下载文档原格式
作物产量预测的遥感方法作物产量预测是农业生产中的关键问题，通过科学有效的方法预测作物产量可以帮助农民合理安排生产计划，提高农业生产效益。
遥感技术是一种有效的手段，可以对作物产量进行预测。
本文将介绍作物产量预测的遥感方法，并探讨其在农业生产中的应用。
一、遥感技术在作物产量预测中的应用遥感技术是利用卫星、飞机等载体获取地球表面信息的技术。
利用遥感技术可以获取大范围的作物信息，包括作物生长状态、覆盖面积、叶面积指数等重要参数，这些信息可以作为作物产量预测的重要数据。
1.监测作物生长状态利用遥感技术可以监测作物的生长状态，包括作物的绿色覆盖面积、叶面积指数等参数。
这些参数可以反映作物的生长情况，通过对这些参数的监测可以对作物产量进行预测。
2.估算作物覆盖面积利用遥感技术可以对作物的覆盖面积进行估算，通过对作物的覆盖面积进行监测和分析可以对作物产量进行预测。
3.遥感数据与地面观测数据结合遥感数据和地面观测数据相结合可以提高作物产量预测的准确性。
地面观测数据可以提供作物产量的实际情况，遥感数据可以提供作物的生长状态等参数，结合起来可以更准确地预测作物产量。
二、作物产量预测的遥感方法1.基于遥感图像的作物产量预测利用遥感图像获取作物的覆盖面积和生长状态等参数，结合地面观测数据，可以建立作物产量预测模型。
通过对遥感图像的分析，可以获取大范围的作物信息，这对作物产量预测具有重要意义。
3.遥感数据与机器学习算法结合利用机器学习算法可以对大量的遥感数据进行分析，建立作物产量预测模型。
通过对遥感数据的学习和分析，可以提高作物产量预测的准确性。
三、遥感技术在农业生产中的应用1.精准农业管理利用遥感技术可以对农田进行监测，及时发现作物的生长情况，对农田进行精准管理，提高农田的生产力和效益。
2.作物灾害监测利用遥感技术可以对作物的灾害情况进行监测，及时发现作物的病虫害等问题，采取相应的措施进行防治，保障作物的生长和产量。
3.农业保险利用遥感技术可以对农田进行监测，及时掌握农田的情况，为农业保险提供重要数据支持，保障农民的利益。
遥感技术在农业产量预测中的应用一、引言农业作为国民经济的基础产业，其产量的稳定和增长对于保障粮食安全、促进经济发展和社会稳定具有至关重要的意义。
随着科技的不断进步，遥感技术作为一种高效、准确、大面积获取信息的手段，在农业领域的应用日益广泛，尤其在农业产量预测方面发挥着重要作用。
二、遥感技术的原理和特点遥感技术是通过非接触式的传感器，获取远距离目标的电磁波信息，并对这些信息进行处理和分析，从而获取目标的特征和状态。
其主要依靠卫星、飞机等平台搭载的各种传感器，如光学传感器、微波传感器等，来收集地表的反射、辐射等信息。
遥感技术具有以下几个显著特点：1、大面积同步观测：能够在短时间内获取大面积的地表信息，大大提高了数据采集的效率。
2、时效性强：可以快速获取最新的地表数据，及时反映农业生产的动态变化。
3、多波段信息：能够同时获取多个波段的电磁波信息，为农业生产的监测和分析提供更丰富的数据。
4、非破坏性：不会对监测对象造成任何破坏，有利于长期、连续的监测。
三、遥感技术在农业产量预测中的数据获取在农业产量预测中，遥感技术主要通过获取以下几类数据来发挥作用：1、植被指数植被指数是通过对不同波段的反射率进行计算得到的，它能够反映植被的生长状况和覆盖度。
常用的植被指数如归一化植被指数（NDVI）、增强型植被指数（EVI）等。
NDVI 与作物的叶面积指数、生物量等密切相关，通过对 NDVI 时间序列数据的分析，可以了解作物的生长阶段和生长趋势，从而为产量预测提供依据。
2、作物生长参数遥感技术还可以获取作物的生长参数，如株高、叶面积、生物量等。
这些参数直接反映了作物的生长状况和生产力，对于产量预测具有重要意义。
