基于集合卡尔曼滤波的PyWOFOST模型在东北玉米估产中的适用性验证

以叶面积指数(LAI)为结合点,引入基于集合卡尔曼滤波(Ensemble Kalman Filter,EnKF)的作物模型-遥感信息耦合模型PyWOFOST,利用气象数据、农业气象记录观测表数据及MODIS LAI数据检验PyWOFOST模型在东北玉米种植区的适用性,并选取在研究区内均匀分布、覆盖所有玉米品种且具有有效MODIS LAI数据的16个玉米农气站点,模拟该模型在不同的TSUM1(出苗-开花期积温)不确定性水平下各站点的玉米产量及LAI。结果表明,与WOFOST模型相比,PyWOFOST模型对LAI和产量的模拟能力都有极大提高。当TSUM1的不确定性为0、10、20、30℃时,PyWOFOST模拟的产量平均误差分别为10.32%、9.25%、7.31%和8.49%,均较未同化LAI观测数据的WOFOST模拟的产量平均误差(10.55%)低;同化后模拟LAI与同化前模拟LAI相比,其轨迹更接近实测值,更符合玉米的生长发育趋势,表明基于EnKF的PyWOFOST模型在东北玉米种植区有较好的适用性。     

SCE标定结合EnKF同化遥感和WOFOST模型模拟冬小麦时序LAI

WOFOST(world food studies)模型可用于模拟冬小麦全生育期内的时序叶面积指数(leaf area index, LAI),各器官生物量以及最终产量,对冬小麦的长势监测与产量预估有着重要意义。但将WOFOST模型用于中国具体区域的冬小麦生长模拟时,存在着参数定标困难、模拟结果不够准确等严重问题。目前对该模型的定标大多依靠研究者的经验进行,虽已总结出了一套从标定到模拟应用的研究方法,但在区域模拟时仍然存在很多问题。为此,该文以较易获取的LAI为参考指标,结合潜在生长水平模式下的WOFOST模型在衡水地区的应用,提出了一种"区域优化标定,像元同化修正"的研究方法:首先在区域尺度上对WOFOST模型进行优化标定,利用扩展傅里叶幅度灵敏度检验法(extend fourier amplitude sensitivity test, EFAST)分析模型各个参数的敏感性,在此基础上选择了可以迅速找到全局最优解的SCE(shuffled complex evolution)算法对总敏感度最高的5个参数进行优化,并将优化前后的时序LAI曲线进行对比;其次运用第一步确定的模型最优参数,在对区域内每个像元进行模拟时,结合Sentinel-2卫星数据反演所得的各个像元LAI,利用集合卡尔曼滤波(ensemble kalman filter, EnKF)在像元尺度上对LAI进行同化修正,并结合采样点的2次实测LAI数据对同化所得结果进行验证。试验发现,优化标定后的WOFOST模型模拟所得LAI曲线更接近所给的LAI真值,在此基础上结合数据同化模拟得出的衡水地区每个像元LAI的R2达到0.87,RMSE仅为0.62。因此,与原来只能通过经验进行定标的方法相比,该方法有效地解决了WOFOST模型在具体应用中亟待解决的复杂标定问题,并且结合同化修正有效地提高了模型在各个像元的模拟精度,R2由0.70～0.83提升至了0.87,RMSE由0.89～1.36降低至了0.62。同时该文也提供了从模型标定到具体模拟整个过程中各个环节的思路与方法,有利于促进WOFOST模型在区域尺度上的应用。     

基于WOFOST模型的中国主产区冬小麦生长过程动态模拟

大区域尺度WOFOST(world food studies)模型的动态模拟是作物模型区域应用的重要基础。该文以中国冬小麦主产区为研究对象,利用中国冬小麦主产区内174个农业气象站多年观测数据以及气象站点观测数据,重点优化WOFOST模型中与品种相关的积温参数,即出苗至开花有效积温与开花至成熟有效积温。在冬小麦主产区分区的基础上,以2012—2015年气象数据驱动WOFOST模型,在站点尺度进行冬小麦的物候期、叶面积指数(leaf area index,LAI)和单产动态模拟和精度分析。结果表明:WOFOST模型模拟出苗至开花天数的决定系数R2为0.89~0.94,均方根误差RMSE为7.87~11.52 d,模型模拟开花至成熟天数的R2为0.63~0.77,RMSE为2.99~4.65 d;模型模拟LAI的R2为0.70~0.83,RMSE为0.89~1.46 m2/m2;灌溉区WOFOST模拟的单产精度R2为0.45~0.59,RMSE为734~1 421 kg/hm2;雨养区WOFOST模拟的单产精度R2为0.48~0.61,RMSE为1 046~1 329 kg/hm2。结果表明,WOFOST模型在全国尺度取得了较高模拟精度,为区域尺度作物模型的农业应用提供了坚实的过程模型基础。     

