亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于遙感的作物產(chǎn)量和產(chǎn)量差估算研究進展

        2023-12-29 00:00:00盧必慧邱琳李衛(wèi)國王志明田苗王晶單捷
        江蘇農(nóng)業(yè)學報 2023年3期

        摘要: 作物產(chǎn)量差研究對于認識當前生產(chǎn)力現(xiàn)狀和提高作物產(chǎn)量至關重要。以往產(chǎn)量差研究方法如田間試驗、統(tǒng)計分析以及作物生長模型模擬分析,在區(qū)域尺度應用時常受限于空間上的異質(zhì)環(huán)境以及田間管理信息不足等因素。本文重點綜述了當前利用遙感技術以及遙感結(jié)合作物模型等方法來估算作物產(chǎn)量和產(chǎn)量差的研究進展,并介紹了利用遙感技術分析產(chǎn)量差形成因素的方法,最后對當前研究中存在的一些問題以及未來的研究方向進行了討論和展望。

        關鍵詞: 產(chǎn)量;產(chǎn)量差;遙感;作物模型;限制因素

        中圖分類號: S127 文獻標識碼: A 文章編號: 1000-4440(2023)03-0881-14

        Research progress on crop yield and yield gap estimation based on remote sensing

        LU Bi-hui, QIU Lin, LI Wei-guo, WANG Zhi-ming, TIAN Miao, WANG Jing, SHAN Jie

        (Institute of Agricultural Information, Jiangsu Academy of Agricultural Sciences, Nanjing 210014, China)

        Abstract: The study of crop yield gap is very important for understanding the current productivity status and improving crop yield. In regional application, previous yield gap research methods such as field experiment, statistical analysis and crop growth model simulation analysis, are aften limited by factors such as spatial heterogeneous environment and insufficient field management information. This paper focused on the current research progress of using remote sensing technology and remote sensing combined with crop model to estimate crop yield and yield gap, and introduced the method of using remote sensing technology to analyze the factors causing yield gap. Finally, some problems existing in the current research and future research directions were discussed and prospected.

        Key words: yield;yield gap;remote sensing;crop model;limiting factor

        糧食安全問題一直都是全球共同關注的焦點。總體來說,增加糧食總產(chǎn)量的主要途徑有兩個:一是擴大糧食作物種植面積;二是提高作物單產(chǎn)水平。前者不僅需要耗費大量的人力、物力去開發(fā)地力貧瘠的土地,而且還會對生態(tài)環(huán)境造成破壞[1]。因此,在當前人口和糧食需求不斷增長、耕地面積逐漸縮減的背景下,尤其是在不進行大規(guī)模的耕地擴張的前提下,實現(xiàn)可持續(xù)的糧食單產(chǎn)提升對于緩解農(nóng)業(yè)生產(chǎn)壓力、解決未來糧食需求以及保障糧食安全顯得至關重要。

        耕地作物實際產(chǎn)量與潛在產(chǎn)量之間存在較大差距是目前公認的事實[2-3]。地區(qū)間甚至同一地區(qū)不同田塊間作物產(chǎn)量也存在顯著差異,這種現(xiàn)象廣泛存在于世界各國的農(nóng)業(yè)生產(chǎn)中[4-6]。Lobell等認為在大多數(shù)灌溉系統(tǒng)中,小麥、水稻和玉米等主要作物的產(chǎn)量似乎達到或者接近產(chǎn)量潛力的80%,迄今為止沒有證據(jù)證明產(chǎn)量已經(jīng)超過這一閾值,并且預測在未來幾十年里,許多地區(qū)田間作物可達到的最高產(chǎn)量可能會趨于穩(wěn)定,甚至下降[2]。事實上,在當前世界上很多主要糧食作物生產(chǎn)地區(qū),糧食單產(chǎn)增長確實緩慢,甚至出現(xiàn)了單產(chǎn)下降的報道[7-8]。當實際產(chǎn)量趨于平穩(wěn)和停滯時,確定這種停滯是由于產(chǎn)量差距不斷減小所導致,還是由于田間管理、土壤退化、污染以及氣候變化等因素所造成的就顯得非常重要。因此,開展作物產(chǎn)量差研究,了解區(qū)域作物生產(chǎn)現(xiàn)狀和生產(chǎn)潛力,量化作物產(chǎn)量的可提升空間,分析一個地區(qū)作物產(chǎn)量的主要限制因素,明確未來作物產(chǎn)量提升的重點區(qū)域?qū)τ诳s小作物產(chǎn)量差距、提高糧食產(chǎn)量和保障糧食安全具有重要意義[9-10]。

        1 產(chǎn)量差概念

        1.1 產(chǎn)量差與產(chǎn)量水平

        作物產(chǎn)量差研究最早開始于1974國際水稻研究所對亞洲水稻產(chǎn)量差的研究[11]。隨后開始出現(xiàn)了多種產(chǎn)量差的概念模型,其中具有代表性的是1977年Gomez提出了田塊潛在產(chǎn)量(Potential farm yield)的概念,并通過把產(chǎn)量限制因子進行有效分組來尋找引起產(chǎn)量差的因素[12]。產(chǎn)量差(YG)概念是De Datta 于1981年首次明確提出的,被定義為農(nóng)田實際產(chǎn)量與實驗站潛在產(chǎn)量的差距,把引起產(chǎn)量差距的因子叫做產(chǎn)量限制因子[13]。后來又有研究學者先后提出了田塊產(chǎn)量差、可開發(fā)產(chǎn)量差和可獲得產(chǎn)量差等概念,產(chǎn)量差概念被不斷豐富和完善,并界定為不同評估條件下由潛在產(chǎn)量和實際產(chǎn)量所估算得到的產(chǎn)量差距[14-17]。

        目前作物產(chǎn)量差被普遍定義為作物實際產(chǎn)量與潛在產(chǎn)量的差距,代表了未來產(chǎn)量增長的可能空間[18]。潛在產(chǎn)量(Yp),也稱為產(chǎn)量潛力,是最高產(chǎn)量水平。它代表一個地區(qū)作物在較高管理水平下(不受水分、養(yǎng)分以及病蟲害的脅迫)由光溫條件所決定的產(chǎn)量上限,即光溫潛在產(chǎn)量[18-19]。通常來說,作物光溫潛在產(chǎn)量(Yp)是針對具有灌溉系統(tǒng)的地塊而言的。對于雨養(yǎng)地塊,作物產(chǎn)量潛力很大程度地受到水分和土壤類型的影響[16]??紤]到大多數(shù)雨養(yǎng)地塊作物(如小麥和玉米)在生長季出現(xiàn)短期缺水的可能性,產(chǎn)量潛力通常為水分限制條件下所能達到的最大產(chǎn)量,即雨養(yǎng)潛在產(chǎn)量(Ywp)[20]。實際產(chǎn)量(Ya),是指某一地區(qū)田間作物生產(chǎn)中實際獲得的產(chǎn)量。為了表示一個特定地理區(qū)域里的空間差異性,實際產(chǎn)量被定義為在當前該區(qū)域氣候、土壤、品種和管理條件下,獲得的空間上的平均產(chǎn)量[16]。由于受到水分、養(yǎng)分、病蟲害以及管理方式(如播期和密度)等因素的影響,田間作物獲得的實際產(chǎn)量通常遠遠低于潛在產(chǎn)量[21-22]。

        總體而言,潛在產(chǎn)量是一個理想化概念,在當前田間條件下很難實現(xiàn)[23-24]??紤]到實際生產(chǎn)水平和經(jīng)濟成本等因素,一些學者提出了一種與實際生產(chǎn)條件更相關的產(chǎn)量潛力基準, 即可達到的潛在產(chǎn)量,也稱為農(nóng)戶潛在產(chǎn)量[25]。這定義了農(nóng)民現(xiàn)有技術水平下的最高經(jīng)濟產(chǎn)量,實際產(chǎn)量與可達到的潛在產(chǎn)量之間的差距被定義為可開發(fā)的產(chǎn)量差[26]。準確地評估可開發(fā)的產(chǎn)量差,量化通過改善可控制因素(如田間管理)來實現(xiàn)增產(chǎn),對于提高區(qū)域產(chǎn)量十分重要。

        1.2 產(chǎn)量差的傳統(tǒng)研究方法

        產(chǎn)量差研究最早集中在實驗室水平或田塊尺度,通過不同的試驗處理進行比較分析,量化具體栽培方案對作物產(chǎn)量的影響[27],但在解釋變異方面具有局限性。區(qū)域尺度的作物產(chǎn)量差研究有助于理解多種因子在產(chǎn)量形成中的作用及其相關性,并且可以明確縮減產(chǎn)量差和提升產(chǎn)量的重點區(qū)域[28]。以往作物產(chǎn)量差的研究方法,主要分為以下兩種:

        (1)試驗調(diào)查及統(tǒng)計分析方法。通過調(diào)查獲取農(nóng)戶作物管理信息,輔助于土壤和作物品種信息的作物田塊產(chǎn)量差的估算方法[29],適用于討論某個地區(qū)的產(chǎn)量差及其限制因素。主要的研究方法包括:①根據(jù)影響產(chǎn)量的一個或幾個因素,嚴格控制其他條件,在試驗站或農(nóng)戶田塊設置特殊處理,然后與某一預定方法比較研究[30];②快速農(nóng)村評估法(RRA),是一種采用多學科調(diào)查小組執(zhí)行、定性快速且不斷學習的系統(tǒng)性和半結(jié)構(gòu)性的調(diào)查方法,在應用RRA進行產(chǎn)量限制因子分析的過程中,農(nóng)民僅參加獲取數(shù)據(jù)、發(fā)現(xiàn)和討論問題等過程,并不參與分析過程,因此有利于研究人員快速全面收集數(shù)據(jù)[31];③跟蹤試驗,該方法是在RRA基礎上進行的作物產(chǎn)量限制因子分析試驗。整個過程是在農(nóng)民不知情的前提下,研究人員在農(nóng)民田塊里布置試驗,驗證RRA方法的可靠性[32]。這類方法雖然簡單,但需要充足的試驗數(shù)據(jù),且對數(shù)據(jù)有較高要求。另外,農(nóng)戶調(diào)查耗費成本較高,準確收集土壤和作物管理信息具有一定的難度,并且調(diào)查的主觀性較強,難免漏掉一些引起產(chǎn)量差異的信息,因此限制其在區(qū)域上的推廣應用。

