最新亚洲人成网站在线观看,欧美午夜理伦三级在线观看,宝宝好涨水快流出来免费视频,性色欲网站人妻丰满中文久久不卡

前沿：河北省測繪學會策劃“創(chuàng)新測繪技術(shù)應用”專題欄目，聚焦測繪科技應用前沿。本欄目將展示測繪與AI、遙感等融合的創(chuàng)新實踐，涵蓋氣象監(jiān)測、生態(tài)保護、地理信息服務(wù)、農(nóng)作物估產(chǎn)及文化遺產(chǎn)保護等領(lǐng)域。通過案例剖析，探討測繪技術(shù)如何助力社會管理與可持續(xù)發(fā)展?；诙嘣催b感數(shù)據(jù)與機器學習算法的冬小麥產(chǎn)量估算研究

利用遙感技術(shù)進行區(qū)域作物產(chǎn)量估算，已經(jīng)成為農(nóng)作物估產(chǎn)的新手段。傳統(tǒng)的抽樣調(diào)查、實地觀測等估產(chǎn)方法不適用于大區(qū)域農(nóng)作物估產(chǎn)，且耗時耗力無法滿足實際需求。遙感具有覆蓋范圍廣、重復周期短和較容易獲得的優(yōu)點，在農(nóng)作物產(chǎn)量估算中得到了廣泛應用。冬小麥作為中國主要糧食作物之一，利用糧食遙感估產(chǎn)技術(shù)準確估算冬小麥產(chǎn)量，對糧食生產(chǎn)管理和保障糧食安全具有重要意義。

隨著衛(wèi)星傳感器的發(fā)展，衛(wèi)星影像逐漸向高質(zhì)量高時空分辨率方向發(fā)展，為區(qū)域農(nóng)作物產(chǎn)量精確估算提供了數(shù)據(jù)基礎(chǔ)，如歐洲航天局的Sentinel-1合成孔徑雷達（SAR）影像、Sentinel-2多光譜影像等。遙感衛(wèi)星接收的光譜信息和后向散射系數(shù)可以完全反映農(nóng)作物的生長狀態(tài)。遙感估產(chǎn)的方法主要是經(jīng)驗統(tǒng)計模型，利用從影像中提取的相關(guān)遙感指標建立與作物產(chǎn)量的回歸關(guān)系，從而估算作物產(chǎn)量。前人基于遙感技術(shù)多采用線性回歸的方法研究農(nóng)作物產(chǎn)量。農(nóng)田系統(tǒng)結(jié)構(gòu)復雜多變，絕大多數(shù)農(nóng)作物生長過程通常表現(xiàn)為非線性過程，單一遙感指標并不能夠完全反映其生長狀態(tài)。隨著機器學習技術(shù)的發(fā)展，極端梯度提升、隨機森林、支持向量機等非線性模型在作物產(chǎn)量估算領(lǐng)域表現(xiàn)出色，許多學者應用非線性模型開展了農(nóng)作物產(chǎn)量估算研究。

目前，農(nóng)作物估產(chǎn)主要以多光譜低空間分辨率影像（Landsat 和 MODIS 等）為主，針對 Sentinel-1 SAR 數(shù)據(jù)與Sentinel-2 多光譜數(shù)據(jù)應用于冬小麥估產(chǎn)的相關(guān)研究較少，并且主要為單一數(shù)據(jù)類型的線性回歸模型。本文基于Sentinel-1/2 衛(wèi)星影像數(shù)據(jù)，結(jié)合唐山市田間冬小麥產(chǎn)量數(shù)據(jù)，利用構(gòu)建的植被指數(shù)數(shù)據(jù)（包括紅邊植被指數(shù)）和后向散射系數(shù)，對比分析極端梯度提升模型、隨機森林模型和支持向量機模型的估產(chǎn)精度，進而實現(xiàn)冬小麥產(chǎn)量大區(qū)域、高精度反演，為糧食遙感估產(chǎn)研究提供參考。

唐山市位于河北省東部、華北平原東北部，介于117°31′E~119°19′E，38°55′N~40°28′N。截至2020年10月，唐山市下轄7個市轄區(qū)、3個縣級市、4個縣；南臨渤海，北依燕山，地勢北高南低，平均海拔90 m，全市土地總面積為143.4萬hm2，耕地面積為56.71萬hm2。氣候?qū)倥瘻貛О霛駶櫞箨懶图撅L型氣候，年平均氣溫12℃左右，年平均降水量500~700mm。冬小麥是唐山市主要糧食作物之一，每年10月初寒露前后進入播種期，次年6月初到達成熟期，生育期230~260d。

