趙 暢 崔 培

（天津工業(yè)大學(xué)，天津 300387）

1.作物生長機理模型

1.1 作物生長機理模型的單點應(yīng)用

作物生長機理模型是指用數(shù)學(xué)公式描述作物復(fù)雜的生長生理過程。通過輸入氣象數(shù)據(jù)、土壤數(shù)據(jù)、田間管理數(shù)據(jù)和作物遺傳參數(shù)來在田間尺度進行產(chǎn)量估測。作物模型通常以天為步長，定量化的評價各種因子帶來的影響?，F(xiàn)階段DSSAT、APSIM、WOFOST等作物生長模型在國際上受到了廣泛的認可。作物生長機理模型精度較高，在大面積估產(chǎn)時，由于模型輸入數(shù)據(jù)較多，且不易獲取，常給估產(chǎn)工作帶來困難。且作物模型在對病蟲害和極端天氣上，不能很好地預(yù)測產(chǎn)量。

1.2 作物生長模型的區(qū)域化產(chǎn)量估測

1.2.1 區(qū)域尺度上作物模型播期和收獲日期獲取

單點尺度下的模型需要輸入播種日期和收獲日期來進行模擬，在單點尺度下這些參數(shù)獲得，但是當在區(qū)域尺度上播期和收獲日期就變得難以獲得。李克南等根據(jù)多個氣象站年平均生長季觀測資料在研究區(qū)域上進行插值，獲得了區(qū)域尺度的播種日期；鐘新科等在研究近30年中國玉米氣候生產(chǎn)潛力時空變化特征時，同樣選擇獲得582 個農(nóng)氣站春玉米生育期數(shù)據(jù)和 407 個農(nóng)氣站的夏玉米生育期，其中包含了30年的平均播種期和成熟期。該方法獲取的播種日期在進行多年份模擬時固定不變，而實際生產(chǎn)過程中是變化的，因此會帶來一部分誤差。王立為提出黑龍江所在實驗區(qū)五日滑動平均溫度大于10℃即可播種，該方法適用于本地區(qū)部分范圍，但在進行大范圍模擬潛在產(chǎn)量時，播期受到土質(zhì)、播種前多日溫度、濕度、海拔、地形等多種因素影響，難以確定播種日期。這個思路可以擴展一下，研究土壤淺層溫度和地表溫度或空氣溫度的關(guān)系，這就需要了解不同土壤導(dǎo)熱效率、土壤含水量、空氣溫度等等變量相互之間的影響。國內(nèi)在應(yīng)用模型大面積計算時，仍是根據(jù)經(jīng)驗播種日期（氣象站觀測記錄所得）來進行區(qū)域插值，得到區(qū)域尺度上的播種日期，這種做法使播期推遲，錯過最佳生長日期，但目前沒有很好的替代方法。

作物收獲日期的確定除了獲取觀測站資料插值得來之外，國內(nèi)許多學(xué)者對其進行了研究。黃健熙等提出了多種預(yù)測成熟期的方法：1.基于時間序列HJ-1A/B衛(wèi)星數(shù)據(jù)構(gòu)建時間序列NDVI，并采用上包絡(luò)線S-G濾波進行去噪，進而提取NDVI最大時對應(yīng)的抽穗期，然后根據(jù)多年抽穗期到成熟期觀測值積溫平均值來判定是否滿足成熟積溫，并且在研究區(qū)每個像元應(yīng)用此方法，結(jié)果表明抽穗期提取均方根誤差為2.6天，成熟期均方根誤差3.2天。在預(yù)報精度方面，隨著預(yù)報數(shù)據(jù)預(yù)報時效越長，成熟期預(yù)測值誤差越大，當預(yù)報時效小于等于10d時，成熟期預(yù)測精度趨于穩(wěn)定；2.使用MODIS遙感數(shù)據(jù)形成1*1km分辨率的LAI數(shù)據(jù)，用于提取抽穗?yún)^(qū)，再利用積溫模型和太陽輻射量模型綜合判斷成熟期，判別精度較高，均方根誤差為2.89d；3.基于MODIS LAI產(chǎn)品構(gòu)建LAI時間序列值提取玉米抽雄期，再根據(jù)積溫和太陽輻射量總和判斷成熟期；并且比較了另一種模型，基于MODIS LAI產(chǎn)品，按照兩個生育期面積之比經(jīng)驗平均值做為閾值，計算逐日到當日時的該面積比，當大于閾值后即認為成熟，該LAI 面積比模型在大區(qū)域作物成熟期預(yù)測方面具有較高適用性；4.結(jié)合遙感數(shù)據(jù)和WOFOST，利用算法耦合LAI，優(yōu)化模型輸入?yún)?shù)，用優(yōu)化過的參數(shù)在像元尺度上逐個驅(qū)動模型；李友勇等提出用生育期某個時段≥15℃或20℃的累計天數(shù)和生育期長度進行回歸，結(jié)果較吻合。