        (2)作物生長模型模擬分析方法。通過定義某一生產(chǎn)投入水平,收集模型運行所需要的數(shù)據(jù),即可估算環(huán)境因素(天氣和土壤)、生物因素(品種)和種植管理因素(耕作方式、播種密度、施肥和水分及病蟲害控制)等對作物生長過程的影響。通過比較不同模擬水平的作物產(chǎn)量與實際產(chǎn)量的差距,確定生產(chǎn)中存在的主要問題,進而有針對性地進行優(yōu)化決策[33]。目前研究中常用的作物生長模型主要包括APSIM、ORYZA、DSSAT、CERES及Hybrid-Maize等。

        在特定作物和種植系統(tǒng)下,模型較好地考慮了作物生長發(fā)育過程與田間管理措施之間的交互作用,是當下估算產(chǎn)量潛力和產(chǎn)量差的可靠方法[34-38]。然而,由于作物生態(tài)系統(tǒng)的復雜性,模型的模擬結(jié)果仍存在很大的不確定性[6]。其次,模型應用時需要田塊水平的氣象、土壤、田間管理措施等信息,而這方面的數(shù)據(jù)相對較少,為了實現(xiàn)產(chǎn)量差的區(qū)域估算,通常需要結(jié)合區(qū)域網(wǎng)格數(shù)據(jù)(降雨、溫度、輻射和土壤等),利用空間平均或插值的方法將站點的觀測值內(nèi)插到整個研究區(qū)域[39-40]。然而,由于所選作物模型和用于產(chǎn)量潛力估算的網(wǎng)格點空間位置不同,導致同一研究區(qū)的產(chǎn)量差估算差異很大,無法準確推斷產(chǎn)量差形成的根本原因,并且對于較大區(qū)域的插值和外推可能會導致局部地區(qū)影響因素信息的丟失[17]。

        2 基于遙感技術的作物產(chǎn)量差估算

        作物產(chǎn)量差研究的一個根本挑戰(zhàn)在于農(nóng)業(yè)景觀格局具有較大的時空差異性。在過去三十年里,衛(wèi)星遙感技術已成為處理時空異質(zhì)性的有效工具。利用遙感技術以及結(jié)合作物模型等方法,可以準確估計作物產(chǎn)量,分析出實際產(chǎn)量與潛在生產(chǎn)力間的差距,并通過分析遙感反映的地面空間信息, 揭示影響作物產(chǎn)量和產(chǎn)量差的限制因素,從而提高對產(chǎn)量差的理解和解釋性[41-42]。

        2.1 實際產(chǎn)量估算

        產(chǎn)量差的估算需要對實際產(chǎn)量和潛在產(chǎn)量進行量化。估算實際產(chǎn)量是其中一個重要同時也可能是最薄弱的環(huán)節(jié)。傳統(tǒng)的作物估產(chǎn)方法如統(tǒng)計調(diào)查估產(chǎn)、基于作物生理參數(shù)和產(chǎn)量構(gòu)成要素之間的相關性所建立的農(nóng)學估產(chǎn)模型以及農(nóng)業(yè)氣象模型等,因其計算復雜、成本高、影響因子難以定量化等因素而在區(qū)域應用中難以推廣[43-45]。遙感技術能夠提供作物產(chǎn)量的時空分布信息,利用遙感信息建模和區(qū)域作物估產(chǎn)已得到廣泛應用。目前基于衛(wèi)星遙感技術估算作物實際產(chǎn)量的方法有如下幾種:

        (1)經(jīng)驗模型

        早期遙感估產(chǎn)的建模方法主要是建立地面實測產(chǎn)量與光譜植被指數(shù)(VI)或遙感反演作物參數(shù)(如LAI)之間的統(tǒng)計關系, 并不涉及作物單產(chǎn)的形成機理[46-47]。此類模型簡單高效,但只適用于特定區(qū)域,將模型外推到擴展的時空尺度時存在不確定性[48],且往往不考慮作物產(chǎn)量形成的復雜過程,缺乏對機理過程的解釋。此外,光譜參數(shù)多元函數(shù)的性質(zhì)也會增加模型的不確定性[49]。

        當前,隨著衛(wèi)星遙感數(shù)據(jù)可獲取性和數(shù)據(jù)處理技術的提高,利用遙感統(tǒng)計模型的估產(chǎn)方法取得了新進展。相較于依賴地面觀測數(shù)據(jù)的經(jīng)驗模型,Lobell等提出了一種不需要地面校準產(chǎn)量數(shù)據(jù)的可擴展的衛(wèi)星作物產(chǎn)量制圖新方法(SCYM)[50]。該方法首先利用作物生長模型進行多次模擬,將模型的模擬輸出結(jié)果(如LAI和產(chǎn)量),按照以往文獻中已有的經(jīng)驗模型或者是利用獨立觀測數(shù)據(jù)所建立的統(tǒng)計模型轉(zhuǎn)換為遙感觀測變量(實質(zhì)是偽觀測,如光學植被指數(shù)),然后將轉(zhuǎn)化后的遙感觀測變量與模型模擬的產(chǎn)量結(jié)合起來,以訓練出一個線性回歸模型,最后根據(jù)回歸模型和遙感影像觀測數(shù)據(jù)進行產(chǎn)量估算。

        相較于傳統(tǒng)線性回歸模型,SCYM的優(yōu)勢在于利用了作物生長模型中的生長信息,并納入了氣象變量和多個觀測日期的植被指數(shù)(或其他遙感觀測變量),形成了一個通用的多元線性回歸模型,以可擴展的方式解釋遙感觀測結(jié)果。該方法最初被應用到美國雨養(yǎng)田塊玉米和大豆產(chǎn)量估測中,運用谷歌地球引擎(GEE)云計算平臺對多年的Landsat數(shù)據(jù)進行快速預處理、云掩模,計算葉綠素植被指數(shù)(GCVI),估算美國中西部的玉米和大豆田塊產(chǎn)量,并以玉米為例分析了田塊內(nèi)和田塊間的產(chǎn)量空間異質(zhì)性,這不僅對大尺度農(nóng)業(yè)監(jiān)測和可持續(xù)農(nóng)業(yè)管理具有重要意義,還能夠在更精細的尺度下跟蹤產(chǎn)量的空間變化[50-52]。這種方法也在小農(nóng)農(nóng)業(yè)系統(tǒng)(Smallholder farming system)中表現(xiàn)出較好的可移植性[53],并且在產(chǎn)量差研究中得到了應用[54-56]。

        (2)半經(jīng)驗半機理模型

        半經(jīng)驗半機理模型也稱為參數(shù)模型,是指以Monteith首次提出的光能利用率(LUE)概念為基礎的模型[57]。模型指出:(1)在整個生長季內(nèi),總生物量產(chǎn)出與作物冠層對入射光合有效輻射(PAR)的總吸收量成正比;(2)光能利用效率(LUE)是生物量與冠層吸收光合有效輻射(APAR)的比值,理論上是相對恒定的[58]。產(chǎn)量(Yield)模擬通常用如下公式來描述:

        式中,t是作物生長發(fā)育時間(d),n為作物播種至成熟的天數(shù)。PARt為播種后第t d 入射光合有效輻射(PAR), fAPARt為第t d入射光合有效輻射被冠層吸收的比率,LUE為輻射量轉(zhuǎn)變?yōu)樯锪康男?,HI為收獲指數(shù)。

        基于LUE概念的遙感估產(chǎn)模型,通過應用遙感信息定量反演產(chǎn)量形成過程中的生物物理參數(shù)或限制因子,實現(xiàn)作物生物量的動態(tài)模擬,并得到單產(chǎn)信息。這里遙感獲取的參數(shù)主要是被作物冠層吸收的光合有效輻射比例(fAPAR),通過其與遙感植被指數(shù)(如NDVI和SR)建立回歸方程來估算,在無法每日獲取遙感數(shù)據(jù)時通常利用插值方法獲取模型所需的每日fAPAR[59]。其他參數(shù)如:①冠層入射光合有效輻射(PAR):通常來自于氣象站數(shù)據(jù)或者基于衛(wèi)星遙感數(shù)據(jù)的估算;②光能利用效率(LUE)和收獲指數(shù)(HI),一般被看作為常數(shù),但實際的LUE由于受到環(huán)境脅迫影響(如溫度和水分)往往是變化的;HI與作物產(chǎn)量存在較高相關性,對于區(qū)域尺度HI的獲取,通常采用常量法或插值法賦值[60-62]。

        LUE模型以CASA[63]、C-flux[64]、VPM[65]和EC-LUE[66]等為代表,適用于大尺度的應用,能夠提供可靠的植被生產(chǎn)力和作物產(chǎn)量估計值[66-69]。與經(jīng)驗模型相比,LUE模型能夠表達光合有效輻射對作物產(chǎn)量的影響,但仍存在對作物生長狀況的過度概括(模型缺少對作物生長過程的描述)所導致估算產(chǎn)量偏差較大等問題[59]。另外, fAPAR與最終生物量之間不完全的統(tǒng)計關系以及LUE和HI的時空分布難以準確量化,一定程度上限制了該類模型在區(qū)域作物單產(chǎn)估測中的應用[70]。

