• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于卷積神經(jīng)網(wǎng)絡(luò)的中國北方冬小麥遙感估產(chǎn)

    2019-09-24 11:14:42慕號偉馬海姣陳高星
    農(nóng)業(yè)工程學(xué)報 2019年15期
    關(guān)鍵詞:估產(chǎn)單產(chǎn)冬小麥

    周 亮,慕號偉,馬海姣,陳高星

    基于卷積神經(jīng)網(wǎng)絡(luò)的中國北方冬小麥遙感估產(chǎn)

    周 亮1,2,3,慕號偉1,2,3,馬海姣4,陳高星5

    (1. 蘭州交通大學(xué)測繪與地理信息學(xué)院,蘭州 730070; 2. 地理國情監(jiān)測技術(shù)應(yīng)用國家地方聯(lián)合工程研究中心,蘭州 730070;3. 甘肅省地理國情監(jiān)測工程實(shí)驗(yàn)室,蘭州 730070; 4. 西北農(nóng)林科技大學(xué)水利與建筑工程學(xué)院,楊凌 712100; 5. 北京地空數(shù)馳科技有限公司,北京 100871)

    針對傳統(tǒng)的農(nóng)作物估產(chǎn)方法過度依賴人工經(jīng)驗(yàn),以及實(shí)地采樣成本高等問題。該研究使用MODIS數(shù)據(jù)構(gòu)建了基于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)的冬小麥估產(chǎn)模型。對2006-2016年中國北方冬小麥核心區(qū)的60個地級市進(jìn)行模型訓(xùn)練,魯棒性檢驗(yàn)以及估產(chǎn)誤差空間特征分析。結(jié)果表明:1)估產(chǎn)模型在訓(xùn)練集和驗(yàn)證集的均方根誤差(root mean square error, RMSE)分別為183.82 kg/hm2、689.72 kg/hm2,決定系數(shù)(2)分別為0.98、0.71。2)以同樣的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對2006-2016年估產(chǎn)樣本分別作為驗(yàn)證集,訓(xùn)練11個獨(dú)立模型的RMSE平均值是772.03 kg/hm2,證明算法具有較高的魯棒性。3)2007、2012和2016年不同省份的估產(chǎn)結(jié)果表明,模型對北方冬小麥區(qū)的平原區(qū)估產(chǎn)精度較高,尤其是河北和山東2?。≧MSE為500 kg/hm2)。該文構(gòu)建的估產(chǎn)模型可以實(shí)現(xiàn)冬小麥單產(chǎn)的復(fù)雜擬合,可以應(yīng)用于較大尺度(范圍)冬小麥產(chǎn)量預(yù)報。

    作物;產(chǎn)量;遙感;作物估產(chǎn);卷積神經(jīng)網(wǎng)絡(luò);深度學(xué)習(xí);冬小麥

    0 引 言

    大范圍可靠的農(nóng)情信息對糧食市場及相關(guān)政策的制定至關(guān)重要,是保障區(qū)域及國家糧食安全的重要依據(jù),特別是產(chǎn)量信息的快速、有效獲取可以降低市場風(fēng)險并提高效率[1]。其中遙感技術(shù)具有覆蓋范圍廣、重訪周期短,獲取成本相對低等優(yōu)勢,在作物長勢監(jiān)測、農(nóng)業(yè)氣象以及產(chǎn)量估算中扮演著重要的角色,且對大面積露天農(nóng)業(yè)生產(chǎn)的調(diào)查、評價、監(jiān)測和管理具有獨(dú)特的作用[2]。隨著人工智能與大數(shù)據(jù)技術(shù)的發(fā)展,遙感大數(shù)據(jù)為農(nóng)業(yè)應(yīng)用提供了智能化和信息化的技術(shù)途徑,將推動農(nóng)業(yè)遙感估產(chǎn)的發(fā)展[3]。文獻(xiàn)分析發(fā)現(xiàn)目前遙感估產(chǎn)中最為有效的方法有2種:一是利用數(shù)據(jù)同化技術(shù)把遙感反演參數(shù)信息融入到作物機(jī)理過程模型之中,實(shí)現(xiàn)大面積作物生長狀態(tài)及產(chǎn)量模擬的目的[4-5],如基于WOFOST[6]、Oryza2000[7]、WheatSM[8]、ChinaAgroys[9]4個作物模型所構(gòu)建的中國作物生長模擬監(jiān)測系統(tǒng)(CGMS-China),CGMS-China對冬小麥各主產(chǎn)省的平均預(yù)報相對誤差為7%[10]。二是基于統(tǒng)計(jì)模型方法的遙感估產(chǎn),其統(tǒng)計(jì)模型方法包括線性模型方法和非線性模型方法。線性模型方法在省級尺度[11],縣級尺度[12-13],村級以及地塊尺度[14-15]下都有良好的應(yīng)用。但是作物產(chǎn)量形成的機(jī)理通常表現(xiàn)為非線性[16],因此非線性模型方法更受研究者的關(guān)注,如支持向量回歸(support vector regression,SVR)[17]和神經(jīng)網(wǎng)絡(luò)法(neural network,NN)[18-24]等等。然而,支持向量回歸這種傳統(tǒng)統(tǒng)計(jì)學(xué)習(xí)方法并不適合大規(guī)模數(shù)據(jù)處理,當(dāng)前基于神經(jīng)網(wǎng)絡(luò)法的作物估產(chǎn)得到了快速發(fā)展。Kaul等[19-20]結(jié)合氣候、氣象和土壤等數(shù)據(jù)用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行作物估產(chǎn),在不同區(qū)域中人工神經(jīng)網(wǎng)絡(luò)相比于多元線性回歸模型都有了優(yōu)越的表現(xiàn)。Kuwata等[21]結(jié)合衛(wèi)星,氣候和其他環(huán)境數(shù)據(jù)用多層受限玻爾茲曼機(jī)進(jìn)行玉米估產(chǎn),相比于SVR算法更有優(yōu)勢。You等[22-23]結(jié)合MODIS數(shù)據(jù)用多種深度學(xué)習(xí)算法進(jìn)行大豆估產(chǎn),Wang等[24]在You的研究基礎(chǔ)上使用深度遷移學(xué)習(xí)對巴西的大豆進(jìn)行估產(chǎn),在解決遙感應(yīng)用的實(shí)際需求中,發(fā)現(xiàn)深度學(xué)習(xí)在遙感數(shù)據(jù)分析中具有極大的應(yīng)用潛力[25]。從原始像素的底層特征抽象出高級語義信息的深度學(xué)習(xí)與遙感數(shù)據(jù)結(jié)合將會是解決農(nóng)作物估產(chǎn)的有效手段。

    冬小麥?zhǔn)侵袊匾募Z食作物,主要分布于暖溫帶的北方冬小麥區(qū)。本文將其作為研究區(qū)域,選取研究區(qū)2006-2016年各地級市冬小麥生長季中的時間序列遙感影像作為數(shù)據(jù)源。與之前研究不同的是,本文以卷積神經(jīng)網(wǎng)絡(luò)代替以往常用的分區(qū)域回歸擬合作為估產(chǎn)方法,對農(nóng)作物估產(chǎn)展開研究。分區(qū)域回歸擬合的優(yōu)勢在于簡單靈活,但這種經(jīng)驗(yàn)分區(qū)和簡單擬合與冬小麥單產(chǎn)建立的關(guān)系更易受到自然因素變化的影響。而卷積神經(jīng)網(wǎng)絡(luò)可以從遙感信息里表達(dá)的作物生長環(huán)境中學(xué)習(xí)到與冬小麥單產(chǎn)之間的復(fù)雜關(guān)系,這種關(guān)系包含了作物的生長機(jī)理,能可靠應(yīng)用于冬小麥單產(chǎn)估算中。同時卷積神經(jīng)網(wǎng)絡(luò)具備的學(xué)習(xí)性在數(shù)據(jù)累積的情況下可以成長為高精度的冬小麥估產(chǎn)模型,對于國家級冬小麥產(chǎn)量預(yù)報具有良好的應(yīng)用前景。試驗(yàn)為表達(dá)冬小麥的生長環(huán)境與狀態(tài),選取6種不同的MODIS產(chǎn)品,通過直方圖降維和數(shù)據(jù)歸一化方法進(jìn)行特征工程,并與卷積神經(jīng)網(wǎng)絡(luò)相關(guān)聯(lián),旨在探索一種在大范圍中普適性強(qiáng)的高精度遙感估產(chǎn)方法和技術(shù)途徑。

    1 研究區(qū)與數(shù)據(jù)

    1.1 研究區(qū)

