EN中文

Journal of Geo-information Science >

2021 , Vol. 23 >Issue 6: 1082 - 1091

DOI: https://doi.org/10.12082/dqxxkx.2021.200413

Machine Learning Approach for Estimation of Crop Yield Combining Use of Optical and Microwave Remote Sensing Data

  • ZHANG Ju , 1, 2 ,
  • FANG Shibo , 2, 3, * ,
  • LIU Hanhu 1
Expand
  • 1. Key Laboratory of Ministry of Land and Resources for Geoscience Spatial Information Technology, Chengdu 610059, China
  • 2. Chinese Academy of Meteorological Sciences, Beijing 100081, China
  • 3. Collaborative Innovation Centre on Forecast and Evaluation of Meteorological Disasters, Nanjing University of Information Science & Technology, Nanjing 210044, China
*FANG Shibo, E-mail:

Received date: 2020-07-30

  Request revised date: 2020-09-27

  Online published: 2021-08-25

Supported by

National Key Research and Development Program of China(2018YFC1506500)

National Key Research and Development Program of China(2019YFC1510200)

Fundamental Research Funds(2019Z010)

Copyright

Copyright reserved © 2021
Fold

Abstract

Various optical vegetation indices have been widely used in vegetation monitoring and crop yield estimation. However, the temporal availability of optical vegetation indices derived from visible and infrared remote sensing bands is usually a problem in many studies. Currently, the Vegetation Optical Depth (VOD) derived from space-borne microwave radiometers that is unaffected by cloud cover has been found to be proportional to the vegetation density and water content, which shows a great potential in crop monitoring using remote sensing. The vegetation information captured by the two remote sensing approaches is different and complementary since they come from satellite sensors with different spectrum ranges. In this study, we focused on the synergistic use of optical remote sensing data and microwave remote sensing data to estimate wheat yield more accurately. We selected the VOD estimated by the L-band microwave radiometer on board of the SMAP mission, and the Normalized Difference Vegetation Index (NDVI), the Enhanced Vegetation Index (EVI), the Leaf Area Index (LAI), and the Fraction of Photosynthetically Active Radiation (FPAR) product retrieved from the MODIS satellite sensor as the input variables for winter wheat yield estimation using neural network regression models. We compared the performances of back propagation neural network, genetic algorithm back propagation neural network, and particle swarm optimization algorithm back propagation neural network regression models for estimating wheat yields. The results show that the significance values (P) of the three neural network regression models were all less than 0.001, which indicated that all models have passed the significance test. The genetic algorithm back propagation neural network regression model was the best compared to the other two neural networks regression models, with the highest correlation (R=0.755) and the lowest root mean square error (RMSE=529.145 kg/hm2), mean absolute error (MAE=425.168 kg/hm2), and mean relative error (MRE=6.530%). Moreover, in order to analyze the advantages of different optical vegetation indices in crop yield estimation, we also established another two different genetic algorithm back propagation neural network models that used NDVI and LAI, and that used NDVI, EVI, LAI, and FPAR optical data for winter wheat yield estimation as a comparison. By comparison, the correlation (R) of the model established by the microwave and optical remote sensing data increased by 0.163, 0.229, and 0.056, respectively; while its root mean square error (RMSE) decreased by 122.334, 158.462, and 46.923 kg/hm2, respectively. The combination of multi-source remote sensing data can improve the accuracy of model results to a large extent.

Key words： remote sensing; vegetation optical depth; optical vegetation indices; BP neural network; genetic algorithm; particle swarm optimization algorithm; winter wheat; yield estimation

Cite this article

ZHANG Ju , FANG Shibo , LIU Hanhu . Machine Learning Approach for Estimation of Crop Yield Combining Use of Optical and Microwave Remote Sensing Data[J]. Journal of Geo-information Science, 2021 , 23(6) : 1082 -1091 . DOI: 10.12082/dqxxkx.2021.200413

