在研究區域上進行插值，獲得了區域尺度的播種日期；鐘新科等在研究近30年中國玉米氣候生產潛力時空變化特征時，同樣選擇獲得582 個農氣站春玉米生育期數據和 407 個農氣站的夏玉米生育期，其中包含了30年的平均播種期和成熟期。該方法獲取的播種日期在進行多年份模擬時固定不變，而實際生產過程中是變化的，因此會帶來一部分誤差。王立為提出黑龍江所在實驗區五日滑動平均溫度大于10℃即可播種，該方法適用于本地區部分范圍，但在進行大范圍模擬潛在產量時，播期受到土質、播種前多日溫度、濕度、海拔、地形等多種因素影響，難以確定播種日期。這個思路可以擴展一下，研究土壤淺層溫度和地表溫度或空氣溫度的關系，這就需要了解不同土壤導熱效率、土壤含水量、空氣溫度等等變量相互之間的影響。國內在應用模型大面積計算時，仍是根據經驗播種日期（氣象站觀測記錄所得）來進行區域插值，得到區域尺度上的播種日期，這種做法使播期推遲，錯過最佳生長日期，但目前沒有很好的替代方法。

作物收獲日期的確定除了獲取觀測站資料插值得來之外，國內許多學者對其進行了研究。黃健熙等提出了多種預測成熟期的方法：1.基于時間序列HJ-1A/B衛星數據構建時間序列NDVI，并采用上包絡線S-G濾波進行去噪，進而提取NDVI最大時對應的抽穗期，然后根據多年抽穗期到成熟期觀測值積溫平均值來判定是否滿足成熟積溫，并且在研究區每個像元應用此方法，結果表明抽穗期提取均方根誤差為2.6天，成熟期均方根誤差3.2天。在預報精度方面，隨著預報數據預報時效越長，成熟期預測值誤差越大，當預報時效小于等于10d時，成熟期預測精度趨于穩定；2.使用MODIS遙感數據形成1*1km分辨率的LAI數據，用于提取抽穗區，再利用積溫模型和太陽輻射量模型綜合判斷成熟期，判別精度較高，均方根誤差為2.89d；3.基于MODIS LAI產品構建LAI時間序列值提取玉米抽雄期，再根據積溫和太陽輻射量總和判斷成熟期；并且比較了另一種模型，基于MODIS LAI產品，按照兩個生育期面積之比經驗平均值做為閾值，計算逐日到當日時的該面積比，當大于閾值后即認為成熟，該LAI 面積比模型在大區域作物成熟期預測方面具有較高適用性；4.結合遙感數據和WOFOST，利用算法耦合LAI，優化模型輸入參數，用優化過的參數在像元尺度上逐個驅動模型；李友勇等提出用生育期某個時段≥15℃或20℃的累計天數和生育期長度進行回歸，結果較吻合。

現有的成熟期預測方法大都是基于遙感和積溫模型或者遙感和作物模型來進行預測，這是由于我國的農田小而分散，土地有各種復雜的情況，運用遙感的方法大大提高了預測精度。并且遙感的介入使得區域估測成熟期有了可能。

1.2.2 區域尺度上作物模型遺傳參數獲取

另一個作物模型區域化的障礙是模型需要輸入本地化后的遺傳參數。農田尺度的做法常常是經過調參、驗證后得到合理的參數，但是當擴展到區域尺度上時，作物遺傳參數變得難以獲取。

李克南等利用超大尺度調試法，調整出一套適用華北地區的作物品種參數。黃健熙等將研究區域劃分成各個分區，在對WOFOST遺傳參數標定的過程中，對于不敏感參數采用文獻記錄的或者模型默認，對于敏感參數根據觀測數據測定得來，如比葉面積和一些土壤參數。江銘諾等在將WOFOST面域化時，對模型代碼進行了修改，根據研究區的不同地點對模型參數進行設置，生成分辨率為0.1°的作物參數文件。

1.3 作物模型區域尺度研究進展

李克南等利用APSIM-Wheat作物模擬了47年華北地區冬小麥潛在產量、水分限制產量和水氮限制產量，發現決定冬小麥潛在產量和水分限制產量的分別是生長季內總輻射和生長季內降水量。江銘諾等在利用WOFOST對華北平原夏玉米1979-2015年生長狀況進行了模擬，利用一元線性回歸和經驗正交分解分析了其潛在產量的時空變化，并與氣象要素進行逐柵格相關性分析。結果表明，部分地區產量和氣溫呈較顯著關系，部分地區和太陽總輻射呈較好的相關關系。馬鴻元利用課題組已經標定好的區域化的作物參數，將模型做為外部框架，將不同年份氣象模擬結果做為集合成員代表概率分布，開發出了從某一時刻開始預報產量的框架，具備一定的預報能力。杜春英等應用WOFOST模型對黑龍江水稻進行了產量預報，根據農業氣象觀測站資料和實際調研重新劃分了六個不同水稻適宜區，并在此基礎上調整了模型參數，預報精度較高。

作物模型在單點尺度上應用較為廣泛，精度較高，輸出結果豐富。但是推廣到區域上時，常常因其作物遺傳參數、播期、收獲期、田間管理等資料難以獲取，而無法得到很好的應用，其豐富的輸出結果也因大尺度下計算效率問題只能選擇某些輸出結果。但是作物模型在單點尺度上能很好展現what-if問題，幫助認識作物生長機理，如果能在區域上驗證模型，再進行what-if類問題的探討，如改變單年內播期、水肥施用量等探究對產量的影響，將取得有意義的結果。