    研究區(qū)位于北方冬小麥區(qū)(31°38-42°62N,105°48-122°71E),主要分布在秦嶺、淮河以北,長城以南,包括河南、河北、山東、陜西、山西5?。▓D1)。研究區(qū)大部分在秦嶺—淮河線以北(除陜西省安康市、商洛市、漢中市和河南省信陽市),冬小麥的生育期不同,北方地區(qū)平均出苗期在10月左右,部分地區(qū)在9月中旬,而成熟期在6月左右[26],因此需要擴(kuò)大MODIS數(shù)據(jù)的時間范圍,以包含不同地區(qū)的冬小麥生育期。2016年整個研究區(qū)的小麥產(chǎn)量是7.96×107t,約占全國小麥產(chǎn)量的62%,是中國重要的小麥產(chǎn)地。研究區(qū)小麥種植以冬小麥為主,因而也是中國重要的冬小麥基地。試驗(yàn)中考慮統(tǒng)計(jì)數(shù)據(jù)不連續(xù)和高程受限的情況下篩除了河北省的承德市和張家口市,山西省的大同市、朔州市和陽泉市以及陜西省的安康市和榆林市,保留了5個省60個地級市作為估產(chǎn)區(qū)域。

    圖1 研究區(qū)數(shù)據(jù)選擇及高程特征

    1.2 數(shù)據(jù)來源

    本文采用的MODIS數(shù)據(jù)具有高時間分辨率,可以獲取足夠監(jiān)測作物產(chǎn)量的多時相影像,來源于LAADS DAAC(https://lsadsweb.modaps.eosdis.nasa.gov/)。試驗(yàn)選擇MODIS數(shù)據(jù)中不同產(chǎn)品的多個波段作為估產(chǎn)指標(biāo)(表1),MOD09A1的7個不同波長的地表反射率數(shù)據(jù)可以反映土壤濕度及作物生長環(huán)境。MYD11A2的白天和夜間地表溫度與冠層溫度密切相關(guān),可以進(jìn)行作物產(chǎn)量估算[27]。歸一化植被指數(shù)(NDVI)和增強(qiáng)型植被指數(shù)(EVI)均能很好的預(yù)測冬小麥產(chǎn)量[28],其中NDVI與冬小麥產(chǎn)量具有極高的相關(guān)性[29]。MOD15A2H的光合有效輻射(FPAR)與作物產(chǎn)量有更直接的關(guān)系,是大量作物生長模型的基礎(chǔ)[30]。試驗(yàn)中選擇MCD12Q1數(shù)據(jù)產(chǎn)品中植物功能型方案的谷物掩模,谷物掩模中包含了冬小麥的信息。研究區(qū)各地級市冬小麥單產(chǎn)數(shù)據(jù)來源于2007—2017年河南,山東,山西和陜西的統(tǒng)計(jì)年鑒以及河北的農(nóng)村統(tǒng)計(jì)年鑒,同時還有研究區(qū)的高程和水系數(shù)據(jù),以及地級市的矢量邊界。

    1.3 數(shù)據(jù)預(yù)處理

    研究區(qū)的冬小麥在上一年的9月播種,下一年的6月成熟。因此,根據(jù)冬小麥的生育期確定構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)樣本的時間范圍是一年中的第273天到下一年中的第185天,年份上選擇了2006-2016年的影像數(shù)據(jù),根據(jù)研究區(qū)范圍選擇了MODIS數(shù)據(jù)的行列號為h26v04,h26v05,h27v04,h27v05。將MYD11A2影像重采樣為500 m的空間分辨率,其中MOD15A2H影像在2016年第49天缺失,試驗(yàn)中通過對第41天和第57天的影像進(jìn)行均值補(bǔ)充,同時將MOD13A1,MYD13A1影像在時間序列上進(jìn)行融合以保證時序的完整性。MODIS發(fā)布產(chǎn)品為HDF格式,投影類型為正弦曲線投影(等面積偽圓柱投影),試驗(yàn)中采用Shell與GDAL進(jìn)行批量處理,將MODIS數(shù)據(jù)的投影轉(zhuǎn)換為基于WGS-84橢球體的UTM投影,同時對多張類型的影像進(jìn)行了波段提取,拼接,裁剪后融合為21 600張包含12個波段的影像。

    表1 遙感數(shù)據(jù)類別

    2 研究方法

    2.1 估產(chǎn)樣本構(gòu)建

    2.1.1 直方圖降維與歸一化

    直方圖降維的前提是假設(shè)冬小麥單產(chǎn)和影像像素的位置無關(guān),僅與不同像素值的數(shù)量相關(guān)。因而將遙感影像映射到像素計(jì)數(shù)的直方圖中信息損失較少。為了使得降維特征更加明顯,需要確定直方圖降維的范圍。以信陽市為例,將其2010年冬小麥生長季中36張影像在時間序列上進(jìn)行直方圖統(tǒng)計(jì),通過可視化每個波段在時間序列上的變化(圖2),從而確定直方圖降維的范圍(表1)。

    圖2 各個波段隨著時間序列的直方圖變化

    每個影像在確定直方圖降維范圍后,劃分36個區(qū)間逐個離散化統(tǒng)計(jì)像素個數(shù)用來生成像素直方圖,同時對生成的像素直方圖進(jìn)行式1歸一化處理。

    2.1.2 時間序列融合

    以2010年的河南省信陽市為例示意卷積神經(jīng)網(wǎng)絡(luò)樣本的構(gòu)建過程(圖3),對生長季中36張包含12個波段的影像進(jìn)行直方圖提取,使得每個波段的影像生成長度為36的向量,同時時間序列上進(jìn)行融合形成36×36的矩陣,最終在288 d的生長季中由遙感影像生成36×36×12的矩陣作為卷積神經(jīng)網(wǎng)絡(luò)的輸入層。以相同時間相應(yīng)地級市的冬小麥產(chǎn)量數(shù)據(jù)作為輸出層,構(gòu)造一個完整的卷積神經(jīng)網(wǎng)絡(luò)樣本。每個地級市每年構(gòu)建一個樣本,試驗(yàn)中2006-2016年60個地級市構(gòu)建的樣本形成卷積神經(jīng)網(wǎng)絡(luò)的估產(chǎn)樣本庫,共有660個樣本,其中600個作為訓(xùn)練集,60個作為驗(yàn)證集。

    圖3 卷積神經(jīng)網(wǎng)絡(luò)樣本構(gòu)建過程

    2.2 冬小麥單產(chǎn)估算模型結(jié)構(gòu)

    對于深度學(xué)習(xí)模型,其輸入是與輸出相對應(yīng)的樣本數(shù)據(jù),后續(xù)則是堆疊在輸入層和輸出層之間的眾多操作層。研究所使用的卷積神經(jīng)網(wǎng)絡(luò)借鑒了You等提出的網(wǎng)絡(luò)結(jié)構(gòu)[22],結(jié)合樣本的特點(diǎn)將卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)(圖4),采用小卷積核的多層疊加,減少了參數(shù)個數(shù),加深網(wǎng)絡(luò)深度進(jìn)而增大了網(wǎng)絡(luò)容量和復(fù)雜度,對作物生長的復(fù)雜過程進(jìn)行擬合。本文構(gòu)建的神經(jīng)網(wǎng)絡(luò)主要由輸入層,7個卷積層,7個激活層,7個批歸一化層,3個Dropout層,2個全連接層以及輸出層組成。相比于You等[22]的網(wǎng)絡(luò)結(jié)構(gòu),考慮到批歸一化算法本身對于模型泛化能力的提升,而過多的Dropout層反而降低模型的預(yù)測能力。當(dāng)模型狀態(tài)由訓(xùn)練到驗(yàn)證時,Dropout會使具體神經(jīng)元的方差產(chǎn)生偏移[31],因而在批歸一化層之后采用Dropout層,加入2參數(shù)正則化共同來提升模型的泛化能力。

    圖4 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

    2.2.1 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

    本文的卷積神經(jīng)網(wǎng)絡(luò)輸入層為36×36×12的矩陣,卷積層C1~C7的卷積核個數(shù)依次是64、64、128、128、256、256、256,卷積核大小都是3×3 dpi,滑動步長分別為2、1、2、2、2、1、2,每個卷積層進(jìn)行1個零填充。同時,在每一個卷積層上進(jìn)行批歸一化和Relu函數(shù)激活操作,并在全連接層加入Dropout層。

    2.2.22參數(shù)正則化

    通過向目標(biāo)函數(shù)添加一個參數(shù)范數(shù)懲罰?(),用來限制模型的學(xué)習(xí)能力。將正則化后的目標(biāo)函數(shù)記為

    2.2.3 損失函數(shù)

    因而個樣本的2損失函數(shù)定義如下

    回歸問題的2種損失函數(shù)1和2在回歸精度上相差無幾,不過在一些情況下2損失函數(shù)可能會略優(yōu)于1[32],同時收斂速度方面2損失函數(shù)也略快于1損失函數(shù),因此本文采用2損失函數(shù)。

    2.3 估產(chǎn)精度評價指標(biāo)