        (3)機理模型

        機理模型亦稱為過程模型,包括作物生長模型和生態(tài)過程模型。由于作物生長模型和遙感觀測均有各自的優(yōu)缺點,利用數(shù)據(jù)同化方法(數(shù)據(jù)同化框架)將二者結(jié)合,可以實現(xiàn)更為準確的區(qū)域尺度作物估產(chǎn)[71-72]。同化法是通過調(diào)整作物生長模型中與作物生長發(fā)育和產(chǎn)量有密切相關并難于獲取的初始條件和參數(shù),來減小遙感觀測值與相應模型模擬值之間的差距,從而達到估計初始值和參數(shù)值的目的[73]。當前數(shù)據(jù)同化的方法分為兩種:(1)基于代價函數(shù)的參數(shù)優(yōu)化方法;(2)基于估計理論的順序濾波方法[74]。前者以四維變分(4DVar)為代表,采用整個同化窗口內(nèi)的觀測值來重新調(diào)整模型參數(shù),參數(shù)優(yōu)化精度與遙感觀測的頻率和時間點密切相關,當作物模型與輻射傳輸模型耦合時,優(yōu)化效果主要取決于輻射傳輸模型中的參數(shù)精度,而這些參數(shù)在區(qū)域尺度上具有較大空間變異[75-76]。而后者以集合卡爾曼濾波算法(EnKF)為代表,將連續(xù)觀測的信息順序作用于模型,每一次觀測值只會影響從當前狀態(tài)之后的作物生長,以減少被同化狀態(tài)變量的誤差,從而提高模型模擬的準確性,這種方法在相對較小的研究區(qū)域和短同化窗口內(nèi)模擬精度較高[77-78]。當前,大區(qū)域同化采用的衛(wèi)星遙感數(shù)據(jù)以MODIS為主,中等區(qū)域尺度上主要以LandsatTM、ETM等為主,作物模型以WOFOST、CERES等使用廣泛,同化變量以LAI最為常見[79-83]。

        而基于遙感信息的生態(tài)過程模型,從植被生理生態(tài)學的機理上模擬冠層的光合作用、呼吸消耗、蒸散發(fā)以及土壤水分循環(huán)等過程,融合遙感信息后可在大尺度范圍模擬植被生產(chǎn)力,通過收獲指數(shù)或干物質(zhì)累積效率等參數(shù)進而轉(zhuǎn)化為經(jīng)濟產(chǎn)量。FOREST-BGC[84]、RS-P-YEC[85-86]、BEPS[87]以及BESS[88]等模型是生態(tài)過程模型的代表。盡管完全依賴遙感信息的機理模型還未能實現(xiàn),但利用遙感數(shù)據(jù)驅(qū)動具有生理生態(tài)學機制的作物單產(chǎn)模型已取得很大進展[49]。王培娟等利用遙感信息、氣象資料等驅(qū)動改進后的BEPS模型,并結(jié)合收獲指數(shù),將冬小麥的凈第一性生產(chǎn)力(NPP)轉(zhuǎn)化為經(jīng)濟產(chǎn)量,從而實現(xiàn)對作物產(chǎn)量的估算[84]。Ju等采用BEPS模型,結(jié)合MODIS土地覆蓋數(shù)據(jù)和LAI,預測了2005-2006年江蘇省長江以北地區(qū)夏收糧食作物的產(chǎn)量,結(jié)果顯示遙感驅(qū)動的過程模型在預測作物產(chǎn)量方面效果顯著[89];Wang等利用RS-P-YEC模型對2006年華北平原冬小麥產(chǎn)量進行了估算,模擬產(chǎn)量與17個農(nóng)業(yè)氣象站的觀測結(jié)果一致,平均相對誤差為4.6% [90]。

        (4)融合機器學習和深度學習的遙感估產(chǎn)

        近年來,隨著計算技術的發(fā)展,機器學習和深度學習算法已被廣泛用于農(nóng)作物遙感估產(chǎn)。機器學習方法,如回歸樹、隨機森林和多元回歸等,通常將作物產(chǎn)量作為輸入變量(如天氣組分和土壤條件)的隱函數(shù)以進行產(chǎn)量預測[91-92],但這種方法可能較為復雜。此外,機器學習中的監(jiān)督學習方法無法捕獲輸入和輸出變量之間的非線性關系[93]。而深度學習作為一種重要的機器學習方法,具有多層神經(jīng)網(wǎng)絡,可以分析巨大的數(shù)據(jù)集,能夠從非結(jié)構(gòu)化和未標記的樣本數(shù)據(jù)中進行監(jiān)督、半監(jiān)督和無監(jiān)督學習[94]。與傳統(tǒng)機器學習方法相比,深度學習在衛(wèi)星圖像特征提取(如植被指數(shù)和氣象數(shù)據(jù))方面具有優(yōu)勢,提取的特征組合能夠較準確描述遙感植被指數(shù)(VIs)和作物產(chǎn)量之間的復雜非線性關系,因而估產(chǎn)準確性也更好[95-96]。

        現(xiàn)有的深度學習方法包括人工神經(jīng)網(wǎng)絡(ANN)、深度神經(jīng)網(wǎng)絡(DNN)、貝葉斯神經(jīng)網(wǎng)絡(BNN)、卷積神經(jīng)網(wǎng)絡(CNN)和長短期記憶網(wǎng)絡(LSTM)[94]等。其中, LSTM和CNN是作物估產(chǎn)領域使用最廣泛和最有效的深度學習方法[97-99]。Wang等基于LSTM和CNN開發(fā)了一個兩分支的深度學習模型,結(jié)合遙感、氣象和土壤數(shù)據(jù),利用去趨勢的統(tǒng)計產(chǎn)量數(shù)據(jù)對模型進行訓練,以估算中國主要種植區(qū)冬小麥產(chǎn)量,并對預測產(chǎn)量進行了不確定性分析。結(jié)果表明,產(chǎn)量預測至少可以在收獲前一個月實現(xiàn),且精度較高[100]。Wolanin等將深度神經(jīng)網(wǎng)絡用于訓練植被指數(shù)和氣象數(shù)據(jù)的時間序列,來估計印度小麥產(chǎn)量,并探討如何利用深度學習方法提高產(chǎn)量預測性能,同時保持模型對估產(chǎn)結(jié)果的可解釋性[101]。Xie等探索了將深度學習、遙感數(shù)據(jù)和作物生長模型相結(jié)合估計區(qū)域作物產(chǎn)量的可行性,利用CERES-Wheat模型模擬的LAI序列和產(chǎn)量數(shù)據(jù)訓練LSTM、一維卷積神經(jīng)網(wǎng)絡(1-D CNN)和隨機森林(RF)模型,將訓練后的模型與MODIS反演的時序LAI數(shù)據(jù)相結(jié)合,逐像元估算河南省小麥產(chǎn)量。結(jié)果顯示,LSTM模型產(chǎn)量估計精度最高[102]。

        總體而言,上述幾種方法各有優(yōu)缺點。傳統(tǒng)經(jīng)驗回歸模型應用范圍較窄,且難以解釋自變量與作物產(chǎn)量之間的復雜非線性關系。生態(tài)過程模型是估算自然植被凈第一性生產(chǎn)力較為合理的方法,但模型往往比較復雜,需要根據(jù)植被類型確定相應的植被參數(shù);數(shù)據(jù)同化方法的挑戰(zhàn)在于,需要本地校準和大量輸入?yún)?shù)(如作物特性、田間管理、氣象和土壤數(shù)據(jù))來模擬作物生長過程,同時較高的觀測分辨率導致數(shù)據(jù)同化系統(tǒng)的計算成本增加,使得其在實際應用中難以大規(guī)模實現(xiàn)。SCYM方法利用作物模型模擬替代了田間測量,其數(shù)據(jù)和計算要求較低,比數(shù)據(jù)同化方法更容易實現(xiàn),但其所建立的線性回歸模型依然難以處理模擬變量與實際產(chǎn)量之間的非線性關系。融合深度學習和機器學習的遙感估產(chǎn)方法作為近幾年的研究熱點,其主要挑戰(zhàn)是如何改進算法以獲得更高的精度,同時也存在黑箱屬性問題需要進一步探討。因此,在實際應用中,需要根據(jù)研究需求選擇合適的方法,同時加強對估產(chǎn)方法和算法的改進。

        2.2 產(chǎn)量差估算

        產(chǎn)量差估算的一個重要環(huán)節(jié)是合理量化產(chǎn)量潛力。目前常用的作物潛在產(chǎn)量估算方法包括:田間試驗、高產(chǎn)示范、高產(chǎn)農(nóng)戶產(chǎn)量以及作物生長模型模擬分析[14,17]。其中,作物生長模型模擬分析是定量化產(chǎn)量潛力最常用的方法[103]。

        根據(jù)站點收集的數(shù)據(jù)(品種特性、氣候條件、土壤以及管理因素等)通過模型可以模擬不受水分、養(yǎng)分限制以及生物、非生物逆境脅迫影響的作物生長過程,得到潛在產(chǎn)量。由于區(qū)域尺度上土壤、作物品種特征、管理方案等信息難以準確獲取,這導致作物生長模型在模擬區(qū)域潛在產(chǎn)量時會出現(xiàn)較大誤差。而遙感技術可為模型提供實時的環(huán)境參數(shù),使模擬過程更加貼近實際情況。因此,將遙感方法和作物生長模型(或其他機理模型)相結(jié)合,為量化產(chǎn)量潛力和開展區(qū)域作物產(chǎn)量差定量研究提供了新契機(表1)。根據(jù)是否采用作物生長模型估算產(chǎn)量潛力,總結(jié)出利用衛(wèi)星遙感技術估算區(qū)域作物產(chǎn)量差的方法,主要有以下兩種:

        2.2.1 在利用作物生長模型模擬產(chǎn)量潛力的基礎上,基于遙感和模型的產(chǎn)量差估算 這種方法的較早應用案例是王純枝等運用PS123模型分別模擬河北邯鄲地區(qū)小麥的光溫生產(chǎn)力(PS-1)和水分限制生產(chǎn)力(PS-2),同時將遙感反演的作物冠層溫度與PS123模型結(jié)合,建立了遙感-作物生長模擬復合模型PS-X,對模型所需的土壤、氣候及管理等數(shù)據(jù)進行空間插值,進而模擬了小麥的區(qū)域產(chǎn)量,并對PS-1、PS-2和PS-X不同水平之間的產(chǎn)量差進行了分析[104]。

