利用遥感数据预测季内小麦产量已具备可行性
[14],以其无损、及时和经济的优势,成为收获后实验室测定产量的一种替代方式。农业估产模型更多基于单个试验区域的关键生育期建立,在确保估产精度的前提下,难以在年际和区域尺度上进行扩展
[15],机理性较差。为了克服这一问题,需要引入更多的数据和技术手段。目前,冬小麦产量预测模型可以分为统计模型、经验模型、机理模型和半机理模型4大类。统计模型依赖对历史遥感数据的分析
[16]。在统计模型中研究者认为产量主要受光照和降水等环境因素影响
[17],以数据量和数据类型为切入点,一方面可以通过增加试验地点和生育期扩大数据集,从而提高模型的适应性和泛化能力,或者基于历史数据中的各种影响因素(如降水量、温度、辐射等)与冬小麦产量之间的线性关系进行建模
[18],或者利用基于作物长势参数的间接参数法
[19]。利用经验模型对农作物产量预测,研究者使用基于非参数的机器学习模型
[20],例如使用随机森林(Random Forest, RF)、支持向量机(Support Vector Machine, SVM),已经通过集成学习融合多种预测器来提高产量预测精度
[21, 22],该类方法需要大量数据输入,计算复杂且消耗算力。基于生理生态机理的作物模型可以用于模拟和预测作物生长和发育,结合高效大量获取的遥感数据,实现产量预测。基于遥感获取更多作物生长信息,如植株高度、气象数据
[23]、土地利用数据
[24]等,对作物光谱信息进行补充,以提高模型的预测精度和可靠性。基于作物模型和遥感数据同化
[25],如Huang等使用集合卡尔曼滤波的方法,将叶面积指数(Leaf Area Index, LAI)同化进世界粮食研究模型(World Food Studies, WOFOST)作物模型
[26-28],Xu等
[29]采用粒子群优化算法基于光学和雷达数据同化进联合国粮食及农业组织作物模型(The FAO Crop Model to Simulate Yield Response to Water, AquaCrop),在冬小麦产量预测上均取得了很好的改进效果。在基于半机理模型进行产量预测的研究中,Johnson等使用中分辨率成像光谱仪(Moderate-resolution Imaging Spectroradiometer, MODIS)获取的归一化植被指数(Normalized Difference Vegetation Index, NDVI)和增强型植被指数(Enhanced Vegetation Index, EVI)可以实现大麦、油麦、春小麦的产量预测
[30],这些参数易获取,有一定机理性,但易受到植被指数饱和的影响,适用性较差。Yu等
[31]提出了一种基于高分辨率总初级生产力(Gross Primary Productivity, GPP)和时空动态收获指数(Harvest Index, HI)的高精度作物产量估测方法,在考虑光合作用、干物质积累和分配生理机制的基础上,通过收获指数将地上生物量转化为籽粒产量。这些研究表明,半机理模型在作物产量预估方面具有很大潜力。