    本文采用以下4個指標(biāo)評價模型估產(chǎn)效果,即決定系數(shù)2,皮爾遜積矩相關(guān)系數(shù)Pearson’s,均方根誤差RMSE,平均相對誤差MRE,具體公式如式(6)~式(9)所示。

    3 結(jié)果與分析

    3.1 冬小麥估產(chǎn)模型訓(xùn)練以及單產(chǎn)預(yù)測

    為了實(shí)現(xiàn)冬小麥的單產(chǎn)預(yù)測采用本文設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)開始模型訓(xùn)練,其中2006-2015年600個樣本為訓(xùn)練集,2016年60個樣本為驗(yàn)證集。將訓(xùn)練集和驗(yàn)證集分為多個批次,每個批次隨機(jī)選擇36個訓(xùn)練樣本,網(wǎng)絡(luò)訓(xùn)練1次更新1次權(quán)重,總共訓(xùn)練40 000次。通過Adam算法進(jìn)行梯度下降,將初始學(xué)習(xí)率設(shè)置為0.001,分階段逐次減少為原來的10倍,第1個階段是當(dāng)訓(xùn)練3 500次時,第2個階段是當(dāng)訓(xùn)練達(dá)到20 000次時,第3個階段是當(dāng)訓(xùn)練達(dá)到30 000次時。

    模型訓(xùn)練20 000步時逐步收斂(圖5a),直到完成訓(xùn)練后保存模型并對訓(xùn)練集和驗(yàn)證集進(jìn)行產(chǎn)量預(yù)測(圖5b)。訓(xùn)練集和驗(yàn)證集的RMSE分別是183.82 kg/hm2、689.72 kg/hm2,MRE分別是2.95%、10.53%,Pearson's分別是0.98、0.71。模型對2016年60個地級市的冬小麥單產(chǎn)進(jìn)行了較為準(zhǔn)確的預(yù)測,卷積神經(jīng)網(wǎng)絡(luò)模型的估產(chǎn)誤差在合理范圍內(nèi),證明了遙感數(shù)據(jù)通過直方圖降維和歸一化方法進(jìn)行特征工程的信息損失較少,和卷積神經(jīng)網(wǎng)絡(luò)結(jié)合可以有效擬合作物生長的復(fù)雜過程。而在網(wǎng)絡(luò)結(jié)構(gòu)中加入了Dropout層、批歸一化層以及2參數(shù)正則化方法下出現(xiàn)訓(xùn)練集的預(yù)測精度相比驗(yàn)證集高的過擬合現(xiàn)象,表明模型的訓(xùn)練樣本較少,增加樣本可以提升估產(chǎn)精度。

    圖5 模型訓(xùn)練過程及評價

    將卷積神經(jīng)網(wǎng)絡(luò)模型的預(yù)測產(chǎn)量與統(tǒng)計(jì)產(chǎn)量進(jìn)行比較(圖6),誤差較大的區(qū)域主要分布在陜西省,山西省和河南省的一些地級市。陜西省的渭南市和西安市屬于關(guān)中平原地區(qū),模型對于關(guān)中平原地區(qū)普遍高估,這種誤差的產(chǎn)生原因可能是模型輸入中沒有敏感表達(dá)區(qū)域異質(zhì)性的參數(shù)所造成。山西省的呂梁市和太原市冬小麥種植面積較少且沒有準(zhǔn)確的冬小麥掩模,在直方圖降維過程中容易出現(xiàn)不穩(wěn)定的狀態(tài)給模型預(yù)測帶來誤差。河南省的漯河市和焦作市屬于高估,而信陽市屬于低估,可能是樣本沒有在省域尺度下進(jìn)行區(qū)分所產(chǎn)生的。例如陜西省的糧食單產(chǎn)為抽樣調(diào)查數(shù),因而不同省份統(tǒng)計(jì)數(shù)據(jù)構(gòu)建的樣本給模型預(yù)測帶來了一些困難。山東省和河北省的估產(chǎn)誤差較低,RMSE基本穩(wěn)定在500 kg/hm2以內(nèi),模型在這些區(qū)域表現(xiàn)優(yōu)秀。以山東省為例,萊蕪市的統(tǒng)計(jì)產(chǎn)量是5 227 kg/hm2相比于全省最低,模型的預(yù)測產(chǎn)量為5 014.96 kg/hm2,德州市的統(tǒng)計(jì)產(chǎn)量為7 130 kg/hm2相比于全省最高,而模型的預(yù)測產(chǎn)量是7 447.69 kg/hm2,上述結(jié)果表明卷積神經(jīng)網(wǎng)絡(luò)對于高產(chǎn)和低產(chǎn)樣本都能夠準(zhǔn)確的擬合,相比線性模型更具優(yōu)勢。總而言之,卷積神經(jīng)網(wǎng)絡(luò)模型在研究區(qū)的估產(chǎn)精度較高,可以實(shí)現(xiàn)對冬小麥的單產(chǎn)預(yù)測。

    圖6 模型預(yù)測產(chǎn)量與統(tǒng)計(jì)產(chǎn)量差異

    3.2 估產(chǎn)算法魯棒性檢驗(yàn)

    為了對估產(chǎn)算法魯棒性進(jìn)行檢驗(yàn),將2006-2016年估產(chǎn)樣本逐年作為驗(yàn)證集,對應(yīng)其余年份作為訓(xùn)練集,分別訓(xùn)練11個模型(表2)。結(jié)果表明2006—2016年11個模型RMSE的平均值是772.03 kg/hm2,MRE在10%左右,Pearson's基本大于0.8,2在0.58與0.77之間,預(yù)測數(shù)據(jù)的離散程度較為一致,表明基于卷積神經(jīng)網(wǎng)絡(luò)的估產(chǎn)算法魯棒性較好,在不同訓(xùn)練集和驗(yàn)證集下都有一個相對一致的誤差水平,在未來冬小麥單產(chǎn)預(yù)測中比較可靠。數(shù)據(jù)分析發(fā)現(xiàn)逐年訓(xùn)練的模型中2007年的誤差較大,RMSE是920.45 kg/hm2,MRE是18.82%;2012模型效果最好,RMSE是632.08 kg/hm2,MRE是8.42%。2008、2012、2014和2016年模型的預(yù)測精度較高,RMSE小于700 kg/hm2,MRE小于12%;而2007、2011、2013和2015年的模型效果較差,RMSE基本都是在900 kg/hm2左右,MRE在15%左右。模型對于偶數(shù)年和奇數(shù)年的樣本預(yù)測產(chǎn)生了較為明顯的差異,同時MRE隨著時間變化有逐漸下降的趨勢,雖然模型本身沒有時間相關(guān)性,但是統(tǒng)計(jì)數(shù)據(jù)自身的時間關(guān)聯(lián)給模型結(jié)果帶來了這種特點(diǎn),表明算法可以逼近任何復(fù)雜函數(shù),直接學(xué)得從遙感數(shù)據(jù)輸入到統(tǒng)計(jì)數(shù)據(jù)輸出的映射,這種“端到端”的關(guān)系中包含著作物生長過程,但與此同時對訓(xùn)練數(shù)據(jù)的依賴程度較高。

    試驗(yàn)對2007年,2012年以及2016年中各個地級市的單產(chǎn)精度展開分析(圖7)。2007年模型的預(yù)測單產(chǎn)大都高于統(tǒng)計(jì)單產(chǎn),主要是因?yàn)樗惺〉亩←湹膯萎a(chǎn)數(shù)據(jù)呈現(xiàn)逐年遞增的趨勢,其中陜西省表現(xiàn)尤為明顯,例如商洛市2007和2008年的統(tǒng)計(jì)單產(chǎn)分別是1 365、2 280 kg/hm2,因而訓(xùn)練數(shù)據(jù)中大多是高產(chǎn)樣本,低產(chǎn)樣本不足導(dǎo)致數(shù)據(jù)不均衡給預(yù)測帶來極大的困難。同時模型的輸入?yún)?shù)中主要包含地表反射率、地表溫度以及表達(dá)作物生長狀態(tài)的植被指數(shù),并沒有考慮到農(nóng)業(yè)生產(chǎn)方式等提升所帶來的增產(chǎn),可以考慮未來研究中給模型加入人為因素作為變量。本文構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與遙感數(shù)據(jù)相結(jié)合的估產(chǎn)算法在不同驗(yàn)證集下有著基本一致的誤差水平,可以肯定卷積神經(jīng)網(wǎng)絡(luò)在國家級冬小麥產(chǎn)量預(yù)報中的應(yīng)用價值。更進(jìn)一步的研究發(fā)現(xiàn)3個模型的誤差有一些共同的空間分布,其省域特征表現(xiàn)明顯,因而對冬小麥的單產(chǎn)誤差分省展開研究。