1 引言

利用遥感技术进行农作物长势监测以及产量估算是农业遥感监测的研究热点之一[1]。目前,这些研究主要集中于AVHRR、Landsat、MODIS等光学遥感数据[2,3,4],利用可见光与近红外光谱范围内的归一化植被指数（Normalized Difference Vegetation Index, NDVI）,增强型植被指数（Enhanced Vegetation Index, EVI）和叶面积指数（Leaf Area Index, LAI）等植被指数进行地表作物长势监测以及产量估算。其中,NDVI是各种预测模型中使用最广泛的植被指数,但NDVI存在易受大气噪声影响且在高LAI值下容易达到饱和的缺点。EVI针对土壤背景和大气噪声进行了校正,避免了植被指数值在作物生长旺期易趋于饱和的问题[5,6,7]。虽然各种植被指数被广泛地应用于农作物长势监测以及产量估算中,但它们自身存在一定的局限性。在作物产量估算中,光学遥感通过获取作物冠层的叶绿素含量信息来反映作物的生长状况。它代表的仅仅是作物冠层顶部的植被信息,且光学数据易受云层、气溶胶等大气状况的影响,其数据的可获取性较差[8,9]。微波因其波长长、穿透力强,不受云层与天气的影响,且可以获得作物的枝叶、茎杆等的全部信息,在植被遥感监测中具有很大的优势[10]。被动微波遥感获取的植被信息称为植被光学厚度（Vegetation Optical Depth, VOD）,它是一个无量纲的植被指数,表征微波辐射穿透植被层时的衰减程度,与植被的含水量成正比[11,12,13]。
近年来,学者们对VOD数据进行了许多研究,例如,Grant等[12]将SMOS和AMSR-E的VOD数据与MODIS的NDVI、EVI、LAI和NDWI等指数进行研究分析,发现它们在时间与空间上具有较高的相关性;Lawrence等[13]在美国作物区域对SMOS VOD数据进行研究发现VOD值通常在作物生长期间增加,然后在衰老期间降低;Fernández等[14]研究发现VOD值与植被的高度之间的关系接近线性 （R=0.87）,且与植被地上生物量也有较好的相关性;Liu等[15]应用VOD数据对全球森林生态系统的生物量进行了估算。与基于光学遥感的植被指数相比,VOD数据的获取不受大气效应影响,在植被生长期间几乎可以提供全天候的有效观测数据,能够更好地应用于植被监测与作物产量估算[16]。
VOD数据对植被水的敏感程度受微波波长的影响,与已有的C波段（4~8 GHz）、X波段（8~12 GHz）和Ku波段（12~18 GHz）的微波数据相比,L波段（1~2 GHz）的微波数据具有更长的波段范围,对植被冠层的穿透力也更强。因此,基于L波段的VOD数据在植被监测中更加具有潜力[14,17-18]。美国航空航天局（National Aeronautics and Space Administration, NASA）于2015年1月发射了土壤湿度主被动探测卫星SMAP（Soil Moisture Active and Passive）,该卫星上搭载有L波段的微波辐射计和高分辨率雷达。基于SMAP卫星的VOD数据在农业生态系统监测中具有较好的潜力[19]。
人工神经网络、支持向量机、随机森林等机器学习算法近年来被广泛应用于农业遥感监测中。如Gahrouei等[20]分别使用多元回归分析与人工神经网络建立了加拿大油菜,玉米和大豆等作物的生物量估算模型;Zhou等[21]利用偏最小二乘法与支持向量机对瑞典饲草生物量进行了估算;Toshihiro[22]分别使用线性回归、多项式回归以及随机森林回归模型建立了美国玉米与大豆的产量估算模型。其中,BP神经网络是一种基于反向传播算法的多层前向型神经网络,是目前应用较多的神经网络模型[23,24,25,26]。尽管BP神经网络可以处理一系列复杂的非线性问题,但其自身存在学习速度慢、易陷入局部最小值的缺点。因此,各种智能优化算法被应用于BP神经网络相关优化中。目前比较常用的优化算法有：遗传算法、模拟退火算法、蚁群算法、粒子群算法等[27,28,29,30],这些算法可以在一定程度上提高神经网络模型的准确性。
目前,大多数基于遥感的作物产量估算模型的建立是利用单一传感器的遥感数据建立的统计回归模型,而使用单一传感器的遥感数据进行作物产量估算的精度是有限的。同时,关于微波遥感数据在农业遥感监测中的研究也主要集中于SMOS和AMSR-E等的VOD数据,而对植被冠层穿透力更强的L波段SMAP卫星的VOD数据的研究较少。为了更准确的进行作物产量估算,本研究提出结合L波段SMAP卫星的VOD数据与MODIS的NDVI、EVI、LAI、FPAR等光学数据,使用多源遥感数据建立BP神经网络及使用2种不同优化算法优化后的BP神经网络回归模型进行冬小麦单产估算,并对这3种神经网络模型的性能进行分析比较,以获得最佳的冬小麦单产估算模型。同时通过分析单一遥感变量的冬小麦产量估算模型、基于光学数据多变量的冬小麦产量估算模型以及光学数据与微波数据结合的多变量的冬小麦产量估算模型,探讨微波数据与光学数据的结合在冬小麦产量估算中的适用性。

2 研究区概况及数据源

2.1 研究区概况

山东省位于我国华北平原,是我国重要的农业大省。农作物种类主要为冬小麦和夏玉米,耕作分为夏、秋两季。山东省属暖温带大陆性季风气候,降水集中于夏末秋初,雨热同期,光照时间充足,农业发展地理条件优越,农用地面积约占全省土地总面积的72.92 %,是我国主要农作物种植区（图1）。图中冬小麦种植面积分布数据从山东省气象局（http://sd.cma.gov.cn/）获得,数据空间分辨为60 m。
图1 山东省冬小麦种植区域