例如，通过激光雷达遥感可以精确测量作物的株高和冠层结构，为产量评估提供更准确的信息。
3、土地利用和土壤信息了解土地利用类型和土壤特性对于农业产量预测也非常重要。
遥感技术可以通过图像分类和光谱分析等方法，获取土地利用类型、土壤质地、土壤水分等信息。
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。
基于遥感的农业产量预测研究农业作为国民经济的基础，其产量的准确预测对于保障粮食安全、优化农业资源配置以及制定相关政策具有重要意义。
随着科技的不断进步，遥感技术因其能够快速、大面积获取地表信息的优势，在农业产量预测中发挥着越来越重要的作用。
遥感技术是一种通过非接触式的传感器获取远距离目标物的信息，并对其进行分析和处理的技术。
在农业领域，常用的遥感数据包括卫星影像、航空摄影以及无人机拍摄等。
这些数据包含了丰富的地表特征信息，如作物的生长状况、土壤湿度、植被覆盖度等。
通过对遥感数据的分析，可以获取与农业产量密切相关的参数。
例如，利用植被指数可以反映作物的生长活力和健康状况。
归一化植被指数（NDVI）是常用的植被指数之一，它通过计算近红外波段和红光波段的反射率差异来评估植被的生长状况。
当作物生长良好时，NDVI 值较高；反之，NDVI 值较低。
此外，叶面积指数也是一个重要的参数，它反映了作物叶片的覆盖程度，与光合作用和干物质积累密切相关。
遥感数据的获取具有时效性强的特点。
不同生长阶段的作物，其遥感特征存在差异。
在播种期，可以通过遥感监测土地的利用情况和种植面积；在生长期，可以定期获取作物的生长信息，及时发现病虫害、干旱等灾害的影响；在收获期，能够对作物的成熟度进行评估，为收获决策提供依据。
然而，要将遥感数据有效地应用于农业产量预测，并非一帆风顺，还面临着一些挑战。
首先，遥感数据的质量和分辨率可能会受到天气条件、传感器精度等因素的影响。
例如，云层遮挡可能导致部分区域的数据缺失，影响对作物生长状况的全面评估。
其次，遥感数据的解译和分析需要专业的知识和技术，如何准确地从复杂的数据中提取有用的信息，并建立与产量之间的可靠关系，是一个关键问题。
此外，农业生产受到多种因素的综合影响，除了遥感监测到的因素外，还包括品种特性、田间管理措施、病虫害防治水平等，如何将这些因素综合考虑到产量预测模型中，也是需要解决的难题。
为了应对这些挑战，研究人员采取了一系列的方法和技术。
如何使用遥感技术进行农作物遥感监测与估产现代农业在追求精细化管理和高效生产的同时，越来越需要科学的决策和监测手段。
遥感技术作为一种非接触式的信息获取方法，在农作物遥感监测与估产中发挥着重要的作用。
本文将介绍如何使用遥感技术进行农作物遥感监测与估产，并探讨其在农业管理中的应用。
一、遥感技术简介遥感技术通过接收、记录、处理并解释由遥感平台获取的目标信息，可以在不接触目标的情况下获取大量的空间和时间上连续变化的数据。
遥感技术的主要平台包括航空遥感、卫星遥感和地面遥感。
其中，卫星遥感是最常用和最广泛应用的一种方式，其可以覆盖广阔的地区，并具有获取周期短、成本低的优势。
二、农作物遥感监测1. 遥感图像获取农作物遥感监测首先需要获取农田的遥感图像。
卫星遥感影像提供了一种广泛应用的数据源。
通过卫星遥感影像的获取，可以获得大范围的、高时间分辨率的农作物信息。
同时，也可利用航空遥感技术获取更高分辨率的图像，以获得更精细化的农作物特征。
2. 遥感图像预处理农作物遥感图像预处理是一个必要的步骤。
通常，预处理包括图像纠正、辐射定标、大气校正及无效数据处理等。
这些步骤可以有效地减少环境因素对遥感图像的影响，提高图像质量和可用性。
3. 农作物遥感特征提取农作物遥感特征可以通过遥感图像中的不同光谱波段的反射率、植被指数和纹理特征等来描述。
其中，植被指数是最常用的特征之一。