    表2 逐年訓(xùn)練模型的精度評價

    圖7 2007、2012及2016年的模型精度及誤差分布

    3.3 冬小麥估產(chǎn)誤差的空間特性

    通過對誤差分布的區(qū)域研究發(fā)現(xiàn)在華北平原大多數(shù)地區(qū)的誤差都比較低,而誤差主要分布在關(guān)中平原一帶??紤]到不同省份對于統(tǒng)計(jì)數(shù)據(jù)的收集有所差別,因此對2007、2012以及2016年不同省域的單產(chǎn)精度展開分析(表3)。模型在河北省和山東省的冬小麥估產(chǎn)誤差比較小,其RMSE基本都在500 kg/hm2左右,但是山東省在2007年的2只有0.2,這主要是因?yàn)楹蕽墒械膯萎a(chǎn)預(yù)測出現(xiàn)離群值,其統(tǒng)計(jì)單產(chǎn)和預(yù)測單產(chǎn)分別是5 462、7 142 kg/hm2,而山東省其余16個地市中除萊蕪市、青島市、德州市和東營市的誤差分別是861、738、647和615 kg/hm2外,其余地市的誤差都在350 kg/hm2以內(nèi)。河南省的單產(chǎn)誤差RMSE和MRE分別穩(wěn)定在800 kg/hm2和10%左右,各個地級市的誤差都維持在較低水平。山西省的運(yùn)城市和太原市出現(xiàn)離群值,2007年運(yùn)城市統(tǒng)計(jì)單產(chǎn)和預(yù)測單產(chǎn)分別是2 374、4 429 kg/hm2,2012年太原市的統(tǒng)計(jì)單產(chǎn)和預(yù)測單產(chǎn)分別是5 754、3 943 kg/hm2,誤差主要分布在山西北部區(qū)域,可能是因?yàn)楹0胃叨群脱谀?shù)據(jù)不精確造成的不穩(wěn)定因素。而對于陜西省來講,2007年的誤差最大,所有的預(yù)測產(chǎn)量都大于統(tǒng)計(jì)產(chǎn)量,表現(xiàn)尤為明顯的是商洛市,其統(tǒng)計(jì)產(chǎn)量和預(yù)測產(chǎn)量分別是1 365、4 439 kg/hm2,這是由于2007年厄爾尼諾現(xiàn)象以及地理分布在北亞熱帶和暖溫帶交界區(qū)域,水平方向上具有2個氣候帶過渡性特征,地形復(fù)雜,受到極端天氣影響劇烈[26]。整個算法對于遙感數(shù)據(jù)是統(tǒng)一獲取處理,因此影像產(chǎn)生的誤差對于每個樣本是一致的,而這些誤差較大的離群值產(chǎn)生的原因是不同省份的統(tǒng)計(jì)數(shù)據(jù)收集和檢驗(yàn)方式不一致,當(dāng)然不排除遙感數(shù)據(jù)處理不當(dāng)?shù)目赡苄浴τ诰矸e神經(jīng)網(wǎng)絡(luò)估產(chǎn)算法的提升,可以將模型對不同省份分開訓(xùn)練,但會存在樣本不足的情況,因而在縣級、鄉(xiāng)鎮(zhèn)級以及村級等小尺度下樣本充足且不存在數(shù)據(jù)分省統(tǒng)計(jì)的誤差,估產(chǎn)精度會更高。

    表3 2007、2012及2016年模型分省精度評價

    4 討 論

    試驗(yàn)中通過直方圖的方式對遙感影像進(jìn)行降維,因此在不同的區(qū)域尺度下本文的算法都有所適用,但不適合實(shí)地采樣點(diǎn)的單產(chǎn)估算。同時深度學(xué)習(xí)算法是“端到端”的,不適用于作物生長過程的描述與機(jī)理表達(dá),只能應(yīng)用于訓(xùn)練數(shù)據(jù)所包含的區(qū)域。算法對于極端天氣等突發(fā)事件的適應(yīng)性不好,但對于氣候的年際波動適應(yīng)性較好,且可以通過輸入數(shù)據(jù)敏感的表達(dá)區(qū)域異質(zhì)性。

    深度學(xué)習(xí)算法建立于大樣本之上,因而對提高算法精度可從樣本的角度出發(fā)。一是直接增加樣本量,在同一范圍更小尺度下隨著樣本數(shù)量的增加精度也會隨之提高。二是基于深度遷移學(xué)習(xí)將不同尺度或者區(qū)域的模型結(jié)合使用,也就相當(dāng)于擴(kuò)大樣本數(shù)量。相較于傳統(tǒng)作物估產(chǎn)方法都是小模型,對大樣本數(shù)據(jù)的擬合能力不強(qiáng),而且需要人工干預(yù)進(jìn)行分區(qū),不能客觀表達(dá)試驗(yàn)結(jié)果。因此大樣本成為深度學(xué)習(xí)類算法的主要特點(diǎn),但對于小樣本的作物估產(chǎn),傳統(tǒng)算法則更勝一籌。未來隨著數(shù)據(jù)的累積,相信深度學(xué)習(xí)算法的優(yōu)勢會逐漸凸顯。

    本文對北方冬小麥區(qū)的估產(chǎn)方法是一種新的探索與嘗試,模型在關(guān)中平原地區(qū)的估產(chǎn)出現(xiàn)離群值,可能是輸入層中沒有參數(shù)代表區(qū)域的空間異質(zhì)性,未來研究可以嘗試在模型中加入坡度、蒸散發(fā)、降雨等地理與氣象數(shù)據(jù),提升模型在不同地域下估產(chǎn)的場景應(yīng)用。另外,本研究使用的MCD12Q1的谷物掩模數(shù)據(jù)包含其他作物,數(shù)據(jù)對估產(chǎn)結(jié)果存在一定程度擾動和誤差,因此更加精確的作物覆蓋數(shù)據(jù)可以提高估產(chǎn)精度。

    5 結(jié) 論

    根據(jù)冬小麥的生長環(huán)境,從MODIS數(shù)據(jù)中選擇12個估產(chǎn)指標(biāo),通過特征工程和卷積神經(jīng)網(wǎng)絡(luò)建立基于統(tǒng)計(jì)數(shù)據(jù)的估產(chǎn)模型,進(jìn)一步提高大范圍冬小麥單產(chǎn)估算效率。同時應(yīng)用本文構(gòu)建的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對2006-2016年逐年樣本進(jìn)行訓(xùn)練預(yù)測,對算法應(yīng)用于國家級冬小麥產(chǎn)量預(yù)報的可行性進(jìn)行研究。主要結(jié)論如下:

    1)卷積神經(jīng)網(wǎng)絡(luò)模型可以從遙感影像中有效地學(xué)習(xí)與冬小麥產(chǎn)量相關(guān)的特征,解決了傳統(tǒng)統(tǒng)計(jì)模型對復(fù)雜關(guān)系擬合的制約,不依賴實(shí)地樣本采集,在模型訓(xùn)練完成后對未來冬小麥產(chǎn)量預(yù)測可以做到實(shí)時高效。

    2)基于卷積神經(jīng)網(wǎng)絡(luò)的遙感估產(chǎn)算法魯棒性較好,精度較高。而且當(dāng)模型出現(xiàn)較大偏差時,不會對算法性能產(chǎn)生負(fù)面的影響,在不同的數(shù)據(jù)集中有著較為一致的結(jié)果,對于國家級冬小麥產(chǎn)量預(yù)報具有良好的應(yīng)用前景。

    3)本文所采用的直方圖降維是遙感應(yīng)用結(jié)合深度學(xué)習(xí)算法的不同思路,這個方法可以在不同尺度以及不同作物中進(jìn)行作物估產(chǎn),解決行政尺度對于算法的限制。在大范圍小尺度中隨著樣本量的增加算法精度會逐漸提升,可對未來基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物估產(chǎn)研究提供科學(xué)參考。

    [1] 吳炳方,蒙繼華,李強(qiáng)子. 國外農(nóng)情遙感監(jiān)測系統(tǒng)現(xiàn)狀與啟示[J]. 地球科學(xué)進(jìn)展,2010,25(10):1003-1012.

    Wu Bingfang, Meng Jihua, Li Qiangzi. Review of overseas crop monitoring system with remote sensing [J]. Advances in Earth Science, 2010, 25(10): 1003-1012. (in Chinese with English abstract)

    [2] 史舟,梁宗正,楊媛媛,等. 農(nóng)業(yè)遙感研究現(xiàn)狀與展望[J]. 農(nóng)業(yè)機(jī)械學(xué)報,2015,46(2):247-260.

    Shi Zhou, Liang Zongzheng, Yang Yuanyuan, et al. Status and prospect of agricultural remote sensing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(2): 247-260. (in Chinese with English abstract)

    [3] 陳仲新,任建強(qiáng),唐華俊,等. 農(nóng)業(yè)遙感研究應(yīng)用進(jìn)展與展望[J]. 遙感學(xué)報,2016,20(5):748-767.