注：数字为验证区编号。

Fig. 1 Winter wheat planting area in Shandong Province

2.2 SMAP植被光学厚度数据

植被光学厚度的大小与植被的含水量（Vegetation Water Content, VWC）密切相关。研究使用的植被光学厚度数据来自SMAP主被动微波数据的L2级产品（L2_SM_P_E）（https://nsidc.org/）,该VOD数据采用的反演算法为基于tau-omega模型的经过优化的双通道算法（Modified Dual Channel Algorithm, MDCA）。

2.3 MODIS数据

MODIS VI产品（MOD13）在全球范围内提供 2种VI产品用于监测地球陆地植被状况（https://ladsweb.modaps.eosdis.nasa.gov/）。第一个产品是标准归一化植被指数NDVI,NDVI的取值范围为[-1, 1]之间。第二个产品是增强型植被指数EVI,EVI通过加入蓝色波段矫正土壤背景和气溶胶散射的影响来增强植被信号,提高了在高生物量地区的植被监测能力。
叶面积指数LAI和光合有效辐射分量FPAR由MOD15产品提供（https://ladsweb.modaps.eosdis.nasa.gov/）。该产品采用三维辐射传输模型生成LAI与FPAR查找表,通过检索得到最佳LAI与FPAR值。当查找表算法失败时,则使用基于回归曲线建立的LAI、FPAR的经验统计模型进行LAI与FPAR值的估算。

2.4 产量数据

研究区内2015—2018年的冬小麦平均产量数据分别来自山东省各市历年的统计年鉴[31,32,33,34,35,36,37,38,39,40,41]。分别取各县区冬小麦种植面积内的平均NDVI、EVI、LAI、FPAR和VOD值,对应各县区冬小麦的平均产量。

3 研究方法

研究分别使用BP神经网络、GA-BP神经网络和PSO-BP神经网络建立研究区2015—2017年的冬小麦产量估算模型,并选择具有2015—2018年连续研究数据的78个区县（图1）2018年的冬小麦产量数据进行模型验证,研究路线如图2所示。3个模型的输入变量为植被光学厚度VOD数据、标准归一化植被指数NDVI数据、增强型植被指数EVI数据、叶面积指数LA I数据和光合有效辐射分量FPAR数据。
图2 冬小麦产量估算分析技术路线

Fig. 2 The technology route of the winter wheat yield forecasting analysis

3.1 数据预处理

研究使用的遥感数据信息如表1所示。其中VOD数据的空间分辨率为9 km×9 km,时间范围为2015—2018年4月和5月。NDVI与EVI数据来自MOD13A2 V6产品,空间分辨率为1 km×1 km,时间范围为2015—2018年4月和5月。LAI与FPAR数据来自MOD15A2H V6产品,空间分辨率为 500 m×500 m,时间范围为2014年11月—2018年5月,因2016年2月18日—25日的MOD15A2H数据缺失,故剔除同一时相2015、2017和2018年的MOD15A2H数据,保证每年累加相同天数的FPAR数据。2个产品的行列号为h27v05。由于使用的MODIS数据与SMAP数据的空间分辨率存在差异,因此使用最近邻域法将MODIS数据重采样至SMAP数据的分辨率。
表1 数据列表

Tab. 1 Remote sensing data

卫星 数据类型 日期 空间分辨率 来源 备注
SMAP L2_SM_P_E V3 2015—2018年4月和5月 9 km×9 km https://nsidc.org/
Terra MOD13A2 V6 1 km×1 km https://ladsweb.modaps.eosdis.nasa.gov/
MOD15A2H V6 2014年11月—2018年5月 500 m×500 m 不含每年第8景
首先将MODIS产品中的NDVI、EVI、LAI和FPAR数据和SMAP产品的VOD数据坐标转换到WGS-84坐标系,再投影至UTM50区域。再利用山东省行政区域边界对图像进行裁剪,得到研究区内的NDVI、EVI、LAI、FPAR和VOD图像。采用最近邻域法将NDVI、EVI、LAI和FPAR数据重采样至 9 km×9 km空间分辨率。然后使用最大值合成法获得2015—2018年每年4月和5月冬小麦生长期内的最大NDVI、EVI、LAI和VOD值。FPAR数据通过累加求和,分别得到每年11月至次年4月冬小麦生长期的累计FPAR值。再分别使用各县区的冬小麦种植面积图像对处理后的VOD、NDVI、EVI、LAI和FPAR数据进行提取。取各县区冬小麦种植面积内的NDVI、EVI、LAI、FPAR和VOD平均值对应各县区的冬小麦平均产量。各县区冬小麦种植面积内的平均NDVI、EVI、LAI、FPAR和VOD值为模型的输入变量,模型的预计输出值为各区县的冬小麦实际平均产量值。