現(xiàn)有的成熟期預(yù)測方法大都是基于遙感和積溫模型或者遙感和作物模型來進行預(yù)測，這是由于我國的農(nóng)田小而分散，土地有各種復(fù)雜的情況，運用遙感的方法大大提高了預(yù)測精度。并且遙感的介入使得區(qū)域估測成熟期有了可能。

1.2.2 區(qū)域尺度上作物模型遺傳參數(shù)獲取

另一個作物模型區(qū)域化的障礙是模型需要輸入本地化后的遺傳參數(shù)。農(nóng)田尺度的做法常常是經(jīng)過調(diào)參、驗證后得到合理的參數(shù)，但是當擴展到區(qū)域尺度上時，作物遺傳參數(shù)變得難以獲取。

李克南等利用超大尺度調(diào)試法，調(diào)整出一套適用華北地區(qū)的作物品種參數(shù)。黃健熙等將研究區(qū)域劃分成各個分區(qū)，在對WOFOST遺傳參數(shù)標定的過程中，對于不敏感參數(shù)采用文獻記錄的或者模型默認，對于敏感參數(shù)根據(jù)觀測數(shù)據(jù)測定得來，如比葉面積和一些土壤參數(shù)。江銘諾等在將WOFOST面域化時，對模型代碼進行了修改，根據(jù)研究區(qū)的不同地點對模型參數(shù)進行設(shè)置，生成分辨率為0.1°的作物參數(shù)文件。

1.3 作物模型區(qū)域尺度研究進展

李克南等利用APSIM-Wheat作物模擬了47年華北地區(qū)冬小麥潛在產(chǎn)量、水分限制產(chǎn)量和水氮限制產(chǎn)量，發(fā)現(xiàn)決定冬小麥潛在產(chǎn)量和水分限制產(chǎn)量的分別是生長季內(nèi)總輻射和生長季內(nèi)降水量。江銘諾等在利用WOFOST對華北平原夏玉米1979-2015年生長狀況進行了模擬，利用一元線性回歸和經(jīng)驗正交分解分析了其潛在產(chǎn)量的時空變化，并與氣象要素進行逐柵格相關(guān)性分析。結(jié)果表明，部分地區(qū)產(chǎn)量和氣溫呈較顯著關(guān)系，部分地區(qū)和太陽總輻射呈較好的相關(guān)關(guān)系。馬鴻元利用課題組已經(jīng)標定好的區(qū)域化的作物參數(shù)，將模型做為外部框架，將不同年份氣象模擬結(jié)果做為集合成員代表概率分布，開發(fā)出了從某一時刻開始預(yù)報產(chǎn)量的框架，具備一定的預(yù)報能力。杜春英等應(yīng)用WOFOST模型對黑龍江水稻進行了產(chǎn)量預(yù)報，根據(jù)農(nóng)業(yè)氣象觀測站資料和實際調(diào)研重新劃分了六個不同水稻適宜區(qū)，并在此基礎(chǔ)上調(diào)整了模型參數(shù)，預(yù)報精度較高。

作物模型在單點尺度上應(yīng)用較為廣泛，精度較高，輸出結(jié)果豐富。但是推廣到區(qū)域上時，常常因其作物遺傳參數(shù)、播期、收獲期、田間管理等資料難以獲取，而無法得到很好的應(yīng)用，其豐富的輸出結(jié)果也因大尺度下計算效率問題只能選擇某些輸出結(jié)果。但是作物模型在單點尺度上能很好展現(xiàn)what-if問題，幫助認識作物生長機理，如果能在區(qū)域上驗證模型，再進行what-if類問題的探討，如改變單年內(nèi)播期、水肥施用量等探究對產(chǎn)量的影響，將取得有意義的結(jié)果。