    Chen Zhongxin, Ren Jianqiang, Tang Huajun, et al. Progress and perspectives on agricultural remote sensing research and applications in China[J]. Journal of Remote Sensing, 2016, 20(5): 748-767. (in Chinese with English abstract)

    [4] 黃健熙,黃海,馬鴻元,等. 遙感與作物生長模型數(shù)據(jù)同化應(yīng)用綜述[J]. 農(nóng)業(yè)工程學(xué)報,2018,34(21):144-156.

    Huang Jianxi, Huang Hai, Ma Hongyuan, et al. Review on data assimilation of remote sensing and crop growth models[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 144-156. (in Chinese with English abstract)

    [5] 吳蕾,柏軍華,肖青,等. 作物生長模型與定量遙感參數(shù)結(jié)合研究進(jìn)展與展望[J]. 農(nóng)業(yè)工程學(xué)報,2017,33(9):155-166.

    Wu Lei, Bai Junhua, Xiao Qing, et al. Research progress and prospect on combining crop growth models with parameters derived from quantitative remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(9): 155-166. (in Chinese with English abstract)

    [6] Van Diepen C A, Wolf J, Van Keulen H, et al. WOFOST: A simulation model of crop production[J]. Soil Use and Management, 1989, 5(1): 16-24.

    [7] Bouman B A M, Kropff M J, Tuong T P, et al. ORYZA2000: Modeling Lowland Rice[M]. Los Ba?os: International Rice Research Institute, 2003.

    [8] 馮利平,高亮之,金之慶,等. 小麥發(fā)育期動態(tài)模擬模型的研究[J]. 作物學(xué)報,1997,23(4):418-424.

    Feng Liping, Gao Liangzhi, Jin Zhiqing, et al. Studies on the simulation model for wheat phenology[J]. Acta Agronomica Sinica, 1997, 23(4): 418-424. (in Chinese with English abstract)

    [9] Wang J, Yu Q, Lee X. Simulation of crop growth and energy and carbon dioxide fluxes at different time steps from hourly to daily[J]. Hydrological Processes, 2007, 21(18): 2474-2492.

    [10] 侯英雨,何亮,靳寧,等. 中國作物生長模擬監(jiān)測系統(tǒng)構(gòu)建及應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報,2018,34(21):165-175.

    Hou Yingyu, He Liang, Jin Ning, et al. Establishment and application of crop growth simulating and monitoring system in China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 165-175. (in Chinese with English abstract)

    [11] 顧曉鶴,何馨,郭偉,等. 基于MODIS與TM時序插補(bǔ)的省域尺度玉米遙感估產(chǎn)[J]. 農(nóng)業(yè)工程學(xué)報,2010,26(增刊2):53-58.

    Gu Xiaohe, He Xin, Guo Wei, et al. Maize yield estimation at province scale by interpolation of TM and MODIS time-series images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(Supp.2): 53-58. (in Chinese with English abstract)

    [12] 任建強(qiáng),陳仲新,周清波,等. MODIS植被指數(shù)的美國玉米單產(chǎn)遙感估測[J]. 遙感學(xué)報,2015,19(4):568-577.

    Ren Jianqiang, Chen Zhongxin, Zhou Qingbo, et al. MODIS vegetation index data used for estimating corn yield in USA[J]. Journal of Remote Sensing, 2015, 19(4): 568-577. (in Chinese with English abstract)

    [13] Becker-Reshef I, Vermote E, Lindeman M, et al. A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data[J]. Remote Sensing of Environment, 2010, 114(6): 1312-1323.

    [14] Lambert M J, Traoré P C S, Blaes X, et al. Estimating smallholder crops production at village level from Sentinel-2 time series in Mali's cotton belt[J]. Remote Sensing of Environment, 2018, 216: 647-657.

    [15] 陳聯(lián)裙,朱再春,張錦水,等. 冬小麥遙感估產(chǎn)回歸尺度分析[J]. 農(nóng)業(yè)工程學(xué)報,2010,26(增刊1):169-175.

    Chen Lianqun, Zhu Zaichun, Zhang Jinshui, et al. Regression scale analysis of winter wheat yield estimation by remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(Supp.1): 169-175. (in Chinese with English abstract)

    [16] 朱再春,陳聯(lián)裙,張錦水,等. 基于信息擴(kuò)散和關(guān)鍵期遙感數(shù)據(jù)的冬小麥估產(chǎn)模型[J]. 農(nóng)業(yè)工程學(xué)報,2011,27(2):187-193.

    Zhu Zaichun, Chen Lianqun, Zhang Jinshui, et al. Winter wheat yield estimation model based on information diffusion and remote sensing data at major growth stages[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(2): 187-193. (in Chinese with English abstract)

    [17] 黎銳,李存軍,徐新剛,等. 基于支持向量回歸(SVR)和多時相遙感數(shù)據(jù)的冬小麥估產(chǎn)[J]. 農(nóng)業(yè)工程學(xué)報,2009,25(7):114-117.

    Li Rui, Li Cunjun, Xu Xingang, et al. Winter wheat yield estimation based on support vector machine regression and multi-temporal remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(7): 114-117. (in Chinese with English abstract)

    [18] Bottou L, Cun Y L. Large scale online learning[C]//Advances in neural information processing systems. 2004: 217-224.

    [19] Kaul M, Hill R L, Walthall C. Artificial neural networks for corn and soybean yield prediction[J]. Agricultural Systems, 2005, 85(1): 1-18.

    [20] Ji B, Sun Y, Yang S, et al. Artificial neural networks for rice yield prediction in mountainous regions[J]. The Journal of Agricultural Science, 2007, 145(3): 249-261.

    [21] Kuwata K, Shibasaki R. Estimating crop yields with deep learning and remotely sensed data[C] //Geoscience and Remote Sensing Symposium (IGARSS), 2015 IEEE International. IEEE, 2015: 858-861.

    [22] You J, Li X, Low M, et al. Deep gaussian process for crop yield prediction based on remote sensing data[C] //AAAI. 2017: 4559-4566.

    [23] Sabini M, Rusak G, Ross B. Understanding satellite-imagery- based crop yield predictions[R]. Technical Report. Stanford University, 2017.

    [24] Wang A X, Tran C, Desai N, et al. Deep transfer learning for crop yield prediction with remote sensing data[C]// Proceedings of the 1st ACM SIGCAS Conference on Computing and Sustainable Societies. ACM, 2018: 50.

    [25] Zhang L, Zhang L, Du B. Deep learning for remote sensing data: A technical tutorial on the state of the art[J]. IEEE Geoscience and Remote Sensing Magazine, 2016, 4(2): 22-40.

    [26] 高輝明,張正斌,徐萍,等. 2001-2009 年中國北部冬小麥生育期和產(chǎn)量變化[J]. 中國農(nóng)業(yè)科學(xué),2013,46(11):2201-2210.

    Gao Huiming, Zhang Zhengbin, Xu Ping, et al. Changes of winter wheat growth period and yield in northern China from 2001-2009[J]. Scientia Agricultura Sinica, 2013, 46(11): 2201-2210. (in Chinese with English abstract)

    [27] Idso S B, Jackson R D, Reginato R J. Remote-sensing of crop yields[J]. Science, 1977, 196(4285): 19-25.

    [28] Kouadio L, Newlands N K, Davidson A, et al. Assessing the performance of MODIS NDVI and EVI for seasonal crop yield forecasting at the ecodistrict scale[J]. Remote Sensing, 2014, 6(10): 10193-10214.

    [29] Skakun S, Franch B, Vermote E, et al. Winter wheat yield assessment using Landsat 8 and Sentinel-2 data[C] //IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2018: 5964-5967.

    [30] 吳炳方,曾源,黃進(jìn)良.遙感提取植物生理參數(shù)LAI/FPAR的研究進(jìn)展與應(yīng)用[J]. 地球科學(xué)進(jìn)展,2004,19(4):585-590.

    Wu Bingfang, Zeng Yuan, Huang Jinliang. Overview of LAI/FPAR retrieval from remotely sensed data[J]. Advances in Earth Science, 2004, 19(4): 585-590. (in Chinese with English abstract)

    [31] Ioffe S, Szegedy C. Batch normalization: Accelerating deep network training by reducing internal covariate shift[C]// ICML'15 Proceedings of the 32nd International Conference on International Conference on Machine Learning, 2015, 37: 448-456.

    [32] Zhang C L, Zhang H, Wei X S, et al. Deep bimodal regression for apparent personality analysis[C]//European Conference on Computer Vision. Cham: Springer, 2016: 311-324.