植被指数可以通过计算不同波段之间的比值来描述植被的光谱反射特征，如归一化植被指数（NDVI）和比例植被指数（EVI）等。
4. 农作物生长状态监测利用遥感技术可以实时监测农作物的生长状态。
通过对不同时期的遥感图像进行比较分析，可以获取到农作物的生长状况、区域分布和变化趋势等信息。
这些信息可以为农业生产管理提供科学依据，如合理调整灌溉水量、合理施肥、减少农药使用等。
三、农作物估产1. 农作物生长模型农作物生长模型是进行农作物估产的重要工具。
通过对农作物的生长过程进行建模，可以预测农作物产量及其变化趋势。
作物估产的方法作物估产是农业生产中非常重要的一项工作，它能够帮助农民和农业部门更好地了解作物的产量情况，从而制定出更科学、更有效的农业生产计划。
以下是几种常用的作物估产方法：一、样方调查法样方调查法是一种常用的作物估产方法，它通过对田间样方进行调查和统计，来推断整个农田的作物产量。
这种方法通常需要在田间选择一定数量的样方，并对每个样方进行详细调查，包括植株数量、株高、叶面积等指标。
通过对样方数据的统计分析，可以得出整个农田的作物产量估计。
二、遥感技术遥感技术可以通过卫星或无人机获取作物生长状态的图像数据，并通过对图像的分析来估计作物的产量。
这种方法可以实现对大范围的农田进行快速、准确的估产。
遥感技术可以通过对图像中作物的光谱特征、植被指数等进行分析，来推断作物的生长状况和产量水平。
三、数学模型法数学模型法是利用数学模型对作物生长和产量进行模拟和预测的一种方法。
这种方法通常需要收集大量的作物生长、气象、土壤等数据，然后建立相应的数学模型进行模拟和预测。
数学模型法可以通过对不同因素的敏感性分析，来评估不同因素对作物产量的影响程度，从而指导农业生产。
四、统计学方法统计学方法是通过对历史数据的统计分析，来估计作物的产量。
这种方法通常需要收集多年的作物产量数据，并通过统计学方法对数据进行分析，包括平均值、方差、回归分析等。
通过对历史数据的分析，可以得出作物产量的趋势和变化规律，从而对未来的产量进行估计。
五、专家经验法专家经验法是依靠专家的经验和判断来估计作物的产量。
这种方法通常需要依托专家的知识和经验，结合实地调查和观察，来进行作物产量的估计。
专家经验法在农业生产中具有一定的实用价值，但也存在主观性较强的问题，需要结合其他方法进行验证。
作物估产是农业生产中非常重要的一项工作，它可以通过样方调查法、遥感技术、数学模型法、统计学方法和专家经验法等多种方法来进行。
这些方法各有优劣，可以根据具体情况选择合适的方法进行作物估产。
农作物遥感估产步骤农作物遥感估产是利用遥感技术对农田进行监测和评估，以预测农作物的产量和质量。
这是一种高效、准确的方法，可以帮助农民和农业管理者做出科学决策，提高农作物的种植效益。
下面将介绍农作物遥感估产的具体步骤。
第一步：数据获取农作物遥感估产的第一步是获取遥感数据。
遥感数据可以通过卫星、无人机或飞机等平台获取。
这些数据包括农田的光谱、红外、热红外等信息，可以反映农田的植被生长情况和土壤状况。
第二步：预处理获得遥感数据后，需要对数据进行预处理。
预处理包括数据校正、镶嵌和分类等过程。
数据校正是将原始数据进行去噪和校正，以消除不同平台、不同时间的影响。
数据镶嵌是将多个遥感图像融合成一幅图像，以获取更全面的信息。
数据分类是根据农田的特征和需求，将图像进行分类，如将植被、土壤和水体等进行区分。
第三步：特征提取在数据预处理后，需要进行特征提取。
特征提取是将遥感图像中的信息转化为可计算的数值。
常用的特征包括植被指数、水体指数和土壤湿度等。
这些特征可以反映农田的生长状况和水分状况，是估产的重要依据。
第四步：模型建立特征提取完成后，需要建立估产模型。
估产模型是利用遥感数据和农田实测数据建立的数学模型，可以预测农作物的产量和质量。
常用的模型包括回归模型、支持向量机和人工神经网络等。