3.2 BP神经网络

BP神经网络是由Rumelhart等[42]于1986年提出的一种多层前向神经网络,本研究的BP神经网络的网络结构选择由1个输入层、1个隐含层和1个输出层组成的三层神经网络。其中输入层设置5个神经元,输入值分别为VOD、NDVI、EVI、LAI和FPAR数据。隐含层的神经元个数n由经验式（1）确定。由于神经网络S型激活函数自身的函数特性,需将样本数据归一化至[0, 1]。
n = m + a + d
式中：m和a分别为输入层与输出层神经元个数,d为0~10的常数。经过多次的实验,模型的最佳隐含层神经元个数确定为10个。
BP神经网络自身的权值修正采用的是梯度下降法,即权值沿着误差曲面下降最快的方向进行修正。这种算法容易使网络陷入局部最优的情况。因此,将优化算法引入到BP神经网络初始权值与阈值的确定中,可以有效地提高BP神经网络的性能。

3.3 遗传算法

遗传算法（Genetic Algorithm, GA）是由J.Holland[43]提出的一种群优化搜索算法。遗传算法具有全局优化、鲁棒性强、适用性强等特点。目前遗传算法已广泛地应用于组合优化、机器学习和人工生命等领域。本研究GA算法的编码算法为浮点编码法;初始种群规模为50;算法迭代次数为100次;适应度函数为BP神经网络训练的预估输出产量值与实际平均产量值误差平方和的倒数,误差平方和越小,GA算法的适应度值越大;选择算子,交叉算子和变异算子分别为几何排序,算数交叉和非均匀变异;交叉概率与变异概率的取值采用自适应遗传法确定。

3.4 粒子群算法

粒子群优化算法（Particle Swarm Optimization, PSO）由Kennedy和Eberhart提出[44],同样属于群优化算法。在算法每一次迭代过程中,粒子通过个体极值与群体极值更新自身的位置与速度,粒子的更新公式如下所示：
V ij k + 1 = ω V ij k + c 1 r 1 P ij k - X ij k + c 2 r 2 P gj k - X ij k
X ij k + 1 = X ij k + V ij k + 1
式中： V ij 代表粒子的速度; X ij 代表粒子的位置; P ij 为粒子的个体最优极值; P gj 为群体最优极值; c 1 和 c 2 为学习因子,代表粒子的记忆和自身学习能力; ω 为粒子的惯性权重,代表粒子继承先前速度的能力。
在研究中,PSO算法粒子初始化位置随机分布在[-1, 1],初始化速度分布在[-0.5, 0.5],学习因子 c 1 和 c 2 为1.494 49,粒子规模为50,最大迭代次数为100次,惯性权重采用线性递减惯性权重法,粒子的适应度函数为BP神经网络训练的预估输出产量值与实际平均产量值的误差平方和。算法根据式（2）与式（3）进行粒子速度与位置的更新。

4 结果与分析

4.1 模型结果与精度分析

基于3种神经网络回归模型建立的冬小麦产量估算模型的估算值与实际值的结果如图3所示。3种神经网络回归模型的P值均小于0.001,通过了显著性检验。为了便于比较不同回归模型的精度,研究使用相关系数R、均方根误差RMSE、平均绝对误差MAE和平均相对误差MRE共4个评价指标对建立的回归模型进行分析比较（表2）。经过权值优化后的GA-BP神经网络和PSO-BP神经网络的回归模型的精度都要优于BP神经网络回归模型。在这3种神经网络回归模型中,GA-BP神经网络回归模型的精度最高,其次为PSO-BP神经网络回归模型,最后为BP神经网络回归模型。其中GA-BP神经网络回归模型的均方根误差RMSE与相关系数R分别为529.145 kg/hm2与0.755,平均绝对误差MAE为425.168 kg/hm2,平均相对误差MRE为6.530 %;PSO-BP神经网络回归模型的均方根误差RMSE与相关系数R分别为547.203 kg/hm2与0.739,平均绝对误差MAE为434.204 kg/hm2, 平均相对误差MRE为6.628 %。经过算法优化后,GA-BP神经网络回归模型与PSO-BP神经网络回归模型的RMSE值较BP神经网络回归模型分别减少了50.433 kg/hm2与32.375 kg/hm2,R值分别提高了0.048与0.032,MAE值分别减少了37.335 kg/hm2与28.299 kg/hm2。MRE值分别提高了0.544 %与0.446 %。3种神经网络回归模型的精度均要优于基于统计的多元线性回归模型（R=0.647,RMSE=614.033 kg/hm2,MAE=497.660 kg/hm2,MRE=7.805 %）。
图3 BP神经网络,GA-BP神经网络和PSO-BP神经网络模型训练结果

Fig. 3 Performance assessment of the BPNN, GA-BPNN and PSO-BPNN models

表2 BP神经网络、GA-BP神经网络、PSO-BP神经网络与多元线性回归模型预测评价指标

Tab. 2 Statistical results of forecasting errors of the BPNN, GA-BPNN, PSO-BPNN and MLR models