    Remote sensing estimation on yield of winter wheat in North China based on convolutional neural network

    Zhou Liang1,2,3, Mu Haowei1,2,3, Ma Haijiao4, Chen Gaoxing5

    (1.,730070,; 2.,730070,; 3.,730070,; 4.712100; 5.,100871,)

    Accurate and timely winter wheat yield estimation has significant effect to grain markets and policy. Most crop estimation methods can be divided into two categories, one is based on the crop model and the other is the statistical learning method. For statistical learning methods with recent advances in deep learning, convolutional neural network (CNN) have become state-of-the-art algorithms. can extract the depth-dependent features of crop growth. However, the pivotal challenge is to combine remote sensing images with CNN. In this paper, we employ the method of histogram dimensionality reduction and time series fusion to generate the input layer. The experiment firstly performed projection transformation, splicing, mask, fusion, and clipping for 6 different MODIS images in the research area from 2006 to 2016, and then generated 21 600 fusion images of 12 bands (surface reflectance data of 7 different wavelengths in MOD09A1, surface temperature of day and night in MYD11A2, NDVI and EVI in MOD13A1, and FPAR in MOD15A2H). Then, the sensitivity range of winter wheat growth in each band is divided into 36 sections, and the histogram statistics are used to reduce the dimension to generate a vector of length 36, so the remote sensing image generates a matrix of 36×36×12 in the 228-day growing season. The corresponding time and regional statistics are applied as the output layer to construct a complete sample. The yield estimation sample database of 12 indices in the winter wheat region of north China (60 prefecture-level cities) from 2006 to 2016 was constructed, and the training set and verification set were divided into 10:1 for the training and evaluation of yield estimation model. Finally, the neural network structure is designed according to the sample, which consists of the input layer, 7 convolution layers (c1-c7), 7 activation layers, 7 batch normalization layers, 3 dropout layers, 2 full connection layers, and output layer. The number of c1-c7 convolution kernels is 64, 64, 128, 128, 256, 256, 256, the convolution kernel size is 3×3 dpi, and the sliding step length is 2, 1, 2, 2, 2, 1 and 2 respectively, 1 zero paddings per convolutional layer. At the same time, batch normalization and Relu function activation are performed on each convolutional layer, and the Dropout layer is used in the fully connected layer. The results show that: 1) The root-mean-square error (RMSE) and coefficient of determination (2) of the convolutional neural network model on the training set are 183.82 kg/hm2and 0.98 respectively. In the validation set, RMSE and2are 689.72 kg/hm2and 0.71. 2) With the same neural network structure, the average RMSE of the estimated samples from 2006 to 2016 trained as validation sets for 11 models was 772.03 kg/hm2. The error of the yield estimation model was the largest in 2007 and the smallest in 2012, and the RMSE was 920.45 kg/hm2and 632.08 kg/hm2respectively. Crop estimation algorithm based on CNN has high robustness and precision; 3) The accuracy analysis of prediction yield at the municipal level of different provinces in three temporal points of 2007, 2012 and 2016 indicates that the model has higher accuracy in most areas of the northern winter wheat region, especially, RMSE of Hebei and Shandong provinces is approximately 500 kg/hm2. The result shows that CNN is well applied to the estimation of winter wheat production. This is a great thought of remote sensing combined with the deep learning algorithm. This method can be used to estimate yield by remote sensing in different scales and regions. Compared with the traditional method, this “start-to-end” learning method has the advantage of synergy and can obtain the optimal estimation model relative to the whole area. Meanwhile, As data accumulates, the estimation accuracy will be continuously improved, and it has a good application prospect in the national agricultural production forecast.

    crops; yield; remote sensing; crop yield estimation; convolutional neural network; deep learning; winter wheat

    10.11975/j.issn.1002-6819.2019.15.016

    S127

    A

    1002-6819(2019)-15-0119-10

    2019-03-18

    2019-06-11

    國家自然科學(xué)基金項(xiàng)目(41701173,41961027);中國博士后科學(xué)基金項(xiàng)目(2016M600121);甘肅省飛天學(xué)者特聘計(jì)劃;蘭州交通大學(xué)優(yōu)秀平臺支持(201806)

    周 亮,博士,副教授,研究方向?yàn)閰^(qū)域可持續(xù)發(fā)展。Email:zhougeo@126.com

    周 亮,慕號偉,馬海姣,陳高星. 基于卷積神經(jīng)網(wǎng)絡(luò)的中國北方冬小麥遙感估產(chǎn)[J]. 農(nóng)業(yè)工程學(xué)報,2019,35(15):119-128. doi:10.11975/j.issn.1002-6819.2019.15.016 http://www.tcsae.org

    Zhou Liang, Mu Haowei, Ma Haijiao, Chen Gaoxing. Remote sensing estimation on yield of winter wheat in North China based on convolutional neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(15): 119-128. (in Chinese with English abstract) doi:10.11975/j.issn.1002-6819.2019.15.016 http://www.tcsae.org

