下载文档原格式
农作物单产遥感估算模型研究进展随着科技的不断发展，遥感技术已经成为农作物单产估算的一种重要手段。
农作物单产遥感估算模型的研究进展，对于提高农业生产效率、优化资源配置以及指导农业生产具有重要意义。
本文将对农作物单产遥感估算模型进行概述，综述其研究现状，并探讨未来的发展方向。
农作物单产遥感估算模型在国内外学者的不断探索和研究下，已取得了一系列重要成果。
这些模型大致可以分为基于统计模型、机器学习模型和混合模型三类。
其中，统计模型利用地块级产量和遥感数据建立回归关系，机器学习模型则多采用神经网络、支持向量机（SVM）和支持向量回归（SVR）等方法进行预测。
混合模型则综合了统计模型和机器学习模型的优点，进一步提高了预测精度。
尽管农作物单产遥感估算模型已取得了显著成果，但仍存在一些问题和挑战。
由于遥感数据的时空分辨率较低，模型预测结果的准确性和精细化程度受到限制。
模型参数的确定和调整缺乏系统性的理论指导，导致预测结果存在一定的不确定性。
大多数模型仅考虑了单一的遥感数据源，如光学遥感或雷达遥感，而忽略了多种数据源的融合和互补性。
为了解决上述问题，本文将采用多源遥感数据融合的方法，充分利用不同类型数据的优势，提高模型的预测精度。
同时，将引入深度学习等先进的人工智能算法，构建更为精确的预测模型。
还将开展大量的实验验证，对比分析各种模型的优劣，为农业生产提供可靠的单产预测结果。
实验结果表明，基于多源遥感数据融合的深度学习模型在农作物单产遥感估算中具有较高的精度和稳定性。
相比传统模型，该模型能够更好地处理复杂的地形和气候条件，提高预测结果的精细化程度。
同时，该模型还具有较低的计算复杂度，能够满足大规模农作物单产预测的需求。
本文的研究成果对于推动农作物单产遥感估算模型的发展具有一定的参考价值。
然而，仍然存在一些未来研究方向值得探讨。
如何更好地利用高分辨率遥感数据进行农作物单产估算仍需进一步研究。
混合模型的构建和研究仍有很大的发展空间，可以通过融合更多类型的数据和采用更先进的算法来提高模型的预测精度和稳定性。
程文浩卢大鹏：中国财政供养的规模及影响变量程文浩、卢大鹏：中国财政供养的规模及影响变量中国财政供养的规模及影响变量——基于十年机构改革的经验摘要：财政供养人员是政府的行政之基，其规模大小直接影响政府效能与社会和谐。
1998年以来的政府机构改革，有效地抑制了财政供养规模的膨胀，中国当前的财政供养规模总体上处于安全水平、受控状态，但在优化财政供养人员的结构与功能方面仍然面临巨大挑战。
中国的财政供养问题绝非是一个孤立的问题，而是与更深层的政府体制改革息息相关。
财政供养问题其实是中国政府体制改革的一个缩影，政府体制很多深层次的问题都会在财政供养问题中得到集中反映，而财政供养存在的各种现实问题，也只有通过政府体制改革才能够从根本上解决。
关键词：财政供养；机构改革；政府规模作者程文浩，清华大学公共管理学院副教授（北京100084）；卢大鹏，清华大学公共管理学院博士（北京100084）。
*本文获得国家自然科学基金项目中国地方政府间竞争与治理机制研究（项目编号70573058）和北京市哲学社会科学项目北京市财政供养人员合理规模研究（项目编号06Aa KD0006）资助。
在任何国家，政府要想有效地治理国家、经济和社会，并向社会提供基本的公共物品和公共服务，都必须用自身的财政资金供养相当数量的公务员、军队、警察、教师等人员。
因此，财政供养人员堪称是政府的行政之基。
然而，财政供养人员规模究竟应维持在何种水平才是合理的和适度的，这一直是困扰各国政府的一个理论和现实难题。
中国正处于快速的经济社会发展时期，又在经历着经济体制转型的重大转变，同样需要供养大量人员来履行政府的管理、监管和服务职能。
那么，中国当前的财政供养规模是否合理，与我国的国力是否相称？这个问题一直为社会各界所广泛关注。
①财政供养问题不仅引起了社会的广泛关注，而且也引起了学术界的激烈争论。
