农业信息化课程论文-计科1201班-刘怡然-10 遥感技术在农作物估产中的应用
摘要：遥感估产是基于作物特有的波谱反射特征，利用遥感手段对作物产量进行监测预报的一种技术，在农业发展中具有传统的统计方法不可比拟的优势，能客观、动态、快速、精准地获得农作物长势、产量等信息。遥感技术必须与其它工具相结合，才能更好地估产。本文主要研究了遥感技术在农作物估产中的应用，先介绍了遥感估产的基本原理和方法，分析了几种与遥感技术结合的估产模型的优劣；然后以冬小麦和玉米为例，介绍了两种遥感估产模型；最后，分析了现有遥感估产存在的问题和遥感估产的发展方向，为遥感估产的进一步研究提供了方向和思路。
关键字：遥感技术，农业，估产
The Application of Remote Sensing Technology
in Estimating Crop Yield Abstract Estimating crop yield by remote sensing is a technology monitoring and forecasting crop yield by remote sensing based on specific spectrum characteristics of crop.It has incomparable advantages compared with traditional statistical methods in the development of agriculture and it can acquire growing and yield information of crops in a object,dynamic,fast and accurate way.To estimating crop yield better, remote sensing technology must be combined with other technologies.In this paper, the application of remote sensing technology in estimating crop yield is introduced.To begin with, the basic theory and method of estimating crop yield by remote sensing are mentioned, then the merits and demerits of the estimating models integrated into remote sensing are analyzed.Finally, the existing problems and prospect are statemented, which proposed direction and thoughts for next researches.Key words Remote Sensing Technology,Agriculture,Yield Estimation
农业信息化课程论文-计科1201班-刘怡然-10
目 录
1引言3 2遥感估产的原理和方法---------------3 2.1基本原理和方法-----------------3 2.2遥感估产方法评价---------------3 2.3作物估产模型比较---------------4 3主要粮食作物估产模型---------------5 3.1冬小麦产量分阶段预测模型-------5 3.1.1技术流程-------------------5 3.1.2合理取样数估计和样方布设方法------------------------------6 3.1.3估产方法-------------------6 3.1.4模型分析-------------------7 3.2玉米产量估算模型---------------8 3.2.1模型中应用的技术介绍-------8 3.2.2处理方法-------------------8 3.2.3信息提取-------------------9 3.2.4模型与优化算法-------------9 4现有遥感估产方法存在的问题和发展方向-----------------------------11 4.1遥感估产方法存在的问题--------11 4.2遥感估产的发展方向------------11 5结束语----------------------------12 参考文献----------------------------13