回归模型 R RMSE/(kg/hm2) MAE/(kg/hm2) MRE/% SIG.F
BP神经网络回归模型 0.707 579.578 462.503 7.074 P<0.001
GA-BP神经网络回归模型 0.755 529.145 425.168 6.530 P<0.001
PSO-BP神经网络回归模型 0.739 547.203 434.204 6.628 P<0.001
多元线性回归模型 0.647 614.033 497.660 7.805 P<0.001

4.2 模型验证

由于VOD数据的算法自身存在一定缺陷,导致数据在空间上的获取存在一定的不连续性。在建立的3种神经网络回归模型中,一些区县仅有1年或2年的研究数据,在使用这些区县进行产量估算时,存在训练样本数据较少,预测结果存在一定偶然性的情况,并不能有效地评价3种神经网络回归模型的适用性。因此研究选择了具有2015—2018年4年连续研究数据的78个区县的冬小麦产量数据对训练后的3种神经网络回归模型进行2018年山东省冬小麦产量估算验证（图4）。分别使用相关系数R、均方根误差RMSE、平均绝对误差MAE以及平均相对误差MRE 4个评价指标对3种神经网络回归模型的验证结果进行分析（表3）。其中,基于GA-BP神经网络的回归模型的验证结果在3种神经网络回归模型中具有最高的相关系数值,最低的均方根误差、平均绝对误差和平均相对误差（R=0.718,RMSE=394.922 kg/hm2,MAE=326.724 kg/hm2,MRE=5.543%）。
图4 山东省冬小麦产量估算验证

Fig. 4 Validation of wheat yields in Shandong Province

表3 BP神经网络、GA-BP神经网络与PSO-BP神经网络预测评价指标对比

Tab. 3 Estimation accuracy assessment of the BPNN, GA-BPNN and PSO-BPNN models in 2018

回归模型 R RMSE/(kg/hm2) MAE/(kg/hm2) MRE/%
BP神经网络回归模型 0.621 447.141 376.134 6.266
GA-BP神经网络回归模型 0.718 394.922 326.724 5.543
PSO-BP神经网络回归模型 0.670 438.512 379.458 6.388
78个区县在3种神经网络回归模型预测结果的相对误差分布情况如图5所示。其中,BP神经网络回归模型结果的相对误差主要分布在0.17%~16.40%之间,其中天桥区、滨城区、牡丹区、郯城县、东营区、武城县、莘县、潍城区具有较好的预测精度,预测结果的相对误差小于1%,22个区县的相对误差分布在1%~5%之间,80.77%的区县的相对误差小于10%,误差超过15%的区县占2.56%,分别为长清区与新泰市,模型的平均相对误差为6.266%;GA-BP神经网络回归模型验证结果的相对误差主要分布在0.38%~17.35%之间,其中乐陵市、微山县、鱼台县、嘉祥县、梁山县、武城县、禹城市、邹城市、宁阳县等9个区县的相对误差小于1%,31个区县的相对误差分布在1%~5%之间,88.46%的区县的相对误差小于10%,误差超过15%的区县为长清区与平阴县,模型的平均相对误差为5.543%,较BP神经网络回归模型的平均相对误差减少了0.723%;PSO-BP神经网络回归模型的相对误差范围分布在0.36%~18.64%之间,其中43%的区县相对误差小于5%,79%的区县相对误差小于10%,相对误差大于15%的区县为长清区,模型的平均相对误差为6.388%。3种神经网络回归模型在对2018年山东省冬小麦产量的估算验证中均体现了较好的预测结果。
图5 山东省县（区）神经网络回归模型验证相对误差

Fig. 5 Relative error of the Neural Network models in county (district) of Shandong Province

5 讨论

在进行大范围内的作物产量估算时,使用单一传感器的遥感数据进行作物产量估算的精度是有限的。微波遥感数据和光学遥感数据分别从不同的波长范围内获取植被的生长信息,这些信息即相互独立又可以互相作为补充。因此,本研究选择使用L波段SMAP主被动微波数据与MODIS光学数据作为研究变量,建立基于BP神经网络及其优化网络的冬小麦单位面积产量的估算模型。结果表明3种神经网络回归模型在山东省冬小麦产量的估算中均体现了较好的预测结果。为了分析多参数遥感数据的结合在作物产量估算中的优势,研究同时构建了仅使用NDVI,LAI,使用NDVI、EVI、LAI、FPAR等光学数据进行冬小麦产量估算的3种GA-BP神经网络回归模型作为对比。构建的3种GA-BP神经网络回归模型与基于L波段SMAP卫星的VOD数据与MODIS的NDVI、EVI、LAI、FPAR数据构建的多源遥感参数GA-BP神经网络回归模型的精度情况如表4所示。
表4 不同输入参数下的GA-BP神经网络模型预测评价指标

Tab. 4 Statistical results of forecasting errors of GA-BPNN models with different input variables