遥感与作物生长模型数据同化应用综述

遥感是获取大面积地表信息最有效的手段,在农业资源监测、作物产量预测中发挥着不可替代的重要作用;作物生长模型能够实现单点尺度上作物生长发育的动态模拟,可对作物长势以及产量变化提供内在机理解释。遥感信息和作物生长模型的数据同化有效结合二者优势,在大尺度农业监测与预报上具有巨大的应用潜力。该文系统综述了遥感与作物生长模型的同化研究,概述了遥感与作物生长模型数据同化系统的构建,在归纳国内外研究进展的基础上,总结了当前主流同化方法的特点以及在不同条件下的同化效果。进而具体分析影响同化精度的关键环节,明确了相关科学概念,并相应指出改善精度的策略或者方向。最后从多参数协同、多数据融合、动态预测、多模型耦合以及并行计算环境5个方面展望了遥感与作物生长模型数据同化的未来研究重点和发展趋势,同时结合农业应用现实需求,介绍一种数据同化与集合数值预报结合的应用框架,为大区域、高精度同化研究提供新的思路与借鉴。     

WOFOST模型同化时序HJ CCD数据反演叶面积指数

为增强作物叶面积指数遥感反演的机理性并提高反演精度,在深入分析作物长势模型WOFOST机理的基础上,采用最小二乘法作为同化算法,以生长季内获取的时序HJCCD遥感数据作为外部数据源,反演冬小麦叶面积指数进行长势监测和估产应用。以河北省玉田县为试验区,以三要素法和实测LAI作为基准,模型模拟产量和LAI作为反演精度的度量指标,成熟期LAI估算误差由模型同化前的14.95%降至同化后的9.97%,产量误差由同化前的18.17%降为同化后的15.89%。叶面积指数的同化结果与实测数据具有较好的拟合度,表明该方法的具有一定可行性,为作物生长模型区域化应用提供了参考。     

基于Downhill-Simplex算法的观测数据与作物生长模型同化方法研究

以夏玉米叶面积指数（LAI）、贮存器官干重（WSO）、地上总干重（TAGP）以及土壤水分含量（SM）为结合点,建立了基于Downhill—Simplex算法的作物生长模型WOFOST同化多种地面观测数据的一般方法或流程：开展观测数据与作物生长模型同化方法的正确性验证→利用Downhill—Simplex算法进行WOFOST模型的敏感性分析一选择敏感参数组合→通过优化效果确定待优化参数→利用新的观测数据对待优化参数进行优化,从而实现了观测数据与作物生长模型的同化,提升了模型的模拟能力。同化过程中遴选出的WOFOST模型的待优化参数主要包括比叶面积、最大CO2同化速率、初始地上部总干物重、根深最大日增量和初始土壤有效水等。     

作物模型应用与遥感信息集成技术研究进展

作物模型和遥感技术以各自独有的优势在作物生产监测、评估及未来预测等方面发挥着关键作用。作物模型与遥感信息集成技术在大尺度、高精准的农业生产监测、评估与预测上具有明显的应用优势和广阔的发展前景。为了促进这些技术在区域尺度上的作物产量预测、农业气象灾害影响评估及农业应对气候变化决策等方面更加广泛地应用,本文采用文献综述的方法,系统归纳了欧洲、美国、澳大利亚及中国作物模型的发展与应用,总结了当前主流的数据集成方法的原理、特点和不足,概述了作物模型与遥感信息集成技术的实际应用,探讨了提升数据集成精度存在的问题,并对未来研究方向进行展望。结果表明,国内外对于作物模型及其与遥感数据集成的研究与应用广泛而深入,利用同化方法能够有效提高作物模型模拟精度,为作物模型实现区域尺度作物生长及产量评估、气候变化对产量影响、农田管理决策等提供技术支撑。作物模型模拟结果及遥感反演数据的不确定性、数据同化策略的多样性以及尺度效应是进一步提高集成系统精度与效率的限制因素。因此,遥感数据多源融合、同化过程多变量协同、作物模型多类型耦合以及数据高性能并行计算是未来作物模型与遥感数据集成研究的发展趋势。     