        Schulthess等一方面采用Hybrid-Maize模型模擬孟加拉國西北部玉米的潛在產(chǎn)量,另一方面采用RapidEye衛(wèi)星影像識別玉米田塊,通過遙感獲取的加權(quán)差值植被指數(shù)(WDVI)估算地面覆蓋,并建立地面覆蓋與實測產(chǎn)量之間的回歸模型,然后將回歸模型應用于區(qū)域?qū)嶋H產(chǎn)量計算,最終生成了基于潛在產(chǎn)量和實際產(chǎn)量的田塊尺度產(chǎn)量差圖,這對于確定特定地區(qū)產(chǎn)量差的原因以及精準的農(nóng)業(yè)生產(chǎn)管理具有重要作用[105]; Farmaha等利用Hybrid-Maize模型模擬美國內(nèi)布拉斯加州3個主要的灌溉玉米種植區(qū)的產(chǎn)量潛力,同時基于SCYM方法[49],將模型模擬的產(chǎn)量潛力用于訓練由模擬產(chǎn)量、遙感提取的葉綠素植被指數(shù)(GCVI)、天氣變量(平均溫度和太陽輻射)以及緯度所構(gòu)建的多元回歸模型,以估算實際產(chǎn)量,進而計算出2004-2013年該地區(qū)的玉米產(chǎn)量差,并分析了產(chǎn)量差的時序一致性,量化持續(xù)性因素對產(chǎn)量差的相對貢獻[53]。與前面基于站點的產(chǎn)量潛力模擬不同,Pourhadian等基于太陽輻射方程和Landsat8影像提取的玉米田塊,計算玉米生育期內(nèi)的輻射量,然后利用CERES-Maize模型模擬站點的潛在產(chǎn)量,再進一步將模擬的站點潛在產(chǎn)量與玉米生長期間的累積輻射量進行回歸建模,并將模型應用于整個研究區(qū)以逐像元模擬輻射限制潛在產(chǎn)量,最后結(jié)合遙感統(tǒng)計模型估算的實際產(chǎn)量,估算了伊朗Golestan省的玉米產(chǎn)量差[106]。這種逐像元計算潛在產(chǎn)量和實際產(chǎn)量的方式,能夠減小輻射差異導致的區(qū)域平均產(chǎn)量差的誤差。

        2.2.2 在利用遙感觀測實際產(chǎn)量估算產(chǎn)量潛力的基礎上,基于遙感和模型的產(chǎn)量差估算 與采用作物生長模型估算潛在產(chǎn)量的方法不同,該方法主要是根據(jù)遙感觀測的實際產(chǎn)量分布來獲取潛在產(chǎn)量基準,并與實際產(chǎn)量進行比較分析[107]。這里也分為兩種不同的方法:

        一是在遙感估算實際產(chǎn)量的空間范圍內(nèi),將監(jiān)測得到的最大產(chǎn)量作為潛在產(chǎn)量基準來估算產(chǎn)量差。這種做法的前提是部分農(nóng)戶的田間產(chǎn)量達到了產(chǎn)量潛力。這種方法通常都沒有獨立試驗數(shù)據(jù)來驗證其有效性,如果存在或者能獲取此類數(shù)據(jù),也就無需進行假設了[58]。Bastiaanssen等利用AVHRR數(shù)據(jù)對巴基斯坦的多種作物產(chǎn)量差進行的研究[108]以及Lobell等使用Landsat數(shù)據(jù)量化土壤、氣候及管理方式對墨西哥小麥生產(chǎn)力的影響[41]就是應用這種方法的典型案例。但是,在上述兩個案例中,研究者并沒有使用該地區(qū)產(chǎn)量的單一最大值作為潛在產(chǎn)量,而是利用實際產(chǎn)量分布的高百分位數(shù)(如第95百分位)作為產(chǎn)量潛力基準,并進一步分析區(qū)域作物產(chǎn)量差。

        然而,不管是使用實際產(chǎn)量分布的高百分位數(shù)還是最大值來估算產(chǎn)量差,都是將單一的潛在產(chǎn)量值應用于整個區(qū)域。這對于較小的研究區(qū)域而言是一種很好的做法,但在較大區(qū)域,由于作物品種類型、土壤、氣候和管理措施的空間差異,上述產(chǎn)量差分析方法將會引起較大誤差[58]。

        二是遙感空間范圍內(nèi),逐像元估算潛在產(chǎn)量。在以像元為中心的一個較小區(qū)域范圍內(nèi)(例如5 km2),該像元的產(chǎn)量潛力可計算為該范圍內(nèi)像元實際產(chǎn)量分布的高百分位,如第95或99百分位。這種形式的產(chǎn)量潛力更能反映可達到的潛在產(chǎn)量,并且有助于量化產(chǎn)量潛力以及理解不同因素對產(chǎn)量差的貢獻[109]。雖然這種方法依然建立在局部范圍內(nèi)潛在產(chǎn)量已經(jīng)實現(xiàn)的假設前提下,但是能夠在量化產(chǎn)量空間變化的同時,利用遙感的手段探測到產(chǎn)量潛力的空間變化。Wang等運用BEPS過程模型估算水稻的實際產(chǎn)量,同時根據(jù)氣候、土壤和地形等因素開發(fā)機器學習算法將研究區(qū)劃分為若干個均勻同質(zhì)的分區(qū),并將各分區(qū)內(nèi)實際產(chǎn)量的第95百分位作為分區(qū)潛在產(chǎn)量,進而評估了2006-2017年間中國東北地區(qū)水稻產(chǎn)量和產(chǎn)量差的時空分布。結(jié)果表明,基于遙感的過程模型合理估算了實際產(chǎn)量,縣域尺度的產(chǎn)量均方根誤差(RMSE)低于20%,同時基于分區(qū)方案估算的潛在產(chǎn)量能夠更好地描述潛在產(chǎn)量的空間變化,說明利用遙感過程模型評估區(qū)域產(chǎn)量差具有可行性[48]。Zhang等提出了一種基于遙感同步量化區(qū)域作物產(chǎn)量潛力、實際產(chǎn)量以及產(chǎn)量差的新方法。通過開發(fā)一種基于過程的遙感作物產(chǎn)量模型(PRYM-Maize),首先利用MODIS NDVI時序數(shù)據(jù)提取的物候信息(出苗期和收獲期)驅(qū)動改進后的作物產(chǎn)量模型來模擬實際產(chǎn)量(Ya),然后利用MODIS EVI數(shù)據(jù)反演的LAI時序數(shù)據(jù)估算潛在LAI(LAIp),并將LAIp輸入到模型中以模擬播期限制潛在產(chǎn)量(YP0)和產(chǎn)量潛力(YP),進而估算2010-2015年華北平原夏玉米產(chǎn)量差,并量化了播期對產(chǎn)量差的影響[109]。結(jié)果表明,改進后的PRYM-Maize模型合理估算了夏玉米的Ya,但模型的準確性受到遙感數(shù)據(jù)的限制;模擬的YP與基于作物生長模型模擬的結(jié)果一致。

        上述兩種方法中,均涉及到作物生長模型。前者利用作物生長模型來模擬潛在產(chǎn)量,而后者將遙感與作物生長模型結(jié)合估算實際產(chǎn)量,并基于田間產(chǎn)量已達到產(chǎn)量潛力的假設,在遙感估測的實際產(chǎn)量范圍內(nèi)來量化潛在產(chǎn)量??傮w來說,利用遙感技術結(jié)合作物生長模型來估算作物產(chǎn)量差是有效可行的,并且具有較大潛力空間。利用遙感方法一方面可以通過遙感反演的信息(如LAI、物候期等)來減少模型對氣象數(shù)據(jù)和管理措施的依賴,另一方面彌補了作物生長模型空間應用的局限性,同時也能避免單一產(chǎn)量潛力適應于整個研究區(qū)的假設,因此遙感技術和模型模擬的結(jié)合在區(qū)域作物產(chǎn)量差估算中表現(xiàn)更好。

        3 產(chǎn)量差成因分析方法

        產(chǎn)量差成因分析對于認識作物生產(chǎn)力現(xiàn)狀和制定預期產(chǎn)量目標至關重要[117]。為提高區(qū)域生產(chǎn)力,除了要量化產(chǎn)量差以確定增產(chǎn)的潛力空間外,還需要分析造成產(chǎn)量差的因素,量化其限制程度,以制定縮小產(chǎn)量差的策略和措施,提高農(nóng)田生產(chǎn)力[17]。

        根據(jù)對產(chǎn)量差的相對貢獻,可以將產(chǎn)量差的形成因素分成持久性因素(如田間管理,地形和土壤質(zhì)量)和非持久性因素(不利天氣,病蟲害以及這些因素間的交互作用)[118]。評估并量化這些因素尤其是持久性因素對產(chǎn)量和產(chǎn)量差持續(xù)性的影響,將有助于在既定種植制度下,明確經(jīng)濟有效和環(huán)境無害的持久性因素改善方案,以縮小產(chǎn)量差[52]。持久性因素進一步分為可管理因素(如播期,水分和養(yǎng)分等)和不可管理因素(如土壤類型),其中可管理的持久性因素對產(chǎn)量差產(chǎn)生相當大的貢獻[53, 119]。因此,研究產(chǎn)量差形成的持久性因素以及持久性因素的改善方案將有助于提高作物產(chǎn)量。

        目前,利用遙感技術分析作物產(chǎn)量差成因主要有兩種方法:一種是完全依賴于遙感觀測產(chǎn)量圖本身的時空模式;另一種是將遙感獲得的產(chǎn)量圖與所認定的產(chǎn)量限制因素的輔助數(shù)據(jù)集(如田間管理或土壤條件等)進行比較。

        3.1 基于遙感觀測產(chǎn)量的時空模式

        這種方法主要是通過遙感觀測產(chǎn)量的時空模式來分析產(chǎn)量差的持續(xù)性,從而相對快速地評估和挖掘分析限制因素類型[58]。也就是說,不同的遙感觀測產(chǎn)量時空模式將代表不同類型的產(chǎn)量限制因素。例如,如果產(chǎn)量差是由不可管理的持久性因素(如土壤屬性)所造成的,那么產(chǎn)量將會呈現(xiàn)相對平穩(wěn)變化;相比之下,如果產(chǎn)量差是由非持久性因素(如天氣及其與管理的交互作用)所引起的,那么年際間的產(chǎn)量變化將會很大。