2.其他估產方法研究進展

2.1 傳統方法估測

經驗模型通過構建作物產量和某些因子的線性回歸模型進行估產。通過遙感手段獲取某些指標再與產量建立某種關系是有效的估測產量的手段。任建強等基于估測美國玉米產量的目的，以縣為基本單元，找出產量和NDVI指數線性回歸最好的時段，以縣產量為基礎，根據種植面積確定州產量，最終獲得了35個州玉米最佳估產模型參數，用2011年的數據驗證，精度較高；黃健熙等研發了一種將LAI和作物模型同化的區域冬小麥產量估測系統；歐陽玲等通過對產量和NDVI、EVI、GNDVI等指標進行多元線性回歸，估測了北安市玉米、大豆產量；王蕾基于VTCI和分位數回歸模型對冬小麥的單產進行了估測，結果表明，某些情況下，分位數回歸比最小二乘模型估產效果更好。

前人再利用遙感某些參數和產量回歸方面做了大量研究，這些研究多是基于線性模型，然而有時線性模型不能很好地反映作物生長過程，近年來機器學習方法在估產方面取得了很大的進展，能夠很好地擬合作物生長的非線性過程。

2.2 機器學習方法估產

2.2.1 隨機森林估產

隨機森林是一種統計學習理論，利用重抽樣方法從原始樣本中抽取多個樣本，對每個樣本構建決策樹，通過對決策樹建模并且多棵樹投票平均得出最終結果。該方法精度得到了大量實驗驗證，是一種自然的非線性建模工具。

我國在農業估產方面，已有很多學者應用隨機森林方法進行了研究。下文將介紹國內外學者如何運用隨機森林方法進行估產。劉峻明等根據河南省1990-2015年間連續種植冬小麥的106個縣市，獲得2740個有效單產數據，利用氣象要素和空間要素做為輸入變量，訓練隨機森林模型。并用2014/2015年數據進行檢測模型精度。輸入變量中的氣象要素包括兩部分，一是每一年每一個市縣在拔節至抽穗期間的最高氣溫、最低氣溫、累計降水量、負積溫、有效積溫五個特征，拔節期和抽穗期根據歷史觀測取平均日期；二是根據小麥穗分化進程，將拔節至抽穗期按8d為單位進行分段，獲得各分段內Tmax、平均氣溫、Tmin、最大氣溫日較差、平均相對濕度、Ps計42個特征，空間要素包括經緯度和高程數據。模型變量重要性顯示：經緯度、高程、小花分化后期平均溫度和小花分化前期最小溫度、拔節至抽穗期負積溫占前六位。且發現小花分化后期氣象要素和空間要素和相對氣象產量構建隨機森林模型時，R方可達87%，RMSE為0.07，這可作為產量預報的一個思路。陶惠林等利用無人機獲取了冬小麥挑旗期、開花期和灌漿期數碼影像指數（植被指數、r、g、b和歸一化后的RGB）和光譜參數，首先與產量進行了相關性分析，然后擬合了各個時期相關性顯著的指數和產量的多元線性回歸和隨機森林模型，結果顯示，多元線性回歸模型擬合精度大于隨機森林，這可能是因為訓練樣本數量少的原因，該實驗共48個產量數據。王鵬新等以河北省中部平原為研究區域，獲得LAI和VICI的時間序列，以產量為因變量構建了單變量、雙變量的隨機森林模型，雙變量模型表現較好。

2.2.2 深度學習估產

深度學習是近年來隨著軟硬件的突破而興起的機器學習算法，最初用在識別不同圖像上，精度極高，迅速地被應用到各行各業中。深度學習通過給定的數據進行學習，即學習數據中的表示，用這種表示進行數據變換。深度指一系列連續的表示層，通常包括數十個甚至上百個表示層，這些表示層都是從訓練數據中自動學習的，而這些分層通常是通過神經網絡模型來學習的。學習指為神經網絡的所有層找到一組權重值，使得信息進入時，像蒸餾一般，純度層層提高。下文將介紹學者們利用哪些要素和農業產量聯系起來進行深度學習？

周亮等使用MODIS數據構建了基于卷積神經網絡的冬小麥估產模型，其輸入層是每年該地區36張包含12個波段的影像，每個波段生成36個向量，最終形成36*36*12的數組，以該地區該年產量為輸出層訓練模型，所有遙感影像在假設冬小麥單產和影像像素位置無關的前提下進行直方圖降維和歸一化。結果顯示，訓練集預測精度R方可達0.98，測試集精度可達0.71，并進行了魯棒性檢驗，相關系數R基本超過了0.8；深度學習具有模擬精度高，輸入數據簡單等優點，現在大部分學者利用遙感圖像序列來與產量進行聯系，學習遙感圖像序列中的表示。因遙感影像具有實時性，遙感面積大的特點，并且可以反映作物的生長狀態，而深度學習擅長處理圖像，提取圖像中的特征，故模擬精度較高。也有人利用土壤、氣象數據和遙感圖片綜合來進行估產，大部分研究輸入層都包括從遙感獲得的一些信息，這是由于遙感信息實時性、在大區域中應用方便的原因。

3.機器學習估產方法及與作物模型的比較及發展趨勢

近年機器學習的興起使諸多方法用于農業產量預測，隨機森林輸入數據簡單，訓練時間相對少，擬合精度較高，且不用擔心傳統回歸方法過擬合、失擬合等問題；神經網絡訓練時間稍長，且對電腦硬件有一定要求，其預測精度同樣很高；但是機器學習方法也是一種新興的統計方法，是端到端的輸入與輸出，并不能反映作物中間發育過程，作物模型對此有很多的機理描述，輸出結果豐富，能解決what-if問題。

區域大面積估產上，二者都可以結合遙感，提高精度，進行估產。有學者結合作物模型的輸出和機器學習方法進行了產量預測，未來，應考慮如何在提高精度的同時，簡化工作，減少工作量，結合模型和機器學習方法的優點，進行估產。