基于四维变分和集合卡尔曼滤波同化方法的冬小麦单产估测

为了通过数据同化方法提高冬小麦的估产精度,以陕西省关中平原为研究区域,采用标定的CERES-Wheat模型模拟8个典型样点冬小麦整个生育期的叶面积指数(LAI),通过四维变分(4DVAR)和集合卡尔曼滤波(En KF)2种同化算法同化CERES-Wheat模型模拟的LAI和遥感数据反演的LAI,获得单点尺度的LAI同化数据,将单点尺度的LAI同化值扩展到区域尺度,对两种同化方法的单点尺度和区域尺度的同化结果进行对比与分析。结果表明,两种同化方法均能综合遥感反演LAI和模型模拟LAI的优势,使LAI同化值更符合冬小麦LAI的实际变化规律;在单点尺度和区域尺度上,En KF-LAI均更能反映关中平原冬小麦的实际生长状况。采用En KF-LAI构建关中平原冬小麦估产模型估测2008年和2014年的冬小麦单产,通过实测单产对估产模型进行验证,结果表明,2008年样点估测单产与实测单产的相对误差均小于15%,部分县估测单产与实测单产的相对误差均小于10%;与2014年模拟单产与实测单产间的相对误差相比,估测单产与实测单产间的相对误差降低0.57%~9.30%,RMSE降低217 kg/hm2,其中,8个样点的估产精度达到94%以上,表明组合估产模型的估产精度较高。     

基于LAI时间序列重构数据的冬小麦物候监测

农作物物候信息对农作物长势监测和估产具有重要意义。该文以河北省中南部冬小麦为研究对象,以叶面积指数(LAI,leaf area index)为同化量,采用重采样粒子滤波算法同化WOFOST(world food studies)作物生长模型和遥感观测LAI,重构LAI时间序列数据,基于重构数据提取冬小麦返青期、抽穗期和成熟期等关键物候期。重构结果表明,重构的LAI具有良好的时间连续性和空间连续性,可减缓WOFOST作物模型LAI变化剧烈程度,峰值出现时间与遥感LAI曲线基本同步,且可一定程度上解决遥感观测LAI数值整体偏低和数据缺失的问题。物候期监测结果表明,在空间分布上与冬小麦实际生长状况基本相符,时间上也较为合理,但因在返青期存在LAI高初始值、成熟期存在LAI下限不确定性等问题致使在具体日期存在偏差。     

粒子滤波同化方法在CERES-Wheat作物模型估产中的应用

为验证粒子滤波同化算法在作物模型估产应用中的可行性和精度,应用该算法构建了CERES-Wheat(crop environment resource synthesis for wheat)作物模型同化系统,并应用地面观测数据研究了同化系统的估产能力以及粒子扰动维数和方差对同化结果和效率的影响。研究结果表明,构建的作物模型同化系统能够利用作物关键生育期内观测LAI数据,较好地校正模型状态轨迹,显著提高作物产量模拟预测精度。同化前后冬小麦产量模拟结果与实测产量间的决定系数由0.68增加为0.83,归一化均方根误差由4.93%减小为3.4%,相对误差由4.15%减小为2.93%。粒子扰动维数和方差同化试验结果显示,粒子维数由50增加为250时,同化估产精度无显著改善,但计算代价增加5倍;随粒子扰动方差增加,估产归一化均方根误差和相对误差均呈增加趋势,两者的平均增加幅度分别为0.32%和0.26%。因此,作物模型同化系统业务化应用时需折中考虑估产精度和计算代价设置合适的粒子扰动维数和方差。该文为进一步利用多源卫星遥感数据监测区域作物长势和估算产量等同化研究和应用提供参考。     

Potential performances of remotely sensed LAI assimilation in WOFOST model based on an OSS Experiment

An Observing System Simulation Experiment (OSSE) has been defined to assess the potentialities of assimilating winter wheat leaf area index (LAI) estimations derived from remote sensing into the crop growth model WOFOST. Two assimilation strategies are considered: one based on Ensemble Kalman Filter (EnKF) and the second on recalibration/re-initialisation of uncertain model parameters and initial state conditions. The main objective of the OSS Experiment is to estimate the requisites for the remotely sensed LAI, in terms of accuracy and sampling frequency, to reach target of either 25 or 50% reduction of errors on the final estimation of grain yields.Our results demonstrate that EnKF is not suitable for assimilating LAI in WOFOST as the average error on final grain yields estimation globally increases. These poor results can be explained by the possible differences of phenological development existing between assimilated and modelled LAI values (difference called “phenological shift” in our study) which is not corrected by the EnKF-based assimilation strategy.On the contrary, a recalibration-based assimilation approach globally improves the estimation of final grain yields in a significant way. On average, such improvement can reach up to approximately 65% when observations are available all along the growing season. Improvements on the order of 20% can be already be attained early in the season, which is of great interest in a crop yield forecasting perspective. If the first objective (25%) of error reduction on final grain yields can be reached in a quite high number of assimilated LAI observations availabilities and uncertainty levels, the field of possibilities is significantly restricted for the second objective (50%) and implies to have LAI observations available all along the growing season, at least on a weekly basis and with an uncertainty level equal or ideally lower than 10%. These requirements are not currently met from neither a technological nor an operational point of view but the results presented here can provide guidelines for future missions dedicated to crop growth monitoring.     