农业信息化课程论文-计科1201班-刘怡然-10 1引言
作物产量预测是农业生产管理的重要内容，也是国家制定农业政策所不可缺少的重要农业情报。对于农户及企业来说，在农业生产各阶段中能正确预测收成也是非常重要的，因此世界各国均投入了较大的人力、物力和财力，进行作物产量预测试验研究，取得了较好的预测效果。
在众多农作物估产的技术中，遥感技术具有宏观、动态、快速、准确等优点，可以在短时间内连续获取大范围农作物产量信息，是最有前景的农作物估产方法之一。
民以食为天。随着人口的增加、气候的波动和可利用资源的减少，粮食安全问题一直备受关注。及时、准确地了解一个国家或一个地区的粮食产量和年际变化，对于在国际粮食市场中占有主动权和管理者采取有效管理措施至关重要。遥感技术可以快速、准确、动态获取农业所需空间信息差异参数，大大提高了统计业务工作效率和科技水平，无疑地对实现国家及时、准确地掌握粮食生产状况、粮食宏观调控和在国际农产品贸易中争取到主动权具有重要意义。
2遥感估产的原理和方法
2.1基本原理和方法
作物遥感估产是通过装置于卫星上的多波段地物光谱扫描仪，去获取作物各生育期的光谱数据，并依此推断作物产量，因此确定作物光谱特征与产量之间的数量关系，是作物遥感估产的基础。作物遥感估产主要包括 3个部分，第一，用遥感数据对作物进行分层；第二，用遥感数据计算作物面积；第三，用遥感数据监测作物长势，结合农业、天气气候等资料综合估算平均单产，由面积和单产计算出总产。
2.2遥感估产方法评价
作物遥感估产具有快速、宏观、经济和客观等优点，因此日益被各国所重视。目前，遥感估产已从试验研究阶段逐步进入实际业务使用阶段。国内外遥感估产的方法很多，基本可分为利用空间遥感资料（航天、航空资料）的作物估产和利用地面遥感资料（地面野外光谱测定）的作物估产，但不论哪一种方法，仍然存在以下问题：
第一，遥感不能直接感知作物产量，只能通过测定作物光谱反射率来感知叶面积指数，但各种作物叶，面积指数与其经济产量之间并不一定都有直接的联系。从 1977年以来，美国开始寻找反射率与产量的定量关系，尽管采用了多种方法探索这种关系，但一直收获很小。国内外进行了许多植被指数与产量之间关系的研究，多集中于牧草及禾本科等作物上，而那些叶面积与产量相关较差的作物，
农业信息化课程论文-计科1201班-刘怡然-10 就很难直接用遥感方法来估产。因此遥感技术必须与其它工具相结合，才能更好地估产。
第二，纯粹用遥感数据来估产，也只能称为监测产量，更确切地说是监测作物叶面积或长势，因此大多数遥感估产方法是把植被指数与天气气候条件相结合，利用统计方法建立一个综合的估产模型。在一个农业气象产量数值模拟模式中所能考虑的影响作物产量的因素是很多的，如光合作用、呼吸作用、蒸腾作用等等，但其中最主要的因素是光合作用。 一般表示作物光合作用能力大小主要有叶面积指数 LAI和光合有效辐射吸收量APAR等。因此，通过遥感资料来导出 LAI和APAR，并将它们输入模拟模式，是卫星遥感预测产量的方法途径之一。本文第二章第三节中对各种作物估产的指标模型进行了探讨，认为通过计算农作物的净第一性生产力，实现大范围农作物产量估算和预报较为合适。
2.3作物估产模型比较
目前，作物估产的方法有抽样调查、气象模型、遥感估产、作物生长模拟模型等多种。其中抽样调查与气象模型估产，方法相对成熟、稳定，已业务应用多年，由于是统计模型，估产结果仍有相当的不确定性。人类的认识不会永远停留在一个水平上，总是要不断创新，做到有所发展，有所前进，因此机理性大面积估产模型应运而生。