参数 R RMSE/(kg/hm2) MAE/(kg/hm2) MRE/% SIG.F
NDVI 0.592 651.479 523.326 7.918 P<0.001
LAI 0.526 687.607 561.403 8.488 P<0.001
NDVI、EVI、LAI、FPAR 0.699 576.068 464.616 7.086 P<0.001
VOD、NDVI、EVI、LAI、FPAR 0.755 529.145 425.168 6.530 P<0.001
LAI与NDVI是作物产量估算中最为常用的 2种光学遥感数据,在建立的2015—2017年山东省冬小麦产量估算模型中,使用NDVI与LAI分别建立的GA-BP神经网络回归模型的相关系数R分别为0.592与0.526,模型的均方根误差RMSE分别为651.479 kg/hm2与687.607 kg/hm2,平均绝对误差MAE分别为523.326 kg/hm2与561.403 kg/hm2,平均相对误差MRE分别为7.918 %与8.488 %。使用NDVI、EVI、LAI、FPAR 4个光学遥感变量建立的模型的精度比仅使用NDVI与LAI单变量光学遥感参数分别建立的GA-BP神经网络回归模型的精度有所提高。其中,模型的相关系数R分别提高了0.107与0.173,均方根误差RMSE分别减少了75.411 kg/hm2与111.539 kg/hm2,平均绝对误差MAE分别减少了58.71 kg/hm2与96.787 kg/hm2,平均相对误差MRE分别减少了0.832%与1.402%。多变量光学遥感数据的组合可以很好地提高作物产量估算的准确性。
结合微波VOD数据与光学NDVI、EVI、LAI、FPAR数据建立的GA-BP神经网络回归模型比仅使用多变量光学遥感数据建立的GA-BP神经网络回归模型的精度同样也有所提高。其中,模型的相关系数R提高了0.056,均方根误差RMSE降低了46.923 kg/hm2,平均绝对误差MAE降低了39.448 kg/hm2,平均相对误差MRE减少了0.556 %。与仅使用多变量光学遥感数据进行产量估算的结果相比,加入L波段SMAP卫星的VOD数据的微波遥感数据与光学遥感数据的结合可以更好地提高作物产量估算的准确性。

6 结论

本文结合SMAP主被动微波数据中的植被光学厚度VOD数据以及MODIS光学数据中的标准归一化植被指数NDVI、增强型植被指数EVI、叶面积指数LAI、光合有效辐射分量FPAR数据,采用BP神经网络及利用GA算法和PSO算法优化后的GA-BP神经网络和PSO-BP神经网络建立山东省2015—2017年冬小麦单产估产模型,并使用2018年山东省冬小麦产量数据分别对3种神经网络回归模型进行了验证分析,结果表明：
（1）利用光学数据和微波数据建立的3种神经网络回归模型的P值均小于0.001,通过了显著性检验,3种神经网络模型估算结果的相关系数R值分别为0.707、0.755和0.739,模型的估产结果较好,可以很好地应用于冬小麦单产的估算。
（2）使用GA算法与PSO算法对BP神经网络进行优化,经过优化后的网络模型的均方根误差RMSE的精度分别提高了50.433 kg/hm2与32.375 kg/hm2,GA算法与PSO算法能有效地提高BP神经网络的精度。
（3）将3种神经网络回归模型应用于2018年山东省冬小麦产量估算的验证中,模型验证的均方根误差RMSE分别为447.141 kg/hm2,394.922 kg/hm2与438.512 kg/hm2,结果表明3种神经网络回归模型在山东省冬小麦产量估算中均体现了较好的预测结果。
（4）与仅使用NDVI或LAI单变量遥感参数构建的冬小麦产量估算模型比较,使用多变量光学遥感参数建立的模型的均方根误差RMSE分别减少了75.411 kg/hm2与111.539 kg/hm2;使用多变量微波数据与光学遥感数据建立的模型的均方根误差RMSE分别减少了122.334 kg/hm2与158.462 kg/hm2。结果表明光学遥感数据与微波遥感数据的组合在冬小麦产量估算模型的应用中可以很好地提高冬小麦产量估算的准确性。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Fritz S, See L, Bayas J C L, et al. A comparison of global agricultural monitoring systems and current gaps[J]. Agricultural systems, 2019,168:258-272.

DOI

[2]
Franch B, Vermote E F, Skakun S, et al. Remote sensing based yield monitoring: Application to winter wheat in United States and Ukraine[J]. International Journal of Applied Earth Observation and Geoinformation, 2019,76:112-127.

DOI

[3]
Liao C, Wang J, Dong T, et al. Using spatio-temporal fusion of Landsat-8 and MODIS data to derive phenology, biomass and yield estimates for corn and soybean[J]. Science of the Total Environment, 2019,650:1707-1721.

DOI

[4]
Huang J, Wang X, Li X, et al. Remotely sensed rice yield prediction using multi-temporal NDVI data derived from NOAA's-AVHRR[J]. PLoS One, 2013,8(8):e70816.