        從空間上來說,產(chǎn)量的空間變化與引起產(chǎn)量差的限制因素有著明顯的相關性。早期的研究正是利用遙感數(shù)據(jù)來估算實際產(chǎn)量,然后根據(jù)實際產(chǎn)量的變化,以確定導致產(chǎn)量差的因素[118,120]。但是這種相關性也是潛在受限的。尤其是,當一個地區(qū)所有田塊的產(chǎn)量均遠低于產(chǎn)量潛力,那么解釋田塊之間的差異不一定有助于解釋如何提高平均產(chǎn)量以接近產(chǎn)量潛力。在這種情況下,田塊間的差異可能是由同樣的限制因素(例如土壤肥力不足)所主導,這種限制因素對區(qū)域整體生產(chǎn)力都是具有約束力的[121]。從時間上來說,分析不同時間產(chǎn)量的空間分布能夠有助于了解導致產(chǎn)量差的原因。單一年份觀測到的產(chǎn)量分布范圍較廣且不對稱(產(chǎn)量空間差異較大),往往是由非持久性因素造成的;而長時間序列上的平均產(chǎn)量則表現(xiàn)出了較窄的產(chǎn)量分布(產(chǎn)量空間變異性較?。?,這是由于引起產(chǎn)量差異的非持久性因素隨著時間的推移逐漸消失[41]。通過提取實際產(chǎn)量分布的一些關鍵統(tǒng)計數(shù)據(jù),例如最大產(chǎn)量或產(chǎn)量分布第95或99百分位,然后將其和平均產(chǎn)量進行比較,構(gòu)建產(chǎn)量差曲線,可以深入了解整個研究時段產(chǎn)量差的持續(xù)性,以及持續(xù)性因素在解釋產(chǎn)量差方面的重要性,從而明確縮小產(chǎn)量差的潛在途徑[42,120]。

        3.2 遙感觀測產(chǎn)量圖結(jié)合輔助數(shù)據(jù)集

        這種方法適用于有輔助數(shù)據(jù)集可獲取和可利用的情況。對于可以獲取到多年份無云衛(wèi)星影像的地區(qū),首先可以利用遙感觀測產(chǎn)量數(shù)據(jù)構(gòu)建產(chǎn)量差曲線,確定產(chǎn)量差的持續(xù)性是否存在[58]。若存在,則進一步利用更長時間序列的平均產(chǎn)量圖,對引起產(chǎn)量變化的限制因素和所需的輔助數(shù)據(jù)集提出假設,然后利用統(tǒng)計分析方法來評估每個因素在驅(qū)動產(chǎn)量變化方面的相對重要性。而對于可獲取遙感影像較少而有其他類型輔助數(shù)據(jù)集的地區(qū),則優(yōu)先考慮對個別年份的數(shù)據(jù)進行詳細分析,隨后用多年數(shù)據(jù)來檢驗上述分析中確定的限制因素是否合理。

        例如,Zhao等在評估華北平原玉米產(chǎn)量的異質(zhì)性和持續(xù)性時,首先假設土壤和水導致了持續(xù)的玉米產(chǎn)量差,然后利用1980年中國土壤調(diào)查數(shù)據(jù)集和河流數(shù)據(jù)集,在區(qū)域內(nèi)隨機抽取3 000個點,并對多年平均產(chǎn)量、土壤屬性以及田塊距河流的距離之間進行線性回歸,以分析平均產(chǎn)量與土壤性質(zhì)之間的關系[116]。Farmaha等人使用遙感-作物模型,并結(jié)合10年約3 000個高產(chǎn)玉米田塊的實際產(chǎn)量和作物管理數(shù)據(jù)集,來分析持久性和非持久性因素對美國內(nèi)布拉斯加州玉米產(chǎn)量差的相對貢獻。結(jié)果顯示,雖然持久性因素對玉米產(chǎn)量差的貢獻相對較小,但由于土壤類型和土壤均質(zhì)性不同導致地區(qū)之間產(chǎn)量差異較大,這說明在產(chǎn)量接近產(chǎn)量潛力的高產(chǎn)作物系統(tǒng)中,縮小地區(qū)間產(chǎn)量差距的空間依然存在[54]。

        除了用于估算產(chǎn)量差之外,遙感方法在收集產(chǎn)量差限制因素分析數(shù)據(jù)方面也具有較大應用潛力,能一定程度彌補傳統(tǒng)方法(如農(nóng)戶調(diào)查)在獲取田間管理和地理空間數(shù)據(jù)等方面的不足[122]。目前,遙感技術在田塊識別[123]以及作物特性(如冠層覆蓋度[124]、作物倒伏[125])、土壤屬性(如土壤有機質(zhì)含量[126]、土壤水分[127]、土壤類型[128])、田間管理方案(如播種密度[129]、間作[130]、灌溉量[131]、雜草管理[132]、病蟲害監(jiān)測[133]以及土地平整度[134])等方面的獲取都取得了較大進展,這些研究成果為進一步利用遙感技術解析區(qū)域作物產(chǎn)量差奠定了基礎。另外,產(chǎn)量差成因分析除了要考慮引起產(chǎn)量變化的生理生態(tài)因素外,還需要考慮作物種植的社會經(jīng)濟背景因素[135]。

        4 展望

        隨著高分辨率衛(wèi)星遙感數(shù)據(jù)的增加和可獲取以及數(shù)據(jù)處理能力、估產(chǎn)算法的提升,遙感技術已在區(qū)域作物產(chǎn)量差研究中發(fā)揮了巨大的作用,為區(qū)域產(chǎn)量提升以及精細的田間生產(chǎn)管理提供決策支撐。

        然而,當前研究仍然存在一些問題,表現(xiàn)為:(1)遙感觀測方面的不確定性,如對于具有相似物候的作物間作或套種地塊,目標作物像元的分類問題;較難獲取高時空分辨率的作物生長季無云影像;較難估測收獲指數(shù)的時空變化等;(2)當前對潛在產(chǎn)量的定義和量化方法沒有統(tǒng)一標準,主要傾向于利用作物生長模型來模擬并結(jié)合升尺度方法進一步估算產(chǎn)量差;(3)基于遙感方法的產(chǎn)量差研究呈現(xiàn)多樣化,對產(chǎn)量限制因素研究的側(cè)重點不同,不同區(qū)域或者同一區(qū)域不同研究結(jié)果之間的差別較大,可比性差。綜合國內(nèi)外關于作物產(chǎn)量差研究現(xiàn)狀以及利用遙感技術開展產(chǎn)量差成因分析的應用情況,筆者認為今后的研究工作需要關注以下幾個方面:

        (1)①針對衛(wèi)星數(shù)據(jù)的時空分辨率問題,可利用時空融合算法(如STARFM或增強型STARFM)來融合不同傳感器的觀測數(shù)據(jù),在更精細的空間尺度上生成高時間分辨率數(shù)據(jù)以監(jiān)測作物生長和預測產(chǎn)量,同時也要系統(tǒng)合理地評估數(shù)據(jù)融合對于改善作物監(jiān)測的效果。②綜合使用多源和多時相高分辨率影像數(shù)據(jù),結(jié)合衛(wèi)星數(shù)據(jù)的光譜、紋理和物候特征加強復雜種植制度下的作物提取研究。③雖然基于衛(wèi)星遙感以及遙感-作物模型的產(chǎn)量制圖方法存在低成本和低數(shù)據(jù)需求的優(yōu)勢,但其在估產(chǎn)方面仍需要進一步改進和提升。比如,SCYM方法利用作物模型模擬很好地替代了田間觀測,而深度學習方法雖然比線性回歸模型更好地處理遙感植被指數(shù)(VIs)與作物產(chǎn)量之間的非線性關系,但深度學習模型的訓練需要大量的田間觀測數(shù)據(jù),因此,將機器學習或深度學習方法和作物生長模型相結(jié)合,或?qū)⑹菍CYM的有效改進。

        (2)根據(jù)研究區(qū)域和研究目標,選擇適用于當?shù)刈魑锂a(chǎn)量潛力的估算方法,客觀評價當?shù)貧夂驐l件下作物的產(chǎn)量潛力。不論是利用機理模型(如作物生長模型)還是基于遙感觀測產(chǎn)量來量化潛在產(chǎn)量,都需要考慮到大區(qū)域范圍內(nèi)的空間異質(zhì)性問題,在必要的時候結(jié)合空間分區(qū)方案,將站點的模型模擬值升尺度或者遙感的觀測值降尺度。另外,通過進一步改進和完善現(xiàn)有的遙感估產(chǎn)模型,減少對作物生長模型的依賴以及避免大范圍的數(shù)據(jù)輸入,將進一步提高區(qū)域產(chǎn)量差估算精度。

        (3)對于產(chǎn)量差時空分析來說,首先,確定合適的研究區(qū)域十分重要,既要保證區(qū)域內(nèi)空間異質(zhì)性較小,同時也要包含足夠的樣本田塊?,F(xiàn)有研究在空間尺度對區(qū)域產(chǎn)量差的影響方面還缺乏分析,這是一個值得進一步研究的課題。其次,在數(shù)據(jù)可獲得前提下,將遙感技術與其他產(chǎn)量差研究方法進行比較和整合,同時輔助于土壤和作物管理等空間數(shù)據(jù)集,以確定產(chǎn)量差的形成因素,進一步提高對區(qū)域產(chǎn)量差的研究水平。

        參考文獻:

        [1] ALEXANDRATOS N. World Agriculture: Towards 2010 [R]. New York: FAO, Wiley, 1995.

        [2] LOBELL D B, CASSMAN K G, FIELD C B. Crop yield gaps: Their importance, magnitudes, and cause [J]. Annual Review of Environment and Resources, 2009,34(1): 179-204.

        [3] 賀付偉. 氣候變化對中國不同區(qū)域馬鈴薯產(chǎn)量差的影響[J]. 湖北農(nóng)業(yè)科學, 2022, 61(10): 28-32, 38.