2.其他估產(chǎn)方法研究進展

2.1 傳統(tǒng)方法估測

經(jīng)驗?zāi)Ｐ屯ㄟ^構(gòu)建作物產(chǎn)量和某些因子的線性回歸模型進行估產(chǎn)。通過遙感手段獲取某些指標再與產(chǎn)量建立某種關(guān)系是有效的估測產(chǎn)量的手段。任建強等基于估測美國玉米產(chǎn)量的目的，以縣為基本單元，找出產(chǎn)量和NDVI指數(shù)線性回歸最好的時段，以縣產(chǎn)量為基礎(chǔ)，根據(jù)種植面積確定州產(chǎn)量，最終獲得了35個州玉米最佳估產(chǎn)模型參數(shù)，用2011年的數(shù)據(jù)驗證，精度較高；黃健熙等研發(fā)了一種將LAI和作物模型同化的區(qū)域冬小麥產(chǎn)量估測系統(tǒng)；歐陽玲等通過對產(chǎn)量和NDVI、EVI、GNDVI等指標進行多元線性回歸，估測了北安市玉米、大豆產(chǎn)量；王蕾基于VTCI和分位數(shù)回歸模型對冬小麥的單產(chǎn)進行了估測，結(jié)果表明，某些情況下，分位數(shù)回歸比最小二乘模型估產(chǎn)效果更好。

前人再利用遙感某些參數(shù)和產(chǎn)量回歸方面做了大量研究，這些研究多是基于線性模型，然而有時線性模型不能很好地反映作物生長過程，近年來機器學(xué)習(xí)方法在估產(chǎn)方面取得了很大的進展，能夠很好地擬合作物生長的非線性過程。

2.2 機器學(xué)習(xí)方法估產(chǎn)

2.2.1 隨機森林估產(chǎn)

隨機森林是一種統(tǒng)計學(xué)習(xí)理論，利用重抽樣方法從原始樣本中抽取多個樣本，對每個樣本構(gòu)建決策樹，通過對決策樹建模并且多棵樹投票平均得出最終結(jié)果。該方法精度得到了大量實驗驗證，是一種自然的非線性建模工具。

我國在農(nóng)業(yè)估產(chǎn)方面，已有很多學(xué)者應(yīng)用隨機森林方法進行了研究。下文將介紹國內(nèi)外學(xué)者如何運用隨機森林方法進行估產(chǎn)。劉峻明等根據(jù)河南省1990-2015年間連續(xù)種植冬小麥的106個縣市，獲得2740個有效單產(chǎn)數(shù)據(jù)，利用氣象要素和空間要素做為輸入變量，訓(xùn)練隨機森林模型。并用2014/2015年數(shù)據(jù)進行檢測模型精度。輸入變量中的氣象要素包括兩部分，一是每一年每一個市縣在拔節(jié)至抽穗期間的最高氣溫、最低氣溫、累計降水量、負積溫、有效積溫五個特征，拔節(jié)期和抽穗期根據(jù)歷史觀測取平均日期；二是根據(jù)小麥穗分化進程，將拔節(jié)至抽穗期按8d為單位進行分段，獲得各分段內(nèi)Tmax、平均氣溫、Tmin、最大氣溫日較差、平均相對濕度、Ps計42個特征，空間要素包括經(jīng)緯度和高程數(shù)據(jù)。模型變量重要性顯示：經(jīng)緯度、高程、小花分化后期平均溫度和小花分化前期最小溫度、拔節(jié)至抽穗期負積溫占前六位。且發(fā)現(xiàn)小花分化后期氣象要素和空間要素和相對氣象產(chǎn)量構(gòu)建隨機森林模型時，R方可達87%，RMSE為0.07，這可作為產(chǎn)量預(yù)報的一個思路。陶惠林等利用無人機獲取了冬小麥挑旗期、開花期和灌漿期數(shù)碼影像指數(shù)（植被指數(shù)、r、g、b和歸一化后的RGB）和光譜參數(shù)，首先與產(chǎn)量進行了相關(guān)性分析，然后擬合了各個時期相關(guān)性顯著的指數(shù)和產(chǎn)量的多元線性回歸和隨機森林模型，結(jié)果顯示，多元線性回歸模型擬合精度大于隨機森林，這可能是因為訓(xùn)練樣本數(shù)量少的原因，該實驗共48個產(chǎn)量數(shù)據(jù)。王鵬新等以河北省中部平原為研究區(qū)域，獲得LAI和VICI的時間序列，以產(chǎn)量為因變量構(gòu)建了單變量、雙變量的隨機森林模型，雙變量模型表現(xiàn)較好。