由于农作物的叶面积指数（LAI，leaf area index）是决定作物光合作用速率的重要因子，LAI 越高，单位面积的作物穗数就越多作物截获的光合有效辐射就越大[1]，因此，很多学者利用各种植被指数，例如 SR（simple ratio）、NDVI（normalized difference vegetation index）、TCI（temperature condition index）、VCI（vegetation condition index）等，与作物的LAI和生物量的正相关关系，建立植被指数与作物产量的线性或非线性估算模型[2-3]，从而实现对农作物产量的估算和预报。然而，这种建立在植被指数与作物生物量关系基础上的统计模型，当研究区改变时，模型的形式也会随之改变，模型的适用性就要重新被检验。随着人们对农作物产量遥感估算认识的不断深入，众多学者又采用作物的净第一性生产力（NPP，net primary productivity）来估算农作物的产量。在对 NPP 进行模拟时，大多采用光能利用率模型。然而，这类方法仍然不能跳出统计模型的框架，并没有从机理上解释植被生产力的变化机制。因此，近年来一些学者试图从机理上研究农作物的生产力。邬定荣、马玉平、谢文霞等利用荷兰瓦赫宁根大学开发的WOFOST模型对华北平原冬小麦和浙江水稻的生长过程进行适用性研究，并对模拟结果进行了验证，认为经过区域化后的WOFOST 模型能够很好地模拟作物的生长过程；但是该模型在对农作物的光合作用过程进行模拟时，模型的侧重点在于对作物生长过程的模拟，对作物产量的估算没有做详尽的讨论；冯险峰利用北部生态系统生产力模拟（BEPS，boreal ecosystem
农业信息化课程论文-计科1201班-刘怡然-10 productivity simulator）模型模拟得到了全国陆地生态系统的NPP，并分析了不同土地覆被类型之间NNP的差异，但是模拟得到的农田生态系统的 NPP 还是建立在森林生态系统的基础之上，而且也没有把NNP进一步推算到农作物的产量上；于强等将作物冠层按 LAI 划分为若干层次，该模型对冠层光合作用的理论研究、作物生长的数学模拟等有一定的意义，但是该方法仅是停留在理论模拟阶段，还没有将其付诸于大范围的应用。并且，该方法也没有进一步发展，以最终得到作物的产量。因此，从理论上寻求一种基于作物光合作用机理的农作物产量估算模型，走出各式各样统计模型的框架[4]，成为农业估产领域的研究焦点。
随着人们对作物产量形成机理探讨的深入，将农作物光合和呼吸作用的过程模型和卫星遥感相结合，通过计算农作物的净第一性生产力，实现大范围农作物产量估算和预报，已经成为一种可能。
3主要粮食作物估产模型
3.1冬小麦产量分阶段预测模型
关于作物产量遥感监测预报，早期的研究大多是在分析光谱信息与作物长势或产量形成关系的基础上通过统计预报等途径建立回归模型而进行的。但由于作物每一生长时段内周围环境的可变性，只通过作物某一生长阶段的瞬时信息预测成熟期产量会出现很大偏差，因此综合作物生长过程的估产算法应运而生。
农业部遥感应用中心建立的全国农作物遥感监测业务化运行系统中，作物产量预测采用的农业遥感估产法主要是以作物面积提取和单产模型预测为基础，结合土壤水分状况评价和作物长势分析，进而对作物产量进行综合预测和预报。其对农作物单产预测的时效性和精确度要求较高，需要在作物生长的不同阶段及时获得作物生长动态及产量信息，从而实时调整作物生产预报情报，以便更好地为上级管理部门提供决策支持信息，进而为我国农业遥感监测产量提供预警服务。 3.1.1技术流程
农作物产量由农作物生长状况决定，农作物生长状况主要受到其内在遗传因子和外在环境条件的双重影响。其中遗传因子的影响作用主要通过其产量构成因子即穗数、粒数和粒质量进行外部表达，同时受到外在环境条件如土壤状况、气象条件和管理措施的综合作用。很早就有研究人员提出可以利用产量构成因子来解释遗传和环境因子如何在作物发育的不同阶段影响作物收获产量，随着对生殖生长量化理解的深入，发现利用三因子模型来模拟和预测籽粒产量及其构成方面是有用的。因此，在对传统农学产量测定方法改进的基础上，根据农业部冬小麦遥感监测时间表，分别在冬小麦生长的抽穗期(前期)、灌浆期(中期)、收获期(后期)进行数据的取样和测定，以满足农作物遥感监测不同时效的预警需求，流程如下图所示：
农业信息化课程论文-计科1201班-刘怡然-10
3.1.2合理取样数估计和样方布设方法
采用常用的Cochran针对区域纯随机取样而构造的合理取样数量计算公式：
n(tRstd)2d2 式中n:最佳取样数量
t:与显著性水平相对应的标准正态偏差 Rstd :样本标准差
d:样本平均值与相对误差的乘积，％
由于随机变量总体标准差未知，只能用样本方差来代替。根据产量调查资料，计算得到该县冬小麦产量估测的合理取样数量。