        [4] CALVIO P, SADRAS V. On-farm assessment of constraints to wheat yield in the south-eastern Pampas [J]. Filed Crops Research, 2002, 74: 1-11.

        [5] 王純枝,李良濤,陳 健,等. 作物產(chǎn)量差研究與展望[J]. 中國生態(tài)農(nóng)業(yè)學報, 2009, 17(6): 1283-1287.

        [6] 楊曉光,劉志娟. 作物產(chǎn)量差研究進展[J]. 中國農(nóng)業(yè)科學, 2014, 47(14): 2731-2741.

        [7] CASSMAN K G. Crop yield potential, yield trends, and global food security in a changing climate [M]//HILLEL D, ROSENZWEIG C. Handbook of climate change and agro-ecosystems: Impacts, Adaptation, and Mitigation. London: Imperial College Press, 2010:37-51.

        [8] FINGER R, LAZZAROTTO P, CALANCA P. Bio-economic assessment of climate change impacts on managed grassland production [J]. Agricultural Systems, 2010, 103(9): 666-674.

        [9] 石全紅,劉建剛,陳 阜,等. 長江中下游地區(qū)水稻產(chǎn)量差及分布特征研究[J]. 中國農(nóng)業(yè)大學學報, 2012, 17(1): 33-39.

        [10]MUELLER N D, GERBER J S, JOHNSTON M, et al. Closing yield gaps through nutrient and water management [J]. Nature, 2012, 490(7419):254-257.

        [11]BARKER R K, GOMEZ K A, HERDT R W. Farm-level constraints to high rice yields in Asia: 1974-77[R]. Los Banos, Philippines:IRRI, 1979.

        [12]GOMEZ K A. On-farm assessment of yield constraints: Methodological problems. Constraints to high yields on asian rice farms: An interim report[R]. Los Banos, Philippines: IRRI, 1977: 1-16.

        [13]DE DATTA S K. Principles and practices of rice production [M]. New York (USA): Wiley-Interscience Publications, 1981.

        [14]CASSMAN K G, DOBERMANN A, WALTERS D T, et al. Meeting cereal demand while protecting natural resources and improving environmental quality [J]. Annual Review of Environment and Resources, 2003, 28: 315-358.

        [15]LOBELL D B, ORTIZ-MONASTERIO J I. Regional importance of crop yield constraints: Linking simulation models and geo-statistics to interpret spatial patterns [J]. Ecological Modelling, 2006, 196: 173-182.

        [16]FISCHER R A, EDMEADES G O. Breeding and cereal yield progress [J]. Crop Science, 2010, 50(S1): 85-98.

        [17]VAN ITTERSUM M K, CASSMAN K G, GRASSINI P, et al. Yield gap analysis with local to global relevance——A review [J]. Field Crops Research, 2013, 143: 4-17.

        [18]EVANS L T, FISCHER R A. Yield potential: its definition, measurement, and significance [J]. Crop Science, 1999, 39: 1544-1551.

        [19]GRASSINI P, YANG H, CASSMAN K G. Limits to maize productivity in Western Corn-Belt: A simulation analysis for fully irrigated and rainfed conditions [J]. Agricultural and Forest Meteorology, 2009, 149(8): 1254-1265.

        [20]米 娜,蔡 福,張玉書,等. 雨養(yǎng)作物產(chǎn)量差研究進展[J]. 氣象與環(huán)境學報, 2018, 34(6): 140-147.

        [21]ZHANG H, BAI X, XUE J, et al. Emissions of CH4 and N2O under different tillage systems from double-cropped paddy fields in Southern China [J]. PLoS One, 2013, 8: e65277.

        [22]PRADHAN P, FISCHER G, VELTHUIZEN H V, et al. Closing yield gaps: how sustainable can we be? [J]. PLoS One, 2015, 10: e0129487.

        [23]MENG Q, HOU P, WU L, et al. Understanding production potentials and yield gaps in intensive maize production in China [J]. Field Crops Research, 2013, 143: 91-97.

        [24]鄧南燕.中國水稻產(chǎn)量差評估及長江中下游地區(qū)增產(chǎn)途徑探究[D]. 武漢: 華中農(nóng)業(yè)大學, 2018.

        [25]FISCHER R A. Definitions and determination of crop yield, yield gaps, and of rates of change [J]. Field Crops Research, 2015, 182: 9-18.

        [26]NEUMANN K, VERBURG P H, STEHFEST E, et al. The yield gap of global grain production: a spatial analysis [J]. Agricultural Systems, 2010, 103: 316-326.

        [27]SUN K G, WANG L G. Effect of different fertilization practices on yield of a wheat-maize rotation and soil fertility [J]. Pedosphere, 2002, 12(3): 283-288.

        [28]SCHILS R, OLESEN J E, KERSEBAUM K C, et al. Cereal yield gaps across Europe[J]. European Journal of Agronomy, 2018, 101: 109-120.

        [29]WHITE J W, CORBETT J D, DOBERMANN A. Insufficient geographic characterization and analysis in the planning, execution and dissemination of agronomic research [J]. Field Crops Research, 2002, 76:45-54.

        [30]薛建福,劉昌斌,韓敬敬,等. 基于農(nóng)戶尺度的聞喜縣冬小麥產(chǎn)量差及生產(chǎn)限制因素分析[J]. 山西農(nóng)業(yè)大學學報(自然科學版),2022,42(1):26-34.

        [31]SURABOL N, VIRAKUL P, POTAN N, et al. Preliminary survey on soybean yield gap analysis in Thailand [M]. Bogor, Indonesia: CGPRT Centre,1989.

        [32]SUMARNO, DAUPHIN F, RACHIM A, et al. Soybean yield gap analysis in Java: a report of the soybean yield gap analysis project [M]. Bogor, Indonesia: CGPRT Center,1988.

        [33]劉志娟,楊曉光,呂 碩,等. 東北三省春玉米產(chǎn)量差時空分布特征[J]. 中國農(nóng)業(yè)科學, 2017, 50(9):1606-1616.

        [34]SUMBERG J. Mind the (yield) gap(s) [J]. Food Security, 2012, 4(4): 509-518.

        [35]ABELEDO L G, SAVIN R, SLAFER G A. Wheat productivity in the Mediterranean Ebro Valley: Analyzing the gap between attainable and potential yield with a simulation model [J]. European Journal of Agronomy, 2008, 28(4): 541-550.

        [36]LIU Z, YANG X, HUBBARD K G, et al. Maize potential yields and yield gaps in the changing climate of northeast China [J]. Global Change Biology, 2012, 18: 3441-3454.

        [37]郭爾靜,楊曉光,王曉煜,等. 湖南省雙季稻產(chǎn)量差時空分布特征[J]. 中國農(nóng)業(yè)科學, 2017, 50(2): 399-412.

        [38]秦雅倩,孫嘉玥,王 巖,等. 基于WOFOST 模型的河南省冬小麥產(chǎn)量差的時空特征分析[J]. 江蘇農(nóng)業(yè)科學, 2022, 50(5): 191-198.

        [39]WANG J, WANG E, YIN H, et al. Declining yield potential and shrinking yield gaps of maize in the North China Plain [J]. Agricultural and Forest Meteorology, 2014, 195/196: 89-101.

        [40]TAO F, ZHANG S, ZHANG Z, et al. Temporal and spatial changes of maize yield potentials and yield gaps in the past three decades in China [J]. Agriculture Ecosystems amp; Environment, 2015, 208:12-20.

        [41]LOBELL D B, ORITIZ-MONASTERIO J I, ADDAMS C L, et al. Soil, climate, and management impacts on regional wheat productivity in Mexico from remote sensing [J]. Agricultural and Forest Methodology, 2002, 114: 31-43.

        [42]LOBELL D B, ORITIZ-MONASTERIO J I, ASNER G P, et al. Combining field surveys, remote sensing, and regression trees to understand yield variations in an irrigated wheat landscape [J]. Agronomy Journal, 2005, 97 (1): 241-249.

        [43]吳炳方. 全國農(nóng)情監(jiān)測與估產(chǎn)的運行化遙感方法[J]. 地理學報, 2000, 55(1): 25-35.

        [44]孟慶巖,李強子,吳炳方. 農(nóng)作物單產(chǎn)預測的運行化方法[J]. 遙感學報, 2004, 8(6): 603-610.

        [45]代立芹,吳炳方,李強子,等. 作物單產(chǎn)預測方法研究進展[J]. 農(nóng)業(yè)網(wǎng)絡信息, 2006(4): 24-27.

        [46]THENKABAIL P S, WARD A D, LYON J G. Landsat-5 thematic mapper models of soybean and corn crop characteristics [J]. International Journal of Remote Sensing, 1994, 15(1): 49-61.

        [47]楊 鵬,吳文斌,周清波,等. 基于光譜反射信息的作物單產(chǎn)估測模型研究進展[J]. 農(nóng)業(yè)工程學報, 2008, 24(10): 262-268.

        [48]WANG J W, ZHANG J H, YUN B, et al. Integrating remote sensing-based process model with environmental zonation scheme to estimate rice yield gap in Northeast China [J]. Field Crops Research, 2020, 246: 107682.

        [49]徐新剛,吳炳方,蒙繼華,等. 農(nóng)作物單產(chǎn)遙感估算模型研究進展[J]. 農(nóng)業(yè)工程學報, 2008, 24(2): 290-298.

        [50]LOBELL D B, THAU D, SEIFERT C, et al. A scalable satellite-based crop yield mapper [J]. Remote Sensing of Environment, 2015, 164: 324-333.

        [51]LOBELL D B, AZZARI G. Satellite detection of rising maize yield heterogeneity in the U.S. Midwest [J]. Environmental Research Letters, 2017, 12(1): 014014.

        [52]AZZARI G, JAIN M, LOBELL D B. Towards fine resolution global maps of crop yields: Testing multiple methods and satellites in three countries [J]. Remote Sensing of Environment, 2017,202: 129-141.

        [53]JIN Z, AZZARI G, YOU C, et al. Smallholder maize area and yield mapping at national scales with Google Earth Engine [J]. Remote Sensing of Environment, 2019, 228:115-128.

