中国冬小麦主产区县域尺度的产量预测及不确定性分析

昵称37581541 2020-08-01

展开全文

文章信息

标题：Winter Wheat Yield Prediction at County Level and Uncertainty Analysis in Main Wheat-Producing Regions of China with Deep Learning Approaches

期刊：《Remote Sensing》

通讯作者：尹冬勤

第一单位：中国农业大学

背景

小麦是我国三大主食之一，在保障粮食供应安全方面发挥着重要作用。及时准确的全国小麦产量信息对农业决策和可持续发展具有重要意义。粮食产量受土壤质量、气候条件、田间管理措施、农业补贴政策、粮食市场价格等多种因素的影响。例如，高粮价通常会鼓励农民投入更多资源以获得更高的产量。此外，在复杂的农业生态系统中，许多因素与产量呈非线性关系，一些因素如天气、土壤和施用的养分是相互关联的。因此，大空间区域小麦产量预测仍然是一个挑战。

在过去的几十年里，已经开发了几种利用遥感数据预测作物产量的方法。其中最主要的一类是数据同化方法，它从遥感数据中提取作物状态变量，如叶面积指数（LAI）和蒸散量（ET），并将这些变量作为输入重新校准和优化模型作物产量模拟能力。数据同化方法有两个主要挑战。第一个要求是当地校准和大量作物特定输入（如作物特性、田间管理实践、气象和土壤数据），以模拟作物在整个作物周期中的生长和发育。二是观测分辨率较高，导致资料同化系统的计算成本增加，难以在实际应用中进行大规模操作。另一类模型是基于统计回归的方法，这是区域作物产量预测最常用的方法。这些方法基于历史产量与遥感衍生变量（如VHRR或MODIS卫星数据的归一化差分指数（NDVI））之间的经验关系。它们通常很容易实现，无需大量输入。这些经验方法的一个主要缺点是所使用的关系通常是局部的，不容易推广到其他农业地区。

材料和方法

在本研究中，我们建立了一个两分支的深度学习模型来预测中国县级主产区的冬小麦产量。模型的第一个分支是基于长短期记忆（LSTM）网络，输入来自气象和遥感数据。另一个分支是利用卷积神经网络（CNN）建立静态土壤特征模型。然后，利用1982年至2015年期间的去趋势统计产量数据对模型进行训练，并通过留出一年的验证时间进行评估。

本研究以中国冬小麦种植区为研究对象（图1），包括河北、河南、山东和江苏省的大部分地区、安徽和湖北省北部、山西省西南部、陕西省中部、甘肃东部和四川省东部，从东经103°延伸至122°E，从北纬28°延伸至40°N。包括两个主要的冬小麦种植区：北部和南部地区。北部地区位于长城以南，秦岭、淮河以北，冬小麦种植面积和产量占全国的60%。北部地区属温带大陆性季风气候，年平均气温9-15℃，年降雨量440-980毫米。主要的轮作方式为冬小麦和夏玉米。南部地区位于秦岭、淮河以南，属亚热带季风气候，年平均气温16-24℃，年降水量1000毫米以上。这个地区的冬小麦主要与水稻轮作。