由于产量的区域平均变化率常小于田块尺度的变化率，所以为了减小误差，要求所有样方点尽量均匀分布，并且在同一田块内采用3点斜线取样法进行重复取样，每个样方点都用GPS逐一定位。
在冬小麦生长的3个主要阶段即抽穗期、灌浆期和收获期，对冬小麦的平均行距及1m2样方内的有效穗数、穗粒数和千粒质量进行实地调查，同时记录农户联系信息和相关管理信息。根据实际抽测产量值划分产量水平等级，确定权重，求得估测产量；待完全收获后，调查农户收获产量，以便验证。 3.1.3估产方法
以玉冬小麦为试验材料，以冬小麦产量构成三因子即单位面积有效穗数(以下简称穗数)、穗粒数、千粒质量为研究对象，采用随机抽样和重复抽样的方法进行样点布设。传统农学产量预测模型为：
农业信息化课程论文-计科1201班-刘怡然-10 Yx1x2x3f
式中Y：理论单产值，ks／hm2 x1：穗数 x2：穗粒数 x3千粒质量，g f:去除收获和晾晒损耗的实收产量系数，一般取0.85 由于产量构成因子之一的亩穗数在作物生育中期就可获得，那么在假设后期作物不会受到明显的气象灾害或病虫害的影响下，利用单因子预产模型可以提前预测冬小麦产量。给出单因子预产模型的定义：利用实测作物的单位面积(666.7 m)茎数结合作物管理水平、叶面积系数和当年的气象条件，按茎数的80％一95％成穗(根据经验和当地生产条件，若作物种植密度过大，单位面积穗数超过60万以上，需要考虑穗粒数和千粒质量的递减因素，结合品种特性做系数调整)，进行量纲换算后，得到估测产量值的一种方法。关于土、气、肥、水的配合说明如下：一般的地力要求，土壤有机质含量在1％以上，全氮0 1％，有效磷2.5-4.9 g／m2，酌施钾肥和微肥。叶面积系数要求苗期为0.8～1.2，拔节期为3.0左右，抽穗期5.0～6.0；土壤含水率保持在田间持水率的60％左右为宜。将传统的作物单产预测模型改造为单因子预产模型: 2Yafx11000 式中a:经验系数
同理，双因子预产模型是指在冬小麦生长中期(灌浆期～乳熟期)，假设当年冬小麦千粒质量为常年千粒质量，只需实地测定冬小麦的穗数和穗粒数，再与常年千粒质量相乘。经过系数订正后即可得到冬小麦的双因子预产值。双因子预测模型为: Ybfx1x2
式中b——常年千粒质量，g 双因子预产模型是在假设冬小麦千粒质量与常年千粒质量相同的条件下进行的。千粒质量作为常数值出现，考虑到多种因素会对常年千粒质量产生影响，此处建议采用近5年调查千粒质量的平均值作为常年千粒质量。 3.1.4模型分析
单因子预产模型的应用最好选择在作物单位面积穗数基本稳定不变的时期进行。所以利用单因子预产模型，适宜在农户对冬小麦进行水肥管理措施实施后进行，根据试验经验，一般选择在抽穗中后期为宜，从而可以将产量预报的时间提前。
双因子预产模型适合在作物穗粒数基本稳定的阶段进行，穗粒数主要由小穗
农业信息化课程论文-计科1201班-刘怡然-10 (码)数和小穗粒数决定。因此，最佳应用双因子预产模型的时间应该在灌浆期后期，此时籽粒退化数基本稳定，有利于穗粒数的测量。
应用上述方法时，要结合当地作物的实际农时历进行，同时需要提前对作物的生长特性、作物管理水平、常年产量状况以及当年的气象状况有适度的了解，在作物生长不同阶段的气象灾害或病虫害均可能对产量产生影响，应密切关注。
3.2玉米产量估算模型
3.2.1模型中应用的技术介绍
目前，作物生长模型，如CERES-Maize（crop environment resource synthesis-Maize）模型，已经在农作物生长评估、精准农业、农田管理决策、气候变化影响等领域得到了广泛地应用。
遥感信息与作物生长模型集成的方法分为驱动法和同化法。其中，同化法受到了更多的关注。在同化过程中可以同化遥感反演值，也可以直接同化光谱反射率，而在同化后者时，植被冠层反射率模型，如SAIL模型（scattering by arbitrarily inclined leaves），需要与作物生长模型相耦合。目前，中分辨率成像光谱仪（moderate resolution imaging spectroradiometer, MODIS）数据作为主要的遥感数据源被广泛应用于区域农作物长势监测和产量估算研究。不过在农田地块较小、分布较为零散、破碎化程度较高的区域，很难保证 MODIS 像元是纯像元，此时需要结合更高空间分辨率的遥感影像进行数据同化研究。以往的同化估产研究往往只针对某一年的遥感数据估算农作物的单位产量，缺乏分析遥感数据和同化算法在年内作物产量及年际间产量差估测中的作用。 3.2.2处理方法