    猜你喜歡
    估產(chǎn)單產(chǎn)冬小麥
    農(nóng)大農(nóng)企聯(lián)手創(chuàng)山西小麥最高單產(chǎn)新紀(jì)錄
    油菜“不務(wù)正業(yè)”,單產(chǎn)3.4噸
    基于無人機(jī)多光譜遙感數(shù)據(jù)的煙草植被指數(shù)估產(chǎn)模型研究
    單產(chǎn)948.48千克!“金種子”迸發(fā)大能量
    我國玉米單產(chǎn)紀(jì)錄第七次被刷新
    遙感技術(shù)在大豆種植情況監(jiān)測中的應(yīng)用
    甘肅冬小麥田
    基于地級市的區(qū)域水稻遙感估產(chǎn)與空間化研究
    冬小麥和春小麥
    中學(xué)生(2015年4期)2015-08-31 02:53:50
    基于SAR技術(shù)的高原山區(qū)煙草估產(chǎn)模型
    51国产日韩欧美| 日本色播在线视频| 亚洲最大成人中文| 国产精品久久电影中文字幕| 99久久精品国产国产毛片| 免费观看a级毛片全部| 一个人看视频在线观看www免费| 超碰97精品在线观看| 97热精品久久久久久| 一级毛片电影观看 | 亚洲国产高清在线一区二区三| 国产激情偷乱视频一区二区| 超碰97精品在线观看| 久久久久网色| 成人午夜高清在线视频| 婷婷色综合大香蕉| .国产精品久久| 在线播放无遮挡| 大又大粗又爽又黄少妇毛片口| 亚洲av电影不卡..在线观看| 国产高清有码在线观看视频| 自拍偷自拍亚洲精品老妇| 亚洲成人av在线免费| 国产伦精品一区二区三区四那| 偷拍熟女少妇极品色| 美女国产视频在线观看| 精品国产一区二区三区久久久樱花 | 欧美+日韩+精品| 一级黄片播放器| 国模一区二区三区四区视频| 最近最新中文字幕免费大全7| 国产乱人视频| 黄色日韩在线| 99久久精品一区二区三区| 高清毛片免费看| 日本黄色片子视频| 性色avwww在线观看| 国产高清国产精品国产三级 | 免费av不卡在线播放| 黄色日韩在线| 成人综合一区亚洲| 欧美高清性xxxxhd video| 国产精品伦人一区二区| 一个人观看的视频www高清免费观看| 五月伊人婷婷丁香| 精品久久久噜噜| 51国产日韩欧美| 国内精品宾馆在线| 欧美精品国产亚洲| 2021天堂中文幕一二区在线观| 在线观看66精品国产| 在线免费十八禁| 日本五十路高清| 在线免费十八禁| 少妇高潮的动态图| 欧美+日韩+精品| 看非洲黑人一级黄片| 99久久精品热视频| 伦精品一区二区三区| 亚洲欧美精品综合久久99| 久久午夜福利片| 国产精品一及| 国产精品一及| 婷婷六月久久综合丁香| 久久久午夜欧美精品| 中文天堂在线官网| 国产精品一区二区三区四区免费观看| 啦啦啦韩国在线观看视频| 亚洲精品456在线播放app| 国产精品人妻久久久影院| av在线亚洲专区| 又爽又黄a免费视频| 青春草国产在线视频| 18禁裸乳无遮挡免费网站照片| 日本猛色少妇xxxxx猛交久久| 国内揄拍国产精品人妻在线| 亚洲精品自拍成人| 免费看a级黄色片| 国产成人91sexporn| 床上黄色一级片| 观看美女的网站| 天天躁日日操中文字幕| 成人三级黄色视频| 国产精品国产三级专区第一集| 麻豆久久精品国产亚洲av| 色网站视频免费| 国产探花极品一区二区| av在线老鸭窝| 亚洲美女搞黄在线观看| 久久6这里有精品| 男女边吃奶边做爰视频| 91av网一区二区| 人妻夜夜爽99麻豆av| 三级经典国产精品| 久久久欧美国产精品| 国产激情偷乱视频一区二区| 免费在线观看成人毛片| 亚洲av成人av| 亚洲乱码一区二区免费版| 久久久亚洲精品成人影院| 亚洲av成人精品一区久久| 国产精品蜜桃在线观看| 精品欧美国产一区二区三| 欧美色视频一区免费| 亚洲最大成人手机在线| 亚洲av熟女| 91在线精品国自产拍蜜月| 久久精品夜夜夜夜夜久久蜜豆| 国产一区二区三区av在线| 中文字幕av成人在线电影| 男的添女的下面高潮视频| av在线蜜桃| 国产av码专区亚洲av| 欧美最新免费一区二区三区| 久久久久久久久久久免费av| 欧美人与善性xxx| 日韩欧美在线乱码| 国产色婷婷99| videos熟女内射| 99热这里只有精品一区| 亚洲欧美精品综合久久99| 久久韩国三级中文字幕| 免费观看人在逋| 中文欧美无线码| 久久欧美精品欧美久久欧美| 国产乱人视频| 国产高清不卡午夜福利| 亚洲最大成人中文| 国产午夜精品一二区理论片| 99久久精品一区二区三区| 国产综合懂色| 国产又黄又爽又无遮挡在线| 美女高潮的动态| 日本黄色片子视频| 丝袜美腿在线中文| 国产黄片视频在线免费观看| 久久6这里有精品| 最近中文字幕高清免费大全6| 一区二区三区四区激情视频| 卡戴珊不雅视频在线播放| 亚洲av一区综合| 亚洲欧美日韩卡通动漫| 亚洲欧美日韩卡通动漫| 狠狠狠狠99中文字幕| av在线播放精品| 日韩av在线大香蕉| 99国产精品一区二区蜜桃av| 狂野欧美激情性xxxx在线观看| 久久久久久久午夜电影| 国产伦精品一区二区三区视频9| 九九久久精品国产亚洲av麻豆| 亚洲美女视频黄频| 黄片无遮挡物在线观看| 人人妻人人澡欧美一区二区| 男的添女的下面高潮视频| 男的添女的下面高潮视频| 男的添女的下面高潮视频| 亚洲色图av天堂| 久久久久久久久久久免费av| 亚洲最大成人中文| 99久久九九国产精品国产免费| 亚洲国产日韩欧美精品在线观看| 亚洲美女搞黄在线观看| 欧美成人免费av一区二区三区| 久久久国产成人精品二区| 特大巨黑吊av在线直播| 欧美性感艳星| 精品久久久久久久久av| 深爱激情五月婷婷| 国产精品日韩av在线免费观看| 久久综合国产亚洲精品| 一区二区三区四区激情视频| 欧美xxxx黑人xx丫x性爽| 午夜精品在线福利| 69av精品久久久久久| 久久午夜福利片| 麻豆成人午夜福利视频| 国产美女午夜福利| 欧美丝袜亚洲另类| 欧美色视频一区免费| 天美传媒精品一区二区| 久久久久久久午夜电影| 中国国产av一级| 亚洲aⅴ乱码一区二区在线播放| 岛国在线免费视频观看| 一边摸一边抽搐一进一小说| 精品欧美国产一区二区三| 国产黄片视频在线免费观看| 最后的刺客免费高清国语| 国产黄片视频在线免费观看| 少妇猛男粗大的猛烈进出视频 | 国产一区亚洲一区在线观看| 免费av毛片视频| 国产精品人妻久久久影院| or卡值多少钱| av国产久精品久网站免费入址| 乱系列少妇在线播放| 一级av片app| 色尼玛亚洲综合影院| av黄色大香蕉| 亚洲丝袜综合中文字幕| 亚洲欧美成人精品一区二区| 网址你懂的国产日韩在线| 成人亚洲欧美一区二区av| 精品人妻偷拍中文字幕| 久久久久精品久久久久真实原创| 亚洲国产欧美在线一区| 嫩草影院精品99| 女人十人毛片免费观看3o分钟| 日本欧美国产在线视频| 亚洲欧美一区二区三区国产| 99久国产av精品| 国产综合懂色| 可以在线观看毛片的网站| 国产毛片a区久久久久| 寂寞人妻少妇视频99o| 国产精品国产三级专区第一集| 看非洲黑人一级黄片| 99在线人妻在线中文字幕| 深爱激情五月婷婷| videossex国产| 午夜激情欧美在线| 国产精品久久电影中文字幕| 色尼玛亚洲综合影院| kizo精华| av天堂中文字幕网| 午夜福利网站1000一区二区三区| 深夜a级毛片| 亚洲一级一片aⅴ在线观看| 亚洲国产欧洲综合997久久,| 欧美一区二区亚洲| 欧美xxxx黑人xx丫x性爽| 精品无人区乱码1区二区| 别揉我奶头 嗯啊视频| 大又大粗又爽又黄少妇毛片口| 熟妇人妻久久中文字幕3abv| 国产成人精品久久久久久| 日韩欧美精品v在线| 欧美精品国产亚洲| 亚洲av熟女| 久久精品夜色国产| 国产综合懂色| 国产伦理片在线播放av一区| 日本免费在线观看一区| 中文欧美无线码| 黑人高潮一二区| 亚洲欧美日韩卡通动漫| 能在线免费观看的黄片| 亚洲不卡免费看| 国产午夜精品论理片| 99久久九九国产精品国产免费| 91久久精品电影网| 国产伦精品一区二区三区视频9| 床上黄色一级片| av视频在线观看入口| 亚洲欧美中文字幕日韩二区| 九九爱精品视频在线观看| 超碰97精品在线观看| 精品人妻一区二区三区麻豆| 亚洲图色成人| 国产成人午夜福利电影在线观看| 精品少妇黑人巨大在线播放 | 国产真实伦视频高清在线观看| 亚洲av福利一区| 免费大片18禁| 国产片特级美女逼逼视频| 亚洲久久久久久中文字幕| 国产精品不卡视频一区二区| 国产午夜精品论理片| 国产成人精品久久久久久| 午夜a级毛片| 亚洲av一区综合| 水蜜桃什么品种好| av线在线观看网站| 免费av观看视频| 午夜福利在线观看免费完整高清在| 日韩精品有码人妻一区| 最近视频中文字幕2019在线8| 亚洲欧美清纯卡通| 亚洲欧美一区二区三区国产| 国产av一区在线观看免费| 亚洲国产日韩欧美精品在线观看| 国产老妇女一区| 欧美日韩精品成人综合77777| 国产成人福利小说| 一区二区三区乱码不卡18| 亚洲av不卡在线观看| a级一级毛片免费在线观看| 欧美日韩一区二区视频在线观看视频在线 | 黄片wwwwww| 又粗又硬又长又爽又黄的视频| 91在线精品国自产拍蜜月| 