这些模型可以根据不同的农作物和地区进行选择和调整，以提高估产的准确性。
第五步：估产预测模型建立后，可以进行估产预测。
估产预测是将遥感数据输入模型，通过计算和分析，得到农作物的产量和质量。
预测结果可以根据不同的需求进行解释和分析，以指导农民的农作物管理和决策。
第六步：结果评估估产预测完成后，需要对结果进行评估。
结果评估是通过与实测数据进行对比和验证，以评估估产的准确性和可靠性。
评估结果可以反馈给模型，用于模型的修正和调整，以提高估产的精度。
第七步：决策制定根据估产结果和评估反馈，可以制定决策方案。
决策方案可以包括农作物的种植调整、施肥和灌溉管理等，以提高农作物的产量和质量。
遥感在农业估产中的应用与发展1 引言遥感( Remote Sensing) 即遥远的感知, 指在一定距离上, 应用探测仪器不直接接触目标物体,从远处把目标的电磁波特性记录下来, 通过分析揭示出物体的特征性质及其变化的综合性探测技术[1]。
摄影照相便是一种最常见的遥感,照相机并不接触被摄目标,而是相隔一定的距离,通过镜头把被摄目标的影像记录在底片上,经过化学处理,相片便重现被摄目标的图像。
从拍摄目标到再现目标所用的手段,便是一种遥感技术。
遥感与其他技术结合, 在农业应用中具有科学、快速、及时的特点。
这对于充分利用农业资源、指导农业生产、农产品供需平衡等方面有着重要的意义。
2 遥感估产的原理及农作物估产方法2.1 遥感估产的基本原理[2]任何物体都具有吸收和反射不同波长电磁波的特性, 这是物体的基本特性。
人眼正是利用这一特性, 在可见光范围内识别各种物体的。
遥感技术也是基于同样的原理, 利用搭载在各种遥感平台(地面、气球、飞机、卫星等)上的传感器(照相机、扫描仪等)接收电磁波, 根据地面上物体的波谱反射和辐射特性, 识别地物的类型和状态。
农作物估产则是指根据生物学原理, 在收集分析各种农作物不同生育期不同光谱特征的基础上, 通过平台上的传感器记录的地表信息, 辨别作物类型, 监测作物长势, 并在作物收获前, 预测作物的产量的一系列方法。
它包括作物识别和播种面积提取、长势监测和产量预报两项重要内容。
2.2 农作物估产的方法农作物估产在方法上可分为传统的作物估产和遥感估产两类。
传统的作物估产基本上是农学模式和气象模式, 采用人工区域调查方法。
它们把作物生长与主要制约和影响产量的农学因子或气候因子之间用统计分析的方式建立起关系。
这类模式计算繁杂、速度慢、工作量大、成本高, 某些因子种类往往难以定量化, 不易推广应用。
遥感估产则是建立作物光谱与产量之间联系的一种技术,它是通过光谱来获取作物的生长信息。
在实际工作中,常常用绿度或植被指数( 由多光谱数据, 经线性或非线性组合构成的对植被有一定指示意义的各种数值) 作为评价作物生长状况的标准。
植被指数中包括了作物长势和面积两方面的信息, 各种估产模式, 尤其是光谱模式中植被指数是一个极为重要的参数。
根据传感器从地物中获得的光谱特征进行估产具有宏观、快速、准确、动态的优点[3, 4]。
农作物估产中所应用的遥感资料大致可分为3类: 一是气象卫星资料, 主要为美国第三代业务射仪( AVHRR) 资料, 其资料特点是周期短、覆盖面积大、资料易获取、实时性强、价格低廉,空间分辨率低但时间分辨率较高; 二是陆地卫星(Landsat) 资料, 应用较多功能是专题制图仪(TM)资料, 它重复周期长、价格高, 但其空间分辨率高[5]; 三是航空遥感和地面遥感资料, 主要用于光谱特征及估产农学机理的研究中, 其中高光谱数据可提供连续光谱, 可消除一些外部条件的影响而成为遥感数据处理、地面测量、光谱模型和应用的强有力的工具[6]。
摘要本文从遥感估产为出发点, 绍了遥感的概念、原理、方法特点及国内外遥感估产方面的研究进展。