以 20
13、2014和2015年3个玉米生长季为研究时段，提出了基于多时相 MODIS和TM观测数据的区域玉米产量同化估算方案。
将TM、MODIS和土地利用图进行空间配准，对土地利用图与MODIS数据进行叠加，判断MODIS像元中旱地作物所占的比例。利用MODIS数据分别在像元和亚像元尺度提取玉米作物种植面积和空间分布，结合可用的TM遥感观测，提取 MODIS 像元和亚像元尺度的玉米冠层反射率信息，构成时间序列遥感观测数据集。
将气象数据、土壤数据、田间观测和玉米品种遗传参数作为模型输入参数，驱动 CERES-Maize 模型，模拟玉米的生长发育进程。为了将遥感观测到的玉米生长期间作物冠层方向反射波谱的时间序列变化信息用于区域玉米产量估算，采用遥感数据和作物生长模型同化的方法，通过叶面积指数（leaf area index，LAI）将作物生长模型CERES-Maize与冠层反射率模型 SAIL 相耦合，利用耦合模型模拟得到遥感观测时的冠层反射率。通过对CERES-Maize 和 SAIL 模型参数的敏感性分析确定待优化参数。针对玉米作物所在的 MODIS 像元和亚像元，利用时间序列遥感观测反射率和 SCE-UA 算法（shuffled complex evolution
农业信息化课程论文-计科1201班-刘怡然-10 method developed at the University of Arizona）优化模型的待优化参数，得到参数的最优估计值，进而估算 20
13、2014 和 2015 年玉米产量，结合玉米产量统计数据对同化估产结果进行验证。在此基础上，通过比较年际间及年内产量的时空变化，进一步探讨利用时间序列遥感信息与同化方法估算作物产量的能力，分析时间序列遥感数据在年内产量及年际间产量差估测过程中的作用。 3.2.3信息提取
随着玉米作物的生长，LAI 逐渐增大，且在玉米吐丝期达到最大，随后LAI呈逐渐减小的趋势。提取 20
13、2014和2015年 DOY16
9、17
7、18
5、19
3、20
1、20
9、
217、2
25、2
33、241共10次旱地作物覆盖的NBAR（nadir BRDF-adjusted reflectance）像元及亚像元的红光和近红外波段反射率，计算比值植被指数（ratio vegetation index，RVI）。RVI的计算公式为：
RVINIR/R
式中：NIR代表遥感近红外波段反射率，R代表红光波段反射率。
考虑到某些日期受天气等因素影响，难免存在质量不好的像元，导致时间序列 RVI 存在波动现象，利用S-G滤波（Savitzky-Golay）[9]对 RVI 进行平滑，得到 RVI 时间序列变化廓线。对玉米作物覆盖的像元（或亚像元）而言，时间序列 RVI 应该遵循玉米 LAI 的变化规律。旱地作物中玉米占相当大的比例，其吐丝期一般在 7 月下旬左右，因此，玉米作物覆盖的像元（或亚像元）RVI 应该也在 7 月下旬左右达到最大。如果旱地纯像元（或亚像元）RVI 遵从这一规律，则视为玉米覆盖的像元（或亚像元）。统计三年玉米覆盖的 MODIS 像元数、含有玉米信息的 MODIS 混合像元。利用MODIS数据估算的三年玉米种植面积和统计面积之间的相对误差，若其误差在 10%以内，说明了利用本文建议的方法估算玉米种植面积是可行的。 3.2.4模型与优化算法
CERES-Maize模型源自农业技术推广决策支持系统，是经过大量试验资料验证过的、动态的、机理性强的玉米作物生长模型，可以模拟土壤水分平衡、氮素平衡、物候发育和作物生长过程等。驱动CERES-Maize模型需要气象数据、土壤数据、作物管理数据和品种遗传参数。模型中气象数据包括日太阳辐射、日最高气温、日最低气温和日降水量，其中温度和降水数据来自于气象站点，太阳辐射由日照时数通过埃斯屈朗公式转换得到；土壤性质数据包括田间持水量、土壤容重、有机碳含量、土壤粒径百分比等描述土壤水文和化学的参数，将CERES-Maize 模型应用到区域尺度，需要对其进行区域校准，即对特定地区确定代表性品种的过程。目前大多数研究主要基于大量的地面观测数据，利用试错法校准作物生长模型。在区域尺度且地面观测数据较少的情况下，不适于应用试错法。考虑到一定地理范围内，受温度和日照条件影响，同种作物的种植习惯及生长发育过程均固定在一定时间段内。在CERES-Maize模型中，品种遗传参数幼苗期生长特性参数、光周期敏感参数、灌浆期特性参数和出叶间隔特性参数决定了玉米的生育时