一些人士对中国的财政供养规模进行了古今比较，认为中国当前的财政供养率同历史各个时期相比都显得过高，并由此得出当前中国的机构臃肿和人员膨胀已到了极限、急需下大力气精简人员和机构等结论。
我国粮食生产与相关投入计量经济学模型分析一，引言著名经济学家李子奈教授在曾对我国1983~1995年粮食生产数据进行过研究分析,他选取的影响因素数据是:农用化肥施用量,粮食播种面积,成灾面积,农业机械动力和农业劳力,并拟合出了关于我国粮食生产的线性回归模型.在本文中,我们将运用计量经济学的方法对上述模型问题进行研究.对于粮食产量的影响,除了选取上述影响因素外,还把农村用电量、国家财政用于农业的支出和灌溉面积的影响因素数据也加到了模型中去.二，变量的确定与C-D生产函数模型i.被解释变量与解释变量的确定最终确定的模型的被解释变量为:粮食总产量;解释变量为:播种面积、成灾面积、化肥施用量、农业机械动力、国家财政用于农业的支出、灌溉面积和农业劳动力.由初步的分析知,粮食产量与成灾面积是负相关的,而与其它变量则是正相关的.ii.C-D生产函数模型我们选择在经济领域应用最广泛的一种生产函数模型—C-D生产函数模型来进行研究.即Y=f(A,K,L,…)其中Y为产出量,A,K,L分别为技术、资本、劳动的投入要素.生产要素对生产函数的作用与影响,主要是由一定的技术条件决定的,从本质上讲,生产函数反映了生产过程中投入要素与产出量之间的技术关系.2 数据收集根据上面的所确定的模型的变量,我们收集到了1980年~2004年主要粮食生产数据(表一)。
iii.模型的估计设定:粮食总产量为Y播种面积为X1成灾面积为X2,化肥施用量为X3,灌溉面积为X4,国家财政用于农业资金为X5,农机动力为X6,农村劳动力为X7.由C-D生产函数模型,得模型形式如下:Y t=AX it biεt(i=1,2,…,7)(1)两边取对数并进行变换,得:log Y t =b0+b i logX it+μt (i=1,2,…,7)(2)其中b0=logA,μt=logεt.运用Eviews软件对模型(2)进行OLS估计,我们得到估计结果Dependent Variable: LOG(Y)Method: Least SquaresDate: 06/10/09 Time: 03:55Sample: 1980 2004Included observations: 25Variable Coefficient Std. Error t-Statistic Prob.C 3.375895 5.5021110.6135640.5476LOG(X1)0.9587450.279512 3.4300650.0032LOG(X2)-0.1037040.040353-2.5699500.0199LOG(X3)0.4948670.104450 4.7378190.0002LOG(X4)-0.5649730.462026-1.2228180.2381LOG(X5)-0.0143810.074375-0.1933540.8490LOG(X6)0.0183880.1192590.1541820.8793LOG(X7)-0.0694990.137533-0.5053240.6198 R-squared0.963763Mean dependent10.66170varAdjusted R-squared0.948842S.D. dependent var0.127561S.E. of regression0.028852Akaike info criterion-3.998937Sum squared resid0.014151Schwarz criterion-3.608897Log likelihood57.98671F-statistic64.59068Durbin-Watson stat 1.245744Prob(F-statistic)0.000000从表2可以看出,回归估计的判决系数R2很高,方程很显著,但是8个参数的t检验值中，却只有两个略微显著.显然,出现了严重的多重共线性。