基于作物及遥感同化模型的小麦产量估测

为提高陕西省关中平原冬小麦的估产精度,该文通过粒子滤波算法同化Landsat遥感数据反演的状态量叶面积指数(leaf area index,LAI)、土壤含水量(0~20 cm)、地上干生物量数据和CERES-Wheat模型模拟的状态量数据,分析小麦不同生育期的LAI、土壤含水量及生物量同化值和实测单产的线性相关性,以构建同化估产模型。结果表明,在返青期土壤含水量同化值和实测单产的相关性高于LAI、生物量同化值和实测单产的相关性,选择土壤含水量作为最优变量;在拔节期和抽穗-灌浆期同时选择LAI、土壤含水量及生物量作为最优变量;在乳熟期选择生物量作为最优变量。在小麦各生育时期同化最优变量的估产精度(R2=0.85)高于同时同化LAI、土壤含水量及生物量的估产精度,同时同化LAI、土壤含水量及生物量的估产精度高于同时同化LAI和土壤含水量(或LAI和地上干生物量、或土壤含水量和地上干生物量)的估产精度,表明在作物不同生育时期同化与产量相关性较大的变量对提高估产精度有重要作用。     

基于作物模型与叶面积指数遥感影像同化的区域单产估测研究

通过对作物光合、呼吸、蒸腾、营养等一系列生理生化过程的定量模拟，作物生长模型已经被成功应用于田间尺度的作物单产研究。为了进一步将作物模型扩展应用于区域尺度，提高区域作物单产的模拟精度，该文探讨了将作物模型与多时相叶面积指数(LAI)遥感影像同化以改善区域单产估测的方法。研究首先通过地理信息系统将美国农业部开发的“考虑气候的作物环境决策模型”——EPIC模型，扩展为空间模型。然后，通过基于Landsat TM影像差值植被指数DVI与田间观测叶面积指数构建的最优回归模型，反演了研究区域的多时相叶面积指数影像。最后通过优化算法实现了空间EPIC模型与影像信息的同化，并将系统应用于河北石家庄地区2004年冬小麦的单产估测。结果表明，通过数据同化校正部分关键参数后的空间作物模型的单产模拟精度得到有效提高，但要达到业务运行精度仍有待进一步改善。     

基于时间序列LAI和ET同化的冬小麦遥感估产方法比较

为了评估同化时间序列叶面积指数(leaf area index,LAI)和蒸散发(evapotranspiration,ET)产品对冬小麦产量估测的有效性和适用性,该文选择陕西省关中平原冬小麦为研究对象,以SWAP为作物生长动态模型,利用冬小麦关键生育期的遥感观测和SWAP模拟LAI、ET趋势变化信息构建代价函数,以SCE-UA作为优化算法最小化代价函数,重新初始化SWAP模型中的出苗日期和灌溉量2个参数。重点比较了基于向量夹角和一阶差分2种代价函数的冬小麦单产估测精度。结果表明,同化MODIS LAI和ET后,冬小麦产量的估测精度比未同化精度(r=0.57,RMSE=1 192 kg/hm2)有显著提高,并且基于向量夹角代价函数法同化策略的单产估测精度(r=0.75,RMSE=494 kg/hm2)高于一阶差分代价函数法(r=0.73,RMSE=667 kg/hm2)的估测精度。该方法为其他区域的水分胁迫模式下遥感与作物模型双变量数据同化提供了参考。     

光谱信息与作物生长模型数据同化中的时间尺度优化

光谱信息与作物生长模型同化的效率提升是同化方法区域应用研究的一个重要方面。该文通过设置不同步长的光谱观测值同化时相,开展针对光谱信息与作物生长模型WOFOST(world food studies)同化的时间尺度优化研究,以提高同化效率。基于长春地区水稻生长周期,该文设置了4个等距时间尺度(步长分别为5,10,20和30 d)和一个关键时相时间尺度(同化时相对应水稻生长关键时期),在不同时间尺度下利用光谱信息计算的修正叶绿素吸收比值指数MCARI1(modified chlorophyll absorption ratio index)同化WOFOST模型,通过比较不同时间尺度下的同化精度和效率,优化同化时间尺度。结果表明:随着同化时间尺度增大,同化效率逐渐提高,而同化精度逐渐降低。在平衡精度和效率的前提下,选择步长介于10~20 d的时间尺度或关键时相尺度作为光谱信息与作物生长模型的同化时间尺度是合理的。该文提出的优化同化时间尺度方法为提高光谱信息与作物生长模型同化的区域应用效果提供了参考。