DOI

[5]
王正兴, 刘闯, HUETE Alfredo. 植被指数研究进展:从AVHRR-NDVI到MODIS-EVI[J]. 生态学报, 2003,23(5):979-987.

[ Wang Z X, Liu C, Alfredo H. From AVHRR-NDVI to MODIS-EVI: Advances in vegetation index research[J]. Acta Ecologica Sinica, 2003,23(5):979-987. ]

[6]
Huete A, Didan K, Miura T, et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices[J]. Remote Sensing of Environment, 2002,83(1-2):195-213.

DOI

[7]
Huete A, Justice C, Liu H. Development of vegetation and soil indices for MODIS-EOS[J]. Remote Sensing of Environment, 1994,49(3):224-234.

DOI

[8]
Holben B N. Characteristics of maximum-value composite images from temporal AVHRR data[J]. International Journal of Remote Sensing, 1986,7(11):1417-1434.

DOI

[9]
Fensholt R, Anyamba A, Stisen S, et al. Comparisons of compositing period length for vegetation index data from polar-orbiting and geostationary satellites for the cloud-prone region of West Africa[J]. Photogrammetric Engineering & Remote Sensing, 2007,73(3):297-309.

[10]
Shi J, Jackson T, Tao J, et al. Microwave vegetation indices for short vegetation covers from satellite passive microwave sensor AMSR-E[J]. Remote sensing of environment, 2008,112(12):4285-4300.

DOI

[11]
Jackson T J, Schmugge T J. Vegetation effects on the microwave emission of soils[J]. Remote Sensing of Environment, 1991,36(3):203-212.

DOI

[12]
Grant J P, Wigneron J P, De J R A M, et al. Comparison of SMOS and AMSR-E vegetation optical depth to four MODIS-based vegetation indices[J]. Remote Sensing of Environment, 2016,172:87-100.

DOI

[13]
Lawrence H, Wigneron J P, Richaume P, et al. Comparison between SMOS Vegetation Optical Depth products and MODIS vegetation indices over crop zones of the USA[J]. Remote Sensing of Environment, 2014,140:396-406.

DOI

[14]
Rodríguez-Fernández N J, Mialon A, Mermoz S, et al. An evaluation of SMOS L-band vegetation optical depth (L-VOD) data sets: high sensitivity of L-VOD to above-ground biomass in Africa[J]. Biogeosciences, 2018,15(14):4627-4645.

DOI

[15]
Liu Y Y, Van Dijk A I J M, McCabe M F, et al. Global vegetation biomass change (1988-2008) and attribution to environmental and human drivers[J]. Global Ecology and Biogeography, 2013,22(6):692-705.

DOI

[16]
Jones M O, Kimball J S, Jones L A, et al. Satellite passive microwave detection of North America start of season[J]. Remote Sensing of Environment, 2012,123:324-333.

DOI

[17]
Liu Y Y, Van Dijk A I J M,, De Jeu R A M, et al. An analysis of spatiotemporal variations of soil and vegetation moisture from a 29-year satellite-derived data set over mainland Australia[J]. Water Resources Research, 2009,45(7):4542-4548.

[18]
Owe M, De Jeu R, Holmes T. Multisensor historical climatology of satellite-derived global land surface moisture[J]. Journal of Geophysical Research: Earth Surface, 2008,113(F1).

[19]
Konings A G, Piles M, Das N, et al. L-band vegetation optical depth and effective scattering albedo estimation from SMAP[J]. Remote Sensing of Environment, 2017,198:460-470.

DOI

[20]
Reisi-Gahrouei O, Homayouni S, McNairn H, et al. Crop biomass estimation using multi regression analysis and neural networks from multitemporal L-band polarimetric synthetic aperture radar data[J]. International Journal of Remote Sensing, 2019,40(17):6822-6840.

DOI

[21]
Zhou Z, Morel J, Parsons D, et al. Estimation of yield and quality of legume and grass mixtures using partial least squares and support vector machine analysis of spectral data[J]. Computers and Electronics in Agriculture, 2019,162:246-253.

DOI

[22]
Sakamoto T. Incorporating environmental variables into a MODIS-based crop yield estimation method for United States corn and soybeans through the use of a random forest regression algorithm[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020,160:208-228.

DOI

[23]
Li Y W, Cao K. Establishment and application of intelligent city building information model based on BP neural network model[J]. Computer Communications, 2020,153:382-389.

DOI

[24]
Yang Y H, Shi Y. Application of Improved BP Neural Network in Information Fusion Kalman Filter[J]. Circuits, Systems, and Signal Processing, 2020(1):1-13.

[25]
Shao H, Yi Z, Chen Z, et al. Application of artificial neural networks for prediction of sinter quality based on process parameters control[J]. Transactions of the Institute of Measurement and Control, 2020,42(3):422-429.