成人av在线播放网站| 真实男女啪啪啪动态图| 内射极品少妇av片p| 国产免费一级a男人的天堂| 1000部很黄的大片| 亚洲怡红院男人天堂| 色综合站精品国产| 久久韩国三级中文字幕| 欧美xxxx性猛交bbbb| 精品99又大又爽又粗少妇毛片| 99久久精品一区二区三区| 夫妻性生交免费视频一级片| 国产 一区精品| 97在线视频观看| 亚洲高清免费不卡视频| 桃色一区二区三区在线观看| 午夜免费男女啪啪视频观看| 亚洲性久久影院| 精品不卡国产一区二区三区| 亚洲精品日韩av片在线观看| 亚洲精品国产成人久久av| 乱系列少妇在线播放| 国产高清三级在线| 欧美区成人在线视频| 免费观看a级毛片全部| 国产精品精品国产色婷婷| 三级毛片av免费| 特大巨黑吊av在线直播| 久久精品熟女亚洲av麻豆精品 | 久久久精品欧美日韩精品| 能在线免费观看的黄片| 十八禁国产超污无遮挡网站| 两性午夜刺激爽爽歪歪视频在线观看| 久久精品人妻少妇| 亚洲欧洲日产国产| 国产精品久久久久久精品电影小说 | 精品欧美国产一区二区三| 高清毛片免费看| 国产免费男女视频| 国产三级在线视频| 97在线视频观看| 国内精品宾馆在线| 国产综合懂色| 国产毛片a区久久久久| 欧美日本亚洲视频在线播放| 青春草亚洲视频在线观看| 少妇熟女欧美另类| 久久久久久久久中文| 中文天堂在线官网| 亚洲av成人av| 亚洲av免费高清在线观看| 久久韩国三级中文字幕| 免费黄网站久久成人精品| 久久鲁丝午夜福利片| av国产免费在线观看| 午夜亚洲福利在线播放| 毛片一级片免费看久久久久| 精品99又大又爽又粗少妇毛片| 免费观看精品视频网站| 国产午夜福利久久久久久| 2021天堂中文幕一二区在线观| 亚洲最大成人av| 一级黄片播放器| 国产伦精品一区二区三区四那| 国产av码专区亚洲av| 色噜噜av男人的天堂激情| 亚洲美女视频黄频| 岛国在线免费视频观看| 蜜桃亚洲精品一区二区三区| 特级一级黄色大片| 日产精品乱码卡一卡2卡三| av又黄又爽大尺度在线免费看 | 日日撸夜夜添| 国产精品久久视频播放| 日韩三级伦理在线观看| 视频中文字幕在线观看| 免费在线观看成人毛片| 国产成人一区二区在线| 亚洲激情五月婷婷啪啪| 亚洲国产欧美人成| 国产精品久久久久久av不卡| 少妇人妻精品综合一区二区| 波多野结衣巨乳人妻| 小说图片视频综合网站| 国产成人91sexporn| 亚洲高清免费不卡视频| 亚洲不卡免费看| 人妻制服诱惑在线中文字幕| 亚洲国产精品sss在线观看| 我要搜黄色片| 精品人妻熟女av久视频| 免费人成在线观看视频色| 免费观看在线日韩| av免费在线看不卡| 禁无遮挡网站| 国产色爽女视频免费观看| 国内精品一区二区在线观看| 成人毛片60女人毛片免费| 中文天堂在线官网| 久久人人爽人人爽人人片va| 最近视频中文字幕2019在线8| 日韩一区二区三区影片| 午夜视频国产福利| 日本与韩国留学比较| 成人特级av手机在线观看| 色视频www国产| 欧美+日韩+精品| 日本免费在线观看一区| 久久精品影院6| av卡一久久| 搡女人真爽免费视频火全软件| 女人十人毛片免费观看3o分钟| 国产精品美女特级片免费视频播放器| 大又大粗又爽又黄少妇毛片口| 永久网站在线| 亚洲av福利一区| 国产精品一区www在线观看| 九九爱精品视频在线观看| 精品久久久久久久久久久久久| 特级一级黄色大片| 少妇丰满av| av卡一久久| 亚洲va在线va天堂va国产| 乱码一卡2卡4卡精品| 99视频精品全部免费 在线| 亚洲激情五月婷婷啪啪| 日韩欧美精品v在线| 久久6这里有精品| 如何舔出高潮| 人人妻人人澡人人爽人人夜夜 | 熟女电影av网| 欧美日韩精品成人综合77777| 欧美xxxx黑人xx丫x性爽| 亚洲国产成人一精品久久久| 人人妻人人澡人人爽人人夜夜 | 欧美激情在线99| 99热全是精品| 国产又色又爽无遮挡免| 夜夜看夜夜爽夜夜摸| www日本黄色视频网| 毛片一级片免费看久久久久| 亚洲图色成人| 亚洲中文字幕日韩| 精品久久国产蜜桃| 如何舔出高潮| 国产av码专区亚洲av| 亚洲综合色惰| 日本一二三区视频观看| 久久这里只有精品中国| 国模一区二区三区四区视频| 精品国内亚洲2022精品成人| 国产亚洲5aaaaa淫片| 免费搜索国产男女视频| 亚洲三级黄色毛片| 1000部很黄的大片| 亚洲伊人久久精品综合 | 亚洲av免费高清在线观看| 波多野结衣巨乳人妻| eeuss影院久久| 国内精品宾馆在线| 亚洲不卡免费看| 在线天堂最新版资源| 黑人高潮一二区| 如何舔出高潮| 亚洲中文字幕一区二区三区有码在线看| 亚洲精品色激情综合| 久久精品久久久久久久性| 网址你懂的国产日韩在线| 国产av不卡久久| 啦啦啦啦在线视频资源| 在线天堂最新版资源| av在线天堂中文字幕| 老女人水多毛片| 亚洲精品亚洲一区二区| 一个人观看的视频www高清免费观看| av在线老鸭窝| 黄片无遮挡物在线观看| 少妇猛男粗大的猛烈进出视频 | 成人毛片60女人毛片免费| 免费av毛片视频| 18禁裸乳无遮挡免费网站照片| 夜夜爽夜夜爽视频| av在线蜜桃| 免费看美女性在线毛片视频| 国产视频内射| 欧美日本视频| 搡女人真爽免费视频火全软件| 久久久国产成人免费| 日韩在线高清观看一区二区三区| 亚洲欧美成人综合另类久久久 | 老女人水多毛片| 国产久久久一区二区三区| 久久精品人妻少妇| 亚洲国产精品成人综合色| 啦啦啦观看免费观看视频高清| 日本色播在线视频| 国产精华一区二区三区| 尾随美女入室| 爱豆传媒免费全集在线观看| 欧美xxxx性猛交bbbb| 黄色一级大片看看| 一级毛片电影观看 | 国产乱人偷精品视频| 又粗又爽又猛毛片免费看| 少妇猛男粗大的猛烈进出视频 | 身体一侧抽搐| 久久久久久久午夜电影| 99久国产av精品| 寂寞人妻少妇视频99o| 免费看美女性在线毛片视频| 中文在线观看免费www的网站| 国产老妇女一区| 成年女人看的毛片在线观看| 亚洲精品日韩av片在线观看| 久久国产乱子免费精品| 免费电影在线观看免费观看| av免费在线看不卡| 国产av不卡久久| 九九热线精品视视频播放| 春色校园在线视频观看| 特级一级黄色大片| 成人毛片60女人毛片免费| 视频中文字幕在线观看| 青春草视频在线免费观看| 国产午夜精品久久久久久一区二区三区| 日日干狠狠操夜夜爽| 国产色爽女视频免费观看| 亚洲自拍偷在线| 久久久国产成人免费| 国内精品一区二区在线观看| 久久久久久久午夜电影| 99热这里只有精品一区| 亚洲精品日韩在线中文字幕| 丰满少妇做爰视频| 国产成人午夜福利电影在线观看| 菩萨蛮人人尽说江南好唐韦庄 | 免费观看人在逋| 国产免费又黄又爽又色| 日本免费一区二区三区高清不卡| 久久韩国三级中文字幕| 日韩在线高清观看一区二区三区| 亚洲真实伦在线观看| 卡戴珊不雅视频在线播放| 丝袜喷水一区| 精品久久久久久久久亚洲| 午夜福利视频1000在线观看| 精品久久久久久久人妻蜜臀av| 精品一区二区免费观看| 国产精品久久久久久精品电影小说 | 国产国拍精品亚洲av在线观看| 18禁动态无遮挡网站| 免费观看a级毛片全部| 久99久视频精品免费| 99久久九九国产精品国产免费| 九九热线精品视视频播放| 日本一本二区三区精品| 男人舔女人下体高潮全视频| 青春草国产在线视频| 成年女人看的毛片在线观看| 欧美zozozo另类| 大又大粗又爽又黄少妇毛片口| 精品久久久久久电影网 | 国产精品一区二区在线观看99 | 久久99热6这里只有精品| 夜夜看夜夜爽夜夜摸| 国产精品久久久久久av不卡| 一级爰片在线观看| 国产不卡一卡二| 午夜激情欧美在线| 在线天堂最新版资源| 最近中文字幕高清免费大全6| 成人欧美大片| 26uuu在线亚洲综合色| 国产精品一二三区在线看| 最近中文字幕2019免费版| 国产成人免费观看mmmm| 精品99又大又爽又粗少妇毛片| 国产亚洲5aaaaa淫片| 老司机影院成人| 美女脱内裤让男人舔精品视频| 一个人观看的视频www高清免费观看| 久久久久免费精品人妻一区二区| АⅤ资源中文在线天堂| 又爽又黄a免费视频| 久久精品国产自在天天线| a级毛色黄片| 日韩一本色道免费dvd| 1024手机看黄色片| 欧美日韩综合久久久久久| 久久99热这里只频精品6学生 | 99久久人妻综合| 深夜a级毛片| 亚洲经典国产精华液单| 国产精品久久久久久精品电影| 亚洲五月天丁香| 成年女人看的毛片在线观看| 成人av在线播放网站| 中文字幕av成人在线电影| 久久久久性生活片| 亚洲精品久久久久久婷婷小说 | 国产在线一区二区三区精 | 一边摸一边抽搐一进一小说| 国产极品精品免费视频能看的| 精品一区二区三区视频在线| av在线蜜桃| 国产美女午夜福利| 日本五十路高清| 干丝袜人妻中文字幕| 国产极品天堂在线| 一级av片app| 精品久久久久久电影网 | 国产精品av视频在线免费观看| 亚洲天堂国产精品一区在线| 少妇的逼好多水| 麻豆成人av视频| 亚洲五月天丁香| 亚洲精品aⅴ在线观看| 亚洲人与动物交配视频| 亚洲成人精品中文字幕电影| 国产成人aa在线观看| 村上凉子中文字幕在线| 久久久久久久国产电影| 七月丁香在线播放|