关键词遥感; 农作物估产; 遥感资料; 遥感方法172007年第3 期在遥感估产中农作物面积提取是最重要的内容。
用遥感方法测算一种农作物的种植面积主要有以下几种方法[5]。
1) 航天遥感方法。
包括卫星影像磁带数字图象处理方法(一般精度较高)和绿度---面积模式。
2) 航空遥感方法。
可进行总面积的测量、作物分类及测算分类面积。
3) 遥感与统计相结合的方法。
此方法是由美国农业部统计局在原面积抽样统计估产的基础上发展起来的,其原理是利用遥感影像分层, 再实行统计学方法抽样。
4) 地理信息系统(GIS) 与遥感相结合方法。
此方法是在地理信息系统的支持下, 利用遥感信息, 对不同农作物的种植面积进行获取。
3 国内外遥感估产的研究进展状况3.1 国外遥感估产研究的进展状况美国首先开了农作物遥感估产之先河, 美国农业部、国家海洋大气管理局、宇航局和商业部合作制定了"大面积农作物估产实验(1974～1978) 计划", 组织实施了小麦估产计划, 应用先后发射入轨的陆地卫星1～3 接收处理出的MSS 图像, 首先对美国大平原9 个小麦生产州的面积、单产和产量做出估算;尔后对包括美国本土、加拿大和前苏联部分地区小麦面积、单产和产量做出估算;接着是对世界其它地区小麦面积、总产量进行估算。
调查分析美国、原苏联、加拿大等主要产粮国的小麦播种面积、出苗状况和长势, 并利用气象卫星获得的气象要素信息, 结合历年统计数据进行综合分析, 建立的小麦估产模型精度高达90%以上。
1980～1986 年, 美国又制定了"农业和资源的空间遥感调查"计划,其核心内容仍是主要作物的种植面积与单产模型的研究。
进行国内、世界多种粮食作物长势评估和产量预报。
中国科学院自然资源综合考查委员会的陈沈斌于1992 年8 月在美国农业部外国农业局(负责美国以外国家的农作物估产,并建成运行系统) 曾见到当月估计的中国小麦、玉米、水稻总产量与后来1993 年国家统计局公布的数字差- 3.53%、+0.65%和- 0.66%。
该项工作, 为美国在世界农产品贸易中获得巨大的经济利益[2, 4, 7, 8, 9, 10, 11]。
此后, 欧共体、俄罗斯、法国、日本和印度等国也都应用卫星遥感技术进行农作物长势监测和产量测算, 均取得了一定的成果。
例如, 欧共体用10 年的时间(从1983 年开始), 建成用于农业的遥感应用系统, 1995 年在欧共体15 个国家用180 景SPOT 影像, 结合NOAA 影像在60 个试验点进行了作物估产, 可精确到地块和作物种类。
2002 年美国航空航天局与美国农业部合作在贝兹维尔、马里兰用MODIS 数据代替NOAA- AVHRR进行遥感估产, MODIS 搭载的TERRA 卫星是1999 年由美国(国家航空航天局)、日本(国际贸易与工业厅) 和加拿大(空间局、多伦多大学) 共同合作发射的, MODIS 数据涉及波段范围广(36个波段) 、分辨率( 250,500,1000m) 比NOAAAVHRR (5 个波段, 分辨率为1100m) 有较大的进步, 这些数据均对农业资源遥感监测有较高的实用价值。
ldso 等曾运用500～600nm 和600～700nm 两个光谱区得到的反射值的转换植被指数(TV16)来估计小麦与大麦的单产,获得小麦单产与TV16 之间的相关系数为0.78。
同年, 日本科技公司完成了"遥感估产"项目, 可提高平原农业估产的精度, 并着眼于对全球进行估产。
而美国已经将遥感技术用于精细农业, 对农作物进行区域水分分布评估、病虫害预测等, 直接指导农业生产。
用卫星遥感方法进行长势监测和产量估算已进行多年, 方法已趋于成熟[2, 4, 7, 8, .9, 10, 11, 12, 13]。
水稻遥感估产以亚洲水稻主要生产国为先行和先进。
中国、印度、日本等国家都进行过遥感估产研究且取得较好的效果。