2.2.2 深度學(xué)習(xí)估產(chǎn)

深度學(xué)習(xí)是近年來隨著軟硬件的突破而興起的機器學(xué)習(xí)算法，最初用在識別不同圖像上，精度極高，迅速地被應(yīng)用到各行各業(yè)中。深度學(xué)習(xí)通過給定的數(shù)據(jù)進行學(xué)習(xí)，即學(xué)習(xí)數(shù)據(jù)中的表示，用這種表示進行數(shù)據(jù)變換。深度指一系列連續(xù)的表示層，通常包括數(shù)十個甚至上百個表示層，這些表示層都是從訓(xùn)練數(shù)據(jù)中自動學(xué)習(xí)的，而這些分層通常是通過神經(jīng)網(wǎng)絡(luò)模型來學(xué)習(xí)的。學(xué)習(xí)指為神經(jīng)網(wǎng)絡(luò)的所有層找到一組權(quán)重值，使得信息進入時，像蒸餾一般，純度層層提高。下文將介紹學(xué)者們利用哪些要素和農(nóng)業(yè)產(chǎn)量聯(lián)系起來進行深度學(xué)習(xí)？

周亮等使用MODIS數(shù)據(jù)構(gòu)建了基于卷積神經(jīng)網(wǎng)絡(luò)的冬小麥估產(chǎn)模型，其輸入層是每年該地區(qū)36張包含12個波段的影像，每個波段生成36個向量，最終形成36*36*12的數(shù)組，以該地區(qū)該年產(chǎn)量為輸出層訓(xùn)練模型，所有遙感影像在假設(shè)冬小麥單產(chǎn)和影像像素位置無關(guān)的前提下進行直方圖降維和歸一化。結(jié)果顯示，訓(xùn)練集預(yù)測精度R方可達0.98，測試集精度可達0.71，并進行了魯棒性檢驗，相關(guān)系數(shù)R基本超過了0.8；深度學(xué)習(xí)具有模擬精度高，輸入數(shù)據(jù)簡單等優(yōu)點，現(xiàn)在大部分學(xué)者利用遙感圖像序列來與產(chǎn)量進行聯(lián)系，學(xué)習(xí)遙感圖像序列中的表示。因遙感影像具有實時性，遙感面積大的特點，并且可以反映作物的生長狀態(tài)，而深度學(xué)習(xí)擅長處理圖像，提取圖像中的特征，故模擬精度較高。也有人利用土壤、氣象數(shù)據(jù)和遙感圖片綜合來進行估產(chǎn)，大部分研究輸入層都包括從遙感獲得的一些信息，這是由于遙感信息實時性、在大區(qū)域中應(yīng)用方便的原因。

3.機器學(xué)習(xí)估產(chǎn)方法及與作物模型的比較及發(fā)展趨勢

近年機器學(xué)習(xí)的興起使諸多方法用于農(nóng)業(yè)產(chǎn)量預(yù)測，隨機森林輸入數(shù)據(jù)簡單，訓(xùn)練時間相對少，擬合精度較高，且不用擔心傳統(tǒng)回歸方法過擬合、失擬合等問題；神經(jīng)網(wǎng)絡(luò)訓(xùn)練時間稍長，且對電腦硬件有一定要求，其預(yù)測精度同樣很高；但是機器學(xué)習(xí)方法也是一種新興的統(tǒng)計方法，是端到端的輸入與輸出，并不能反映作物中間發(fā)育過程，作物模型對此有很多的機理描述，輸出結(jié)果豐富，能解決what-if問題。

區(qū)域大面積估產(chǎn)上，二者都可以結(jié)合遙感，提高精度，進行估產(chǎn)。有學(xué)者結(jié)合作物模型的輸出和機器學(xué)習(xí)方法進行了產(chǎn)量預(yù)測，未來，應(yīng)考慮如何在提高精度的同時，簡化工作，減少工作量，結(jié)合模型和機器學(xué)習(xí)方法的優(yōu)點，進行估產(chǎn)。