冬小麥成熟期，收割具有代表性的1 m2的冬小麥，對冬小麥進行脫粒、曬干、質(zhì)量稱重，得到樣點的冬小麥產(chǎn)量數(shù)據(jù)。

冬小麥遙感估產(chǎn)的前提是需要識別冬小麥空間分布。以Sentinel-2數(shù)據(jù)為基礎(chǔ)數(shù)據(jù)，構(gòu)建歸一化植被指數(shù)、差值植被指數(shù)、比值植被指數(shù)等植被指數(shù)，根據(jù)植被生長的物候特征，建立面向?qū)ο?隨機森林方法的冬小麥種植面積提取模型，得到冬小麥的空間分布結(jié)果，總體分類精度大于85%。

Sentinel-1是一顆載有C波段合成孔徑雷達，Sentinel-2衛(wèi)星多光譜數(shù)據(jù)包含13個光譜波段，從可見光和近紅外到短波紅外，具有獨特的光譜功能，擁有不同的空間分辨率，將衛(wèi)星影像空間分辨率重采樣到20 m×20 m。研究選擇前人在農(nóng)作物產(chǎn)量估算中常用的12種植被指數(shù)的基礎(chǔ)上，充分利用Sentinel-2衛(wèi)星的光譜反射率信息，將綠色葉綠素指數(shù)和歸一化植被指數(shù)的可見光波段替換為紅邊波段，建立紅邊植被指數(shù)。同時，提取Sentinel-1衛(wèi)星的VV和VH兩種極化方式對應的后向散射系數(shù)，并計算4種后向散射系數(shù)組合參數(shù)：差值（VH-VV）、求和（VH+VV）、乘積（VH*VV）和求商（VH/VV）。

產(chǎn)量估算方法選用極端梯度提升模型（XGBoost）、隨機森林回歸、支持向量機回歸。XGBoost模型可以擬合因變量和自變量之間復雜的非線性關(guān)系，同時對于變量類型具有很高的寬容度，通過在訓練過程中計算各個特征變量在樹的構(gòu)建過程中被使用的次數(shù)或被用于分裂的增益值（Gain）來確定特征的重要性值，用于評價特征變量對預測結(jié)果的貢獻度。不同特征變量組合方式：A組合包含植被指數(shù)和后向散射系數(shù)，B組合包含植被指數(shù)，C組合包含后向散射系數(shù)。

三種機器學習估產(chǎn)模型相比較，XGBoost模型的估算結(jié)果最好，其次是RFR模型，最后是SVR模型（下表所示）。A組合的XGBoost模型估算結(jié)果表現(xiàn)最好，其R2為0.654，RMSE為0.499 t?hm-2，nRMSE為10.02%。在XGBoost模型下，A組合所構(gòu)建的模型估算效果優(yōu)于B組合和C組合，估算誤差RMSE分別降低0.014 t?hm-2和0.093 t?hm-2，模型R2分別提高0.022和0.115。后向散射系數(shù)參數(shù)和植被指數(shù)參數(shù)結(jié)合使用有助于提高XGBoost模型的估測精度。

表3 模型綜合評價

A組合的冬小麥估產(chǎn)模型中，前14個特征變量的累積重要性占所有變量的98.20%，貢獻度最高的特征變量是NDMI，該變量利用短波紅外波段和近紅外波段建立的歸一化差值水汽指數(shù)，其重要性值遠高于其他特征變量的重要性值。其次重要的特征變量為NDVIre3和NDVIre2，分別表示B7和B6波段與近紅外波段建立的紅邊歸一化植被指數(shù)3和紅邊歸一化植被指數(shù)2。Sentinel-1影像的后向散射系數(shù)參數(shù)在模型中也表現(xiàn)出較強的重要性，交叉極化VH后向散射系數(shù)比同級化VV后向散射系數(shù)在A組合中更有優(yōu)勢。

圖1 特征變量重要性排序

冬小麥產(chǎn)量范圍主要集中在7.00~8.00 t?hm-2，所占比例達40.75%，主要分布在玉田縣和豐潤區(qū)，其他地區(qū)零散分布；其次在8.00~9.00 t?hm-2，所占比例達35.43%；冬小麥產(chǎn)量小于6.00 t?hm-2的區(qū)域分布較為集中，主要分布于玉田縣南部和東部、豐潤區(qū)中部，以及灤南縣東部，少量零散分布于其他區(qū)域；冬小麥產(chǎn)量大于9.00 t?hm-2的區(qū)域主要分布在灤州市、灤南縣和樂亭縣。各地區(qū)冬小麥產(chǎn)量出現(xiàn)差異，可能與農(nóng)戶生產(chǎn)管理有關(guān)，不同地區(qū)的氣候條件也可能導致不同的結(jié)果。

圖2 唐山市冬小麥產(chǎn)量分布