农业信息化课程论文-计科1201班-刘怡然-10 期，单株最大籽粒数和潜在灌浆速率参数仅影响作物产量。选择某年为基准年，将种植日期、幼苗期生长特性参数、光周期敏感参数、灌浆期特性参数和出叶间隔特性参数分别在各自取值区间内均匀采样10000次，然后将不同的参数采样组合代入CERES-Maize模型进行模拟，判断落入到玉米合理生育时期的采样组合，经过反复试验，确定出满足榆树市玉米生育时期的遗传参数取值范围。将主推玉米品种最大籽粒数的平均值作为CERES-Maize 模型中单株最大籽粒数的取值，结合该年地面实测产量数据，在幼苗期生长特性参数、光周期敏感参数、灌浆期特性参数和PHINT取区间中值、单株最大籽粒数固定的情况下，模拟玉米产量，然后和地面实测产量相比较，当模拟和实测产量基本吻合时，潜在灌浆速率参数的取值作为该参数的校准值[8]。
SCE-UA 算法是在控制随机搜索方法和遗传算法基础上发展起来的，此外还引入了复杂形分割与混合的思想，通过采用竞争演化和复合型混合的概念，继承了全局搜索和复合型演化的特性。SCE-UA 算法灵活、应用面广泛，不拘泥于具体问题，对非线性优化问题能够获得准确的优化结果。代价函数的表达式如下：
J(x)(xxb)B(xxb)(yiH(LAIi))TRi1(yiH(LAIi)) T1i1n 式中，J(x)为要求解的代价函数，向量x代表待优化参数的取值；向量xb代表待优化参数的数学期望值；B为向量x的误差协方差矩阵；i为遥感观测的次数；n为经质量控制后的总遥感观测次数；向量yi 为第i次遥感观测红光和近红外反射率数据，无量纲；Ri为向量yi的误差协方差矩阵；LAIi为CERES-Maize 模型模拟的第i次遥感观测时刻的LAI,m 2 /m 2；H(·)为SAIL模型；上标T表示矩阵的转置。
待优化参数包括种植日期、种植密度、光周期敏感参数、叶片红光和近红外波段反射率。其中，种植日期和种植密度的标准差根据当地玉米种植情况及实地调查情况确定；光周期敏感参数的标准差根据CERES-Maize模型区域校准及模拟情况给定；叶片红光和近红外波段反射率的标准差主要参考实地测量及中国典型地物波谱数据库中玉米组分波谱设定；遥感观测反射率的误差主要根据文献[9-10]设定；B和Ri均设为对角阵。选用SCE-UA优化算法求解式，优化成功后与最小代价函数值对应的种植日期、种植密度、光周期敏感参数、叶片红光和近红外波段反射率等 5 个参数取值称为“最优值”。将种植日期、种植密度和光周期敏感参数的“最优值”，连同其他输入参数一起输入到CERES-Maize模型，模拟得到数据同化后的产量结果。
农业信息化课程论文-计科1201班-刘怡然-10 4现有遥感估产方法存在的问题和发展方向
4.1遥感估产方法存在的问题
在政府部门的大力支持和众多学者的努力下，我国的作物遥感估产方法虽然建立了较好的理论与技术体系，取得了一定的研究与应用成果,但与发达国家相比,在应用的深度与广度上仍存在很大差距。
首先是遥感数据源的选取和精度的控制方面。现在用来进行估产的遥感影像主要有:NOAA/AVHRR、EOS/MODIS以及Landsat/TM影像等。高的遥感估产精度需要有高的空间分辨率，时间分辨率和光谱分辨率信息源的保障。由于受估产成本的限制，一般大范围农作物遥感估产多采用廉价的卫星数据，如NOAA/AVHRR、EOS/MODIS等资料。时间分辨率虽然很高，但相对的空间分辨率比较差,很难准确提取农作物的分布和面积信息。小范围的农作物遥感估产若采用价格较昂贵的卫星资料，如SPOT影像，空间上精度提高了，时间分辨率却降低了，不能对小麦等作物进行连续的观测监测，最终还是会影响估产精度。
其次，绝大部分作物遥感估产模型在小区试验中都能取得较高的精度，但其大面积估产时不能满足专业化要求。究其原因，这些遥感估产模型多是依据植被指数与农学参数间的相关性而建立的回归模型，具有很强的经验性，普适性较差。今后在作物遥感估产模型构建中，应考虑模型的机理性与普适性，以增强估产模型在区域间或年份间的通用性。