Patel 和Dash 等[14] 建立水稻产量和RVI 的关系, 试验区预报精度达到96.14%。
Miller 等[15]在分蘖或出穗阶段时,运用比值植被指数通过干物质和单产的关系来估计单产。
但在作物灌浆与成熟阶段, 由于反射率与总生物量之间并不相关, 比值植被指数无法预测水稻的冠层生物量。
Wiegand,SSRay 认为借助于归一化植被指数NDVI{(NIR- R)/(NIR+R)}可以很好地预测产量[16, 17]。
3.2 国内遥感估产研究进展情况从"六五"开始, 我国试用卫星遥感进行农作物产量预报的研究, 并在局部地区开展产量估算试验。
"七五"期间, 国家气象局于1987 年开展了北方11 省市小麦气象卫星综合测产, 探索运用周期短、价格低的卫星进行农作物估产的新方法。
该项目中, 主要是以长期的气象资料为基础,182007年第3 期以遥感信息为检验手段, 建立了不同地区的遥感参数- 作物产量的一阶回归模型。
1985～1989 年,此项目为中央和地方提供了165 次不同时空尺度的产量预报, 为国家减少粮食损失达33 万t 以上, 累计经济效益达20 亿元。
"八五"期间, 国家将遥感估产列为攻关课题, 由中国科学院主持, 联合农业部等40 个单位, 开展了对小麦、玉米和水稻大面积遥感估产试验研究, 建成了大面积"遥感估产试验运行系统", 并完成了全国范围的遥感估产的部分基础工作。
通过1993～1996 年4 年试验运行,分别对四省两市(河北、山东、河南、安徽北部和北京市、天津市) 的小麦,湖北、江苏和上海市的水稻;吉林省的玉米种植面积、长势和产量的监测和预报,在指导农业生产及农业决策中发挥了重要作用。
特别是解决了一些关键技术问题, 为进一步开展全国性的卫星遥感估产提供了重要保证。
1995 年以信息系统及农情速报, 建立全国资源环境数据库; 中国科学院、气象局及多家高等院校、研究所致力于遥感估产技术的研究, 并在浙江、江西、江苏各省及华北、东北、江汉平原等地区对冬小麦、玉米、水稻、糜子等作物进行遥感估产, 在遥感信息源选取、作物识别、面积提取、模型构建、系统集成等各个技术环节有了大幅的进步。
李哲、张军涛提出的基于遗传算法与人工神经网络相结合的玉米估产方法;侯英雨等提出的基于作物植被指数和温度的产量估算模型;江东博士提出的基于人工神经网络的农作物遥感估产模型;王人潮教授等提出的高光谱遥感估算模型和水稻双向反射模型等等, 这些模型汲取了以前模型的优点, 模型因子的选择更加合理, 可操作性更强, 精确程度更高。
随后, 遥感估产方法已日趋成熟起来[4, 7]。
古书琴[18] 等借助植被建立了水稻单产的预报模式、遥感估算水稻种植面积, 表明利用遥感手段对水稻进行估产的精度高于常规农业气象模式, 还可提高预报时效; 黄敬峰, 杨忠恩[19] 等在1999 年以NOAA- AVHRR 资料为主,利用GIS 技术提取水稻可能种植区域,在此基础上计算各区和各县的比值植被指数和归一化植被指数,提出的水稻遥感估产比值模型和回归模型,预报浙江省的水稻总产,1998 年的拟合精度和1999 年的预报精度都达到95%以上; 黄敬峰, 王人潮[20] 等综合冬小麦各种参数及资料,证明地面光谱植被指数与冬小麦密度、生物量、叶面积指数关系密切,建立了密度与生物量的光谱监测模型, 进而建立了北疆试验区各层冬小麦种植面积估算和产量预报卫星遥感模型,辅以冬小麦产量农业气象预报模型、农学模型及模拟模型,自1994 年投入应用以来的结果表明,这套模型预报精度高、效果很好; 李建龙,蒋平, 戴若兰[21] 利用1991～1996 年在新疆天山北坡不同草地类型上各种资料,使用3S 集成系统进行了多重相关分析和遥感估产技术的深入研究,实现了遥感大面积估产目标和草地生态学意义及3S 与草地专家系统一体化集成的应用。