        [54]FARMAHA B S, LOBELL D B, BOONE K E, et al. Contribution of persistent factors to yield gaps in high-yield irrigated maize [J]. Field Crops Research, 2016, 186: 124-132.

        [55]JAIN M, SINGH B, SRIVASTAVA A A K, et al. Using satellite data to identify the causes of and potential solutions for yield gaps in India’s Wheat Belt [J]. Environmental Research Letters, 2017, 12(9): 094011.

        [56]DEINES J M, PATEL R, LIANG S Z, et al. A million kernels of truth: Insights into scalable satellite maize yield mapping and yield gap analysis from an extensive ground dataset in the US Corn Belt [J]. Remote Sensing of Environment, 2021, 253:112174.

        [57]MONTEITH J L. Climate and the efficiency of crop production in Britain [J]. Philosophical Transactions of the Royal Society of Lond. B, Biological Sciences, 1977, 281: 277-294.

        [58]FIELD C B, RANDERSON J T, MALMSTROEM C M. Global net primary production: Combining ecology and remote sensing [J]. Remote Sensing of Environment, 1995, 51(1): 74-88.

        [59]LOBELL D B. The use of satellite data for crop yield gap analysis [J]. Field Crops Research, 2013, 143: 56-64.

        [60]DUCHEMIN B, MAISONGRANDE P, BOULET G, et al. A simple algorithm for yield estimates: Evaluation for semi-arid irrigated winter wheat monitored with green leaf area index [J]. Environmental Modelling amp; Software, 2008, 23(7): 876-892.

        [61]任建強,陳仲新,唐華俊,等. 基于植物凈初級生產(chǎn)力模型的區(qū)域冬小麥估產(chǎn)研究[J]. 農(nóng)業(yè)工程學報, 2006, 22(5): 112-118.

        [62]ZHOU Y, ZHU H Z, CAI S B, et al. Genetic improvement of grain yield and associated traits in the southern China winter wheat region: 1949 to 2000 [J]. Crop Science, 2007, 157(3): 465-473.

        [63]POTTER C B, RANDERSON J T, FIELD C B, et al. Terrestrial ecosystem production: a process model based on global satellite and surface data [J]. Global Biogeochemical Cycles, 1993, 7(4): 811-841.

        [64]VEROUSTRAETE F, SABBE H, EERENS H. Estimation of carbon mass fluxes over Europe using the C-Fix model and Euroflux data[J]. Remote Sensing of Environment, 2002, 83(3): 376-399.

        [65]XIAO X M, ZHANG Q Y, BRASWELL B, et al. Modeling gross primary production of temperate deciduous broadleaf forest using satellite images and climate data [J].Remote Sensing of Environment, 2004, 91(2): 256-270.

        [66]YUAN W P , LIU S G, ZHOU G S, et al. Deriving a light use efficiency model from eddy covariance flux data for predicting daily gross primary production across biomes[J]. Agricultural amp; Forest Meteorology, 2007, 143(3/4):189-207.

        [67]LOBELL D B, ASNER G P, ORTIZ-MONASTERIO J I, et al. Remote sensing of regional crop production in the Yaqui Valley, Mexico: estimates and uncertainties [J]. Agriculture Ecosystem amp; Environment, 2003, 94 (2): 205-220.

        [68]GUAN K, BERRY J A, ZHANG Y, et al. Improving the monitoring of crop productivity using spaceborne solar-induced fluorescence [J]. Global Change Biology, 2016, 22:716-726.

        [69]YUAN W P, CHEN Y, XIA J Z, et al. Estimating crop yield using a satellite-based light use efficiency model [J]. Ecological Indicators, 2016, 60: 702-709.

        [70]LU D S. The potential and challenge of remote sensing based biomass estimation [J]. International Journal of Remote Sensing, 2006, 27(7): 1297-1328.

        [71]GUO C, TANG Y, LU J, et al. Predicting wheat productivity: Integrating time series of vegetation indices into crop modeling via sequential assimilation [J]. Agricultural amp; Forest Meteorology, 2019, 272/273:69-80.

        [72]SCHUT A G T, TRAORE P C S, BLAES X, et al. Assessing yield and fertilizer response in heterogeneous smallholder fields with UAVs and satellites [J]. Field Crops Research, 2018, 221:98-107.

        [73]趙艷霞,周秀驥,梁順林. 遙感信息與作物生長模式的結(jié)合方法和應用——研究進展[J]. 自然災害學報, 2005, 14(1): 103-109.

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

        [75]GUERIF M, DUKE C L. Adjustment procedures of a crop model to the site specific characteristics of soil and crop using remote sensing data assimilation [J]. Agriculture Ecosystems amp; Environment, 2000, 81(1): 57-69.

        [76]JEGO G, PATTEY E, LIU J. Using leaf area index, retrieved from optical imagery, in the STICS crop model for predicting yield and biomass of field crops [J]. Field Crops Research, 2012, 131(2): 63-74.

        [77]HUANG J, TIAN L, LIANG S, et al. Improving winter wheat yield estimation by assimilation of the leaf area index from Landsat TM and MODIS data into the WOFOST model [J]. Agricultural and Forest Meteorology, 2015, 204: 106-121.

        [78]ZHAO Y, CHEN S, SHEN S. Assimilating remote sensing information with crop model using Ensemble Kalman Filter for improving LAI monitoring and yield estimation [J]. Ecological Modelling, 2013, 270(2): 30-42.

        [79]CURNEL Y, DEWIT A J W, DUVEILLER G, et al. Potential performances of remotely sensed LAI assimilation in WOFOST model based on an OSS Experiment [J]. Agricultural amp; Forest Meteorology, 2011, 151:1843-1855.

        [80]DEWIT A, DUVEILLER G, DEFOURNY P. Estimating regional winter wheat yield with WOFOST through the assimilation of green area index retrieved from MODIS observations [J]. Agricultural amp; Forest Meteorology, 2012, 164:39-52.

        [81]HUANG J, TIAN L, LIANG S, et al. Improving winter wheat yield estimation by assimilation of the leaf area index from Landsat TM and MODIS data into the WOFOST model [J]. Agricultural amp; Forest Meteorology, 2015, 204:106-121.

        [82]XIE Y, WANG P, BAI X, et al. Assimilation of the leaf area index and vegetation temperature condition index for winter wheat yield estimation using Landsat imagery and the CERES-Wheat model [J]. Agricultural amp; Forest Meteorology, 2017, 246:194-206.

        [83]HUANG J, MA H, SEDANO F, et al. Evaluation of regional estimates of winter wheat yield by assimilating three remotely sensed reflectance datasets into the coupled WOFOST-PROSAIL model [J]. European Journal of Agronomy, 2019, 102:1-13.

        [84]RUNNING S W, COUGHLAN J C. A general model of forest ecosystem processes for regional applications I. hydrologic balance, canopy gas exchange and primary production processes [J]. Ecological Modelling, 1988, 42: 125-154.

        [85]王培娟,謝東輝,張佳華,等. BEPS模型在華北平原冬小麥估產(chǎn)中的應用[J]. 農(nóng)業(yè)工程學報, 2009, 25(10): 148-153.

        [86]高佳華. 基于遙感模型的長江中下游一季稻產(chǎn)量差估算[D]. 荊州: 長江大學, 2018.

        [87]LIU J, CHEN J M, CIHLAR J, et al. Net primary productivity distribution in the BOREAS region from a process model using satellite and surface data [J]. Journal of Geophysical Research, 1999, 104(22): 27735-27754.

        [88]JIANG C, RYU Y. Multi-scale evaluation of global gross primary productivity and evapotranspiration products derived from Breathing Earth System Simulation (BESS) [J]. Remote Sensing of Environment, 2016, 186: 528-547.

        [89]JU W M, GAO P, ZHOU Y L, et al. Prediction of summer grain crop yield with a process-based ecosystem model and remote sensing data for the northern area of the Jiangsu Province, China [J]. International Journal of Remote Sensing, 2010, 31(6): 1573-1587.

        [90]WANG P J, SUN R, ZHANG J H, et al. Yield estimation of winter wheat in the North China Plain using the remote sensing photosynthesis-yield estimation for crops (RS-P-YEC) model [J]. International Journal of Remote Sensing, 2011, 32(21): 6335-6348.

        [91]JEONG J H, RESOP J P, MUELLER N D, et al. Random Forests for global and regional crop yield predictions [J]. PLoS One, 2016, 11:e0156571.

        [92]HAN J, ZHANG Z, CAO J, et al. Prediction of winter wheat yield based on multi-source data and machine learning in China [J]. Remote Sensing, 2020, 12:236.

        [93]ISLAM N, RASHID M, WIBOWO S, et al. Early weed detection using image processing and machine learning techniques in an Australian chilli farm [J]. Agriculture, 2021, 11:387.

        [94]MURUGANANTHAM P, WIBOWO S, GRANDHI S, et al. A systematic literature review on crop yield prediction with deep learning and remote sensing [J]. Remote Sensing, 2022, 14:1990.

        [95]LECUN Y, BENGIO Y, HINTON G. Deep learning [J]. Nature, 2015, 521:436-444.

        [96]YUAN Q, SHEN H, LI T, et al. Deep learning in environmental remote sensing: Achievements and challenges [J]. Remote Sensing of Environment, 2020, 241:111716.

        [97]NEVAVUORI P, NARRA N, LIPPING T. Crop yield prediction with deep convolutional neural networks [J]. Computers amp; Electronics in Agriculture, 2019, 163:104859.

        [98]YANG Q, SHI L, HAN J, et al. Deep convolutional neural networks for rice grain yield estimation at the ripening stage using UAV-based remotely sensed images [J]. Field Crops Research, 2019, 235:142-153.

        [99]JIANG H, HU H, ZHONG R, et al. A deep learning approach to conflating heterogeneous geospatial data for corn yield estimation: A case study of the US corn belt at the county level [J]. Global Change Biology, 2020, 26:1754-1766.

        [100]WANG X, HUANG J, FENG Q, et al. Winter wheat yield prediction at county level and uncertainty analysis in main wheat producing regions of China with deep learning approaches [J]. Remote Sensing, 2020, 12:1744.

