论文部分内容阅读
近些年来,气候条件的变化以及极端天气事件的频发给农业的稳定发展带来了极大的挑战。在这种情况下,及时、有效、准确地监测农作物的生长状况尤为重要。众多研究表明,遥感日光诱导叶绿素荧光(sun-induced chlorophyll fluorescence,SIF)可以有效监测农作物生长状况和生产力。随着技术的发展,SIF遥感数据的空间分辨率不断提高,OCO-2(Orbiting Carbon Observatory-2)SIF足迹的空间分辨率达到了1.3km×2.25 km,有助于更好地监测作物生长状况。但是该数据存在着空间不连续的问题,在区域尺度估算农作物产量的能力尚不完全清楚。论文以美国玉米带为研究区,采用深度神经网络(Deep Neural Networks,DNN)方法,研究了OCO-2 SIF估算区域农作物(玉米和大豆)产量的能力,并与MODIS增强型植被指数(Enhanced Vegetation Index,EVI)和气象因子估算产量的能力进行了对比,并分析了利用OCO-2 SIF和MODIS EVI进行作物估产的不确定性。主要研究结论如下:(1)OCO-2 SIF数据估算研究区内县域大豆和玉米产量的能力。研究区内县域OCO-2 SIF和MODIS EVI(月均值与月最大值)与作物(大豆或玉米)产量的相关性相似。分别利用县域平均SIF、EVI和气象因子构建了估算县域大豆和与玉米产量的DNN模型,仅使用SIF作为预测因子建立的DNN估算县域大豆和玉米产量的误差大于仅利用EVI或者气象因子建立的DNN。使用SIF、EVI和气象因子建立的DNN模型估算县域玉米产量的平均绝对百分比误差(mean absolute percentage error,MAPE)分别为8.99%、5.59%、5.34%;大豆的MAPE分别为8.9%、6.79%和5.55%。基于SIF和EVI构建的DNN模型误差随作物种植比例变化,在作物种植面积比例较低的区域(5-15%),利用SIF和EVI构建的DNN明显低估大豆和玉米的产量,而基于气象数据的DNN模型误差随作物种植面积比例变化不明显。(2)SIF与EVI和气象数据结合可以提高作物产量估算的精度。同时利用SIF和EVI、SIF和气象因子构建的DNN模型误差比仅使用EVI或气象因子构建的DNN有所下降。同时利用SIF和EVI构建的DNN估算县域玉米和大豆产量的MAPE分别为5.24%和5.89%;同时利用SIF和气象因子构建的DNN估算县域玉米和大豆产量的MAPE分别为4.9%和5.18%。同时使用SIF、EVI和气象数据构建的DNN估算县域玉米和大豆产量的MAPE分别为4.08%和4.45%。(3)特征重要性分析表明,对于同时使用SIF、EVI和气象因子构建的DNN,生长旺季(六月到八月)的EVI和气象因子(VPD和温度等)对于解释研究区内县域大豆和玉米产量的空间变化具有重要作用。在该DNN中,SIF则比EVI和气象变量的重要性低。