另外，缺乏可面向实际应用的遥感估产信息系统。遥感估产信息系统是对作物的整个生长过程进行系统监测和管理，利用程序语言工具，将遥感数据、地形数据、气象数据、品种资源数据和社会经济数据进行综合集成，可以实现数据管理、信息查询、长势分析、产量估测以及决策服务等功能的计算机信息管理系统。近年来，在作物遥感监测信息系统研制与开发方面取得一些进展，但不太成熟。
4.2遥感估产的发展方向
准确、迅速、全面的信息交流将是数字农业发展的必然趋势。将遥感技术和其他信息技术集成，建立面向农业生产的农作物估产信息系统，可以为粮食部门或农业生产管理者提供信息化、智能化的农情决策服务。
针对农作物遥感估产的研究现状和存在的一些问题，在遥感技术和相关信息技术的发展基础上，应加快农作物感估产的信息化集成应用的步伐，在以下几个方面开展研究：第一，利用现有的数据源提高估产精度；第二，利用数据反演综合气候环境因子进行农作物遥感估产；第三，极端气候条件下的产量评估；第四，开展遥感估产技术的信息化集成研究，提供专业化服务。
农业信息化课程论文-计科1201班-刘怡然-10 5结束语
遥感估产模型的构建是农作物遥感估产的核心问题。构建农作物遥感估产模型时，获取遥感信息作为输入变量，直接或者间接表达作物生长发育形成过程的影响因素或者参数，单独或者与其他非遥感信息结合，依据一定的原理和方法建立模型。
通过此次课程论文研究过程，我更加深刻地理解了这一过程。首先我理解了作物遥感估产的基本原理和方法，知道了遥感技术必须与其他技术结合才能更好地进行农业估产，我还了解到一些传统的遥感估产模型的优劣。在研究过程中，有很多参数和指标是我这个非专业学生所不知道的，导致模型看着非常复杂，无法理解，后期涉及到的优化算法更加令人费解，我已经尽力去理解了。通过此次结课论文的写作，我经历了了解一项技术的一般过程，能够比较清晰地理解和讲述这个技术。
在以后的学习中，这样的经历能让我更加容易地接受新的技术，新的事物，让我更有创新和探索精神。感谢老师给我这样的机会，感谢室友解答我的疑问。
农业信息化课程论文-计科1201班-刘怡然-10
参考文献
[1]Carlson T N,Ripley D A.On the Relationship between NDVI,Fractional Vegetation Cover,and Leaf Area Index[J].Remote Sensing of Environment,1997,62:241-252．
[2]Benedetti R, Roini P.On the use of NDVI profiles as a tool for agricultural statistics: The case study of wheat yield estimate and forecast in Emilia Romagna[J].Remote Sensing of Environment, 1993,45:311-326.[3]焦险峰,杨邦杰,裴志远,等．基于植被指数的作物产量检测方法研究[J].农业工程学报,2005,21(4):104-108.[4]王培娟,谢东辉,张佳华,孙睿,等.BEPS模型在华北平原冬小麦估产中的应用[J].农业工程报,2009,25(10):148-153.[5]张建华.作物估产的遥感——数值模拟方法[J].干旱区资源与环境,2000,14(6):82-86.[6]张东霞、张继贤，等.遥感技术在主要粮食作物估产中的应用[J].测绘科学,2014,39(11):95-103.[7]何亚娟,汪庆发,裴志远,王连林,等.冬小麦产量分阶段预测模型[J].农业机械学报,2012,43(1):89-93.[8]靳华安,王锦地,柏延臣,等.基于作物生长模型和遥感数据同化的区域玉米产量估算[J].农业工程学报,2012,28(6):163-173.[9]李卫国,李正金,申双和.小麦遥感估产研究现状及趋势分析[J].江苏农业科学,2009(2):6-8.[10]王东伟,王锦地,梁顺林.作物生长模型同化 MODIS 反射率方法提取作物叶面积指数[J].中国科学：地球科学，2010，40(1)：73－83.[11]王东伟.遥感数据与作物生长模型同化方法及其应用研究[D].北京：北京师范大学地理学与遥感科学学院，2008.