        [101]WOLANIN A, CAMPSVALLS G, MERONI M, et al. Estimating and understanding crop yields with explainable deep learning in the Indian Wheat Belt [J]. Environmental Research Letters, 2020, 15:024019.

        [102]XIE Y, HUANG J. Integration of a crop growth model and deep learning methods to improve satellite-based yield estimation of winter wheat in Henan Province, China [J]. Remote Sensing, 2021, 13:4372.

        [103]劉保花,陳新平,崔振嶺,等. 三大糧食作物產(chǎn)量潛力與產(chǎn)量差研究進展[J]. 中國生態(tài)農(nóng)業(yè)學報, 2015, 23(5): 525-534.

        [104]王純枝,宇振榮,辛景峰,等. 基于遙感和作物生長模型的作物產(chǎn)量差估測[J]. 農(nóng)業(yè)工程學報, 2005, 21(7): 84-89.

        [105]SCHULTHESS U, TIMSINA J, HERRERA J M, et al. Mapping field-scale yield gaps for maize: An example from Bangladesh [J]. Field Crops Research, 2013, 143(1): 151-156.

        [106]POURHADIAN H, KAMKAR B, SOLTANI A, et al. Evaluation of forage maize yield gap using an integrated crop simulation model-satellite imagery method (Case study: Four watershed basins in Golestan Province) [J]. Archives of Agronomy and Soil Science, 2019,65(2):253-268.

        [107]LABORTE A G, DE BIE K, SMALING E M A, et al. Rice yields and yield gaps in Southeast Asia: past trends and future outlook [J]. European Journal of Agronomy, 2012, 36: 9-20.

        [108]BASSTIAANSSEN W G M, ALI S. A new crop yield forecasting model based on satellite measurements applied across the Indus Basin, Pakistan [J]. Agriculture Ecosystems amp; Environment, 2003, 94: 321-340.

        [109]ZHANG S, BAI Y, ZHANG J. Remote sensing-based quantification of the summer maize yield gap induced by suboptimum sowing dates over North China Plain [J]. Remote Sensing, 2021,13(18):3582.

        [110]DEHKORDI P A, NEHBANDANI A, HASSANPOUR-BOURKHEILI S, et al. Yield gap analysis using remote sensing and modelling approaches: Wheat in the Northwest of Iran [J]. International Journal of Plant Production, 2020, 14(3): 443-452.

        [111]HOCHMAN Z, GOBBETT D, HOLZWORTH D, et al. Quantifying yield gaps in rainfed cropping systems: A case study of wheat in Australia [J]. Field Crops Research, 2012, 136: 85-96.

        [112]MANN M L, WARNER J M. Ethiopian wheat yield and yield gap estimation: A spatially explicit small area integrated data approach [J]. Field Crops Research, 2017, 201: 60-74.

        [113]LOW F, BIRADAR C, FLIEMANN E, et al. Assessing gaps in irrigated agricultural productivity through satellite earth observations——a case study of the Fergana Valley, Central Asia [J]. International Journal of Applied Earth Observation and Geoinformation, 2017, 59: 118-134.

        [114]ZHAO Y, CHEN X, CUI Z, et al. Using satellite remote sensing to understand maize yield gaps in the North China Plain [J]. Field Crops Research, 2015, 183: 31-42.

        [115]ZHAO Y, CHEN X P, LOBELL D B. An approach to understanding persistent yield variation-A case study in North China [J]. European Journal of Agronomy, 2016, 77: 10-19.

        [116]ZHAO Y, LOBELL D B. Assessing the heterogeneity and persistence of farmers’ maize yield performance across the North China Plain [J]. Field Crops Research, 2017, 205: 55-66.

        [117]LIU B, CHEN X, MENG Q, et al. Estimating maize yield potential and yield gap with agro-climatic zones in China——Distinguish irrigated and rainfed conditions [J]. Agricultural amp; Forest Meteorology, 2017, 239: 108-117.

        [118]LOBELL D B, ORTIZ-MONASTERIO J I, FALCON W P. Yield uncertainty at the field scale evaluated with multi-year satellite data [J]. Agricultural Systems, 2007, 92: 76-90.

        [119]LIU Z, YANG X, LIN X, et al. Maize yield gaps caused by non-controllable, agronomic, and socioeconomic factors in a changing climate of Northeast China [J]. Science of the Total Environment, 2016, 541: 756-764.

        [120]LOBELL D B, OORTIZ-MONASTERIO J I, LEE A S. Satellite evidence for yield growth opportunities in Northwest India [J]. Field Crops Research,2010, 118: 13-20.

        [121]TITTONELL P, SHEPHERD K D, VANLAUWE B, et al. Unravelling the effects of soil and crop management on maize productivity in smallholder agricultural systems of western Kenya——an application of classification and regression tree analysis[J]. Agriculture Ecosystems amp; Environment, 2008, 123: 137-150.

        [122]BEZA E, SILVA J V, KOOISTRA L, et al. Review of yield gap explaining factors and opportunities for alternative data collection approaches [J]. European Journal of Agronomy, 2017, 82: 206-222.

        [123]YAN L, ROY D P. Automated crop field extraction from multi-temporal web enabled Landsat data [J]. Remote Sensing of Environment, 2014, 144:42-64.

        [124]DE L, OVANDO G, BRESSANINI L, et al. Soybean crop coverage estimation from NDVI images with different spatial resolution to evaluate yield variability in a plot [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 146: 531-547.

        [125]ZHANG C, WALTERS D, KOVACS J M. Applications of low altitude remote sensing in agriculture upon farmers’ requests——A case study in northeastern Ontario, Canada [J]. PLoS One, 2014, 9 (11): e112894.

        [126]CECILE G, VISCARRA R A, MCBRATNEY A B. Soil organic carbon prediction by hyperspectral remote sensing and field vis-NIR spectroscopy: an Australian case study [J]. Geoderma, 2008, 146 (3/4): 403-411.

        [127]PETROPOULOS G P, IRELAND G, BARRETT B. Surface soil moisture retrievals from remote sensing: current status, products amp; future trends [J]. Physics and Chemistry of the Earth,2015,83-84:36-56.

        [128]JIJI G W, NADAR P. Soil type identification using remotely sensed data for agricultural purpose [J]. Journal of the Institution Engineers, 2016,97(1):405-411.

        [129]BAI J, LI J, LI S. Monitoring the plant density of cotton with remotely sensed data[C]//LI D, LIU Y, CHEN Y. International Conference on Computer and Computing Technologies in Agriculture. Berlin, Heidelberg: Springer, 2011:90-101.

        [130]JAIN M, MONDAL P, DEFRIES R S, et al. Mapping cropping intensity of smallholder farms: a comparison of methods using multiple sensors [J]. Remote Sensing of Environment, 2013, 134: 210-223.

        [131]DROOGERS P, IMMERZEEL W W, LORITE I J. Estimating actual irrigation application by remotely sensed evapotranspiration observations [J]. Agricultural Water Management, 2010, 97(9): 1351-1359.

        [132]GOEL P K, PRASHER S O, LANDRY J A, et al. Potential of airborne hyper-spectral remote sensing to detect nitrogen deficiency and weed infestation in corn [J]. Computers and Electronics in Agriculture, 2003, 38 (2): 99-124.

        [133]CAO X, LUO Y, ZHOU Y, et al. Detection of powdery mildew in two winter wheat cultivars using canopy hyperspectral reflectance [J]. Crop Protection, 2013, 45: 124-131.

        [134]ZHENG B, CAMPBELL J B, SERBIN G, et al. Remote sensing of crop residue and tillage practices: present capabilities and future prospects [J]. Soil Tillage Research, 2014, 138: 26-34.

        [135]DJURFELDT G, HALL O, JIRSTROM M, et al. Using panel survey and remote sensing data to explain yield gaps for maize in sub-Saharan Africa [J]. Journal of Land Use Science, 2018, 13(3): 1-14.

        (責任編輯:石春林)

        收稿日期:2022-06-09

        基金項目:國家重點研發(fā)計劃(政府間國際合作)項目(2021YFE0104400);江蘇省自然科學基金項目 (BK20200281) ;江蘇省農(nóng)業(yè)科技自主創(chuàng)新基金項目[CX(22)2001]

        作者簡介:盧必慧(1989-),女,安徽滁州人,碩士,助理研究員,主要從事農(nóng)業(yè)遙感與作物模型估產(chǎn)研究。(E-mail)20140029@jaas.ac.cn

        通訊作者:邱 琳,(E-mail)qiulin_81@163.com

        亚洲美女一区二区三区三州| 奇米影视7777久久精品| 欧美又大又色又爽aaaa片| 无遮挡h肉动漫在线观看| 亚洲国产综合人成综合网站| 成人片99久久精品国产桃花岛| 亚洲一级无码AV毛片久久| 日韩av一区二区蜜桃| 日韩中文字幕有码午夜美女| 少妇被粗大的猛烈进出免费视频 | 中文字幕亚洲无线码在一区| 婷婷激情六月| 9l国产自产一区二区三区| 极品少妇被黑人白浆直流| 国产md视频一区二区三区| 精品国产午夜福利在线观看| 青青青国产免A在线观看| 午夜视频一区二区三区播放| 欧美大片aaaaa免费观看| 亚洲av无码一区二区乱子伦| 亚洲av福利天堂在线观看| 自拍成人免费在线视频| 又色又爽又高潮免费视频观看| 欧美三级一区| 一区二区三区国产视频在线观看| 久久精品av在线观看| 日本在线看片免费人成视频1000| 无码不卡免费一级毛片视频| 一区二区三区中文字幕有码| 久久婷婷综合激情五月| 无码熟妇人妻av影音先锋| 亚洲av无码乱码国产精品fc2| 国产成人丝袜在线无码| 校园春色日韩高清一区二区| 欧美性受xxxx狂喷水| 精品视频999| 国产偷国产偷亚洲高清| 欧美成人午夜免费影院手机在线看| 中文字幕人妻中文av不卡专区| 日本一区二区在线资源| 丝袜美腿福利一区二区|