DOI

[26]
Hua J. Investment risks evaluation on high-tech projects based on analytic hierarchy process and BP neural network[C]. 2009 ISECS International Colloquium on Computing, Communication, Control, and Management. IEEE, 2009,1:305-309.

[27]
Liang F, Gao J, Xu L. Thermal performance investigation of the miniature revolving heat pipes using artificial neural networks and genetic algorithms[J]. International Journal of Heat and Mass Transfer, 2020,151:119394.

DOI

[28]
Wu X, Shen J, Wang M, et al. Intelligent predictive control of large-scale solvent-based CO2 capture plant using artificial neural network and particle swarm optimization[J]. Energy, 2020,196:117070.

DOI

[29]
Rastegaripour F, Saboni M S, Shojaei S, et al. Simultaneous management of water and wastewater using ant and Artificial Neural Network (ANN) algorithms[J]. International Journal of Environmental Science and Technology, 2019,16(10):5835-5856.

DOI

[30]
Mundada V, Narala S K R. Optimization of milling operations using Artificial Neural Networks (ANN) and simulated annealing algorithm (SAA)[J]. Materials Today: Proceedings, 2018,5(2):4971-4985.

DOI

[31]
济南市统计局. 济南统计年鉴[M]. 北京: 中国统计出版社, 2015-2019.

[ Jinan Municipal Bureau of Statistics. Jinan statistical yearbook, 2015-2019[M]. Beijing: China Statistics Press, 2015-2019. ]

[32]
枣庄市统计局. 枣庄统计年鉴[M]. 北京: 中国统计出版社, 2015-2019.

[ Zaozhuang Municipal Bureau of Statistics. Zaozhuang statistical yearbook. 2015-2019[M]. Beijing: China Statistics Press, 2015-2019. ]

[33]
潍坊市统计局. 潍坊统计年鉴[M]. 北京: 中国统计出版社, 2015-2019.

[ Weifang Municipal Bureau of Statistics. Weifang statistical yearbook[M]. Beijing: China Statistics Press, 2015-2019. ]

[34]
东营市统计局. 东营统计年鉴[M]. 东营: 东营市统计局, 2015-2019.

[ Dongying Municipal Bureau of Statistics. Dongying statistical yearbook[M]. Dongying: Dongying Municipal Bureau of Statistics, 2015-2019. ]

[35]
济宁市统计局. 济宁统计年鉴[M]. 济宁: 济宁市统计局, 2015-2019.

[ Jining Municipal Bureau of Statistics. Jining statistical yearbook[M]. Jining: Jining Municipal Bureau of Statistics, 2015-2019. ]

[36]
泰安市统计局. 泰安统计年鉴[M]. 泰安: 泰安市统计局, 2015-2019.

[ Tai'an Municipal Bureau of Statistics. Tai'an statistical yearbook[M]. Tai'an: Tai'an Municipal Bureau of Statistics, 2015-2019. ]

[37]
临沂市统计局. 临沂统计年鉴[M]. 临沂: 临沂市统计局, 2015-2019.

[ Linyi Municipal Bureau of Statistics. Linyi statistical yearbook[M]. Linyi: Linyi Municipal Bureau of Statistics, 2015-2019. ]

[38]
德州市统计局. 德州统计年鉴[M]. 德州: 德州市统计局, 2015-2019.

[ Dezhou Municipal Bureau of Statistics. Dezhou statistical yearbook[M]. Dezhou: Dezhou Municipal Bureau of Statistics, 2015-2019. ]

[39]
滨州市统计局. 滨州统计年鉴[M]. 滨州: 滨州市统计局, 2015-2019.

[ Binzhou Municipal Bureau of Statistics. Binzhou statistical yearbook[M]. Binzhou: Binzhou Municipal Bureau of Statistics, 2015-2019. ]

[40]
菏泽市统计局. 菏泽统计年鉴[M]. 菏泽: 菏泽市统计局, 2015-2019.

[ Heze Municipal Bureau of Statistics. Heze statistical yearbook. 2015-2019[M]. Heze: Heze Municipal Bureau of Statistics, 2015-2019. ]

[41]
聊城市统计局. 聊城统计年鉴[M]. 聊城: 聊城市统计局, 2015-2019.

[ Liaocheng Municipal Bureau of Statistics. Liaocheng statistical yearbook[M]. Liaocheng: Liaocheng Municipal Bureau of Statistics, 2015-2019. ]

[42]
Rumelhart D E, Hinton G E, Williams R J. Learning representations by back-propagating errors[J]. Nature, 1986,323(6088):533-536.

DOI

[43]
Holland J. Adaptation in natural and artificial systems: an introductory analysis with application to biology[J]. Control and Artificial Intelligence, 1975.

[44]
Kennedy J, Eberhart R. Particle swarm optimization[C]. Proceedings of ICNN'95-International Conference on Neural Networks, IEEE, 1995,4:1942-1948.

Options
Outlines

/

〈 〉