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。     

基于遥感信息与作物模型集合卡尔曼滤波同化的区域冬小麦产量预测

区域作物产量预测是国家粮食安全评估的重要内容。遥感虽能获取大面积地表信息,却难以反映作物生长发育的内在过程。作物生长模型已经在单点尺度能成功模拟作物的生长发育过程,但是区域尺度作物关键参数的获取仍很困难。遥感信息与作物模型结合的数据同化已经成为区域产量预测的最有效途径。该文选择河北省衡水地区冬小麦为研究对象,在WOFOST模型标定与区域化的基础上,利用WOFOST模型描述冬小麦生育期内叶面积指数(LAI)变化规律。针对MODIS数据的混合像元造成反演的LAI产品偏低的系统误差,利用实测LAI样本点融合MODIS-LAI趋势信息修正MODIS-LAI数据产品。采用集合卡尔曼(EnKF)算法同化冬小麦返青到抽穗期的MODIS-LAI与WOFOST模拟的LAI以获得时间序列最优的LAI,并以此重新驱动WOFOST模型估算区域冬小麦产量。结果表明,EnKF同化后的冬小麦产量比未同化的产量预测精度有显著提高,与县平均统计产量相比,在潜在模式下,决定系数由0.13提高到0.38,均方根误差由2480下降到880kg/hm2。研究表明,遥感信息与作物模型的EnKF同化是1种有效的作物产量预测方法,并在区域尺度应用上具有广阔的应用潜力。该研究可为区域尺度的作物估产提供参考。     

基于HJ-1A/1B数据的冬小麦成熟期遥感预测

基于遥感数据获取作物成熟度信息,制订收割顺序,是遥感在精准农业中的一个重要应用课题,目前的作物物候监测在空间分辨率和预测的时效性上尚无法满足精准农业的要求。以山东禹城市为研究区,选取观测点,分析冬小麦成熟期临近过程中水分和叶绿素的动态变化,获取基于遥感监测小麦成熟期的依据。以HJ-1A CCD数据构建的植被指数来反映作物绿度的变化,以HJ-1B IRS数据构建的归一化水指数来反映作物含水率的变化,通过回归分析建立了冬小麦成熟期的遥感预测模型,实现了禹城市冬小麦成熟期的遥感监测。小麦成熟期预测值与观测值的相关性达极显著水平,预测与观测小麦成熟期的先后顺序较为一致,在以误差小于1 d作为成功预测衡量标准的情况下,预测结果的准确度为65%。提出了使用HJ-1A/1B数据开展冬小麦成熟期预测的模型,而使用不同时相遥感数据预测成熟期的通用模型将成为下一步研究重点。     

针对华北小麦越冬的WOFOST模型改进

华北冬小麦生育期间存在较长的越冬休眠期，利用作物模型准确模拟冬小麦越冬过程有利于改善模型的模拟效果。本文针对华北地区气候特征和冬小麦品种生态类型，从冬小麦越冬、返青的气象指标出发对WOFOST模型进行了参数调整，从而实现了该模型对越冬物候期的模拟。根据返青后实际观测资料对返青期生物量的重新初始化，使WOFOST模型可以模拟出华北冬小麦的越冬损耗现象，并使模拟整个生育期地上生物量的平均拟合优度和关键发育期生物量的相对误差有所降低，为WOFOST模型适应华北冬小麦生长发育的模拟及区域应用奠定了基础。     

不同时空分辨率遥感数据融合估算冬小麦叶面积指数

高时空分辨率叶面积指数(leaf area index,LAI)数据能反映作物的长势动态变化,为作物长势评估和产量预测提供有效的生长指标依据。该文综合利用混合像元线性分解与数据同化算法,以高空间分辨率SPOT-5数据反演的LAI修正高时间分辨率HJ-CCD数据反演的LAI序列,生成了覆盖冬小麦主要生育期的高空间分辨率LAI序列,并结合SPOT-5反演的LAI和实测LAI值分析了像元纯度、高空间分辨率遥感数据同化景数对融合效果的影响。结果表明,采用数据融合方法生成的LAI与检验LAI具有较高的一致性,但像元纯度对融合效果影响较大;基于2景SPOT-5影像能够提高LAI序列估测精度,且优于基于1景SPOT-5影像的融合效果。该研究结果可为冬小麦生长监测提供技术支撑。     

利用时序植被指数监测作物物候的方法研究

该文是对全国主要产粮县旱地和水田作物的物候期进行遥感监测.在数据预处理中采用最小二乘法和谐函数分解重构方法相结合,去除时序植被指数影像的云噪声影响.基于土地利用数据,通过耕地植被指数加权平均的方法提取区旱地和水田作物生长过程.结合野外观察数据,对一年一熟作物用作物生长过程的最大上升斜率、最大值和最大下降斜率作为作物出苗(返青)期、抽穗期和收获期的遥感识别标志.对一年两熟、多熟县作物物候期依据轮作规律进行了监测.同时进行物候年际间对比和农业灾害监测分析.遥感监测出苗(返青)期和收获期与野外采样照片实测信息有90%的相同率,抽穗期遥感监测与实测信息相同率95%.     

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。     

基于遥感数据与作物生长模型同化的作物长势监测

遥感观测和作物生长模型模拟是进行农作物长势监测的2种有效手段,并具有较好的互补性,构建二者的同化系统是目前农业遥感研究领域的热点。同化涉及多学科的交叉集成,十分有必要将同化方法中的模型、算法、数据进行集成,构建基础作物模型同化系统平台,降低科学研究和应用的难度。采用模块化结构设计,将同化系统构建所需的主要模型、算法、数据等进行有机结合和无缝集成,实现基于极快速模拟退火算法的遥感数据与CERES-Wheat作物生长模型的同化原型系统构建。此外,通过所开发的系统利用地面高光谱作为遥感数据,通过同化小麦叶面积指数对同化系统进行了检验和初步应用。同化LAI与实测结果较好的拟合度,表明所开发的同化系统基本可行,能为遥感技术与作物模型的基础研究和应用提供一个平台。     

基于S G滤波的陕西关中地区冬小麦生育期遥感识别和长势监测

采用SPOT VGT S10产品数据,通过S G滤波处理,重构NDVI时间序列,分析陕西关中地区冬小麦返青期和抽穗期在遥感影像上NDVI时序曲线变化特征,对冬小麦的返青期和抽穗期进行遥感识别。通过与站点观测的生育期数据比较,遥感识别的均方根误差大部分在±20d之内,返青期均方根误差（RMSE）为14.29d,抽穗期RMSE为9.16d,表明基于SPOT VGT数据对关中地区冬小麦返青期和抽穗期进行遥感识别是可行的。采用差值模型基于环境减灾小卫星（HJ星）数据进行渭南市2012年冬小麦抽穗期长势监测研究,结果显示大部分地区2012年冬小麦长势稍好于2011年,经与实地调查资料比较,监测结果与实际情况基本一致。采用HJ星数据进行冬小麦长势监测,结果纹理清晰,且以同源数据提取的冬小麦种植面积作为掩膜剔除非麦区域,降低了重采样带来的误差,用其进行长势监测研究具有明显优势。     

基于决策树和混合像元分解的江苏省冬小麦种植面积提取

归一化植被指数(normalized difference vegetation index,NDVI)时间序列曲线能提供作物生长动态变化信息,将其应用于农作物种植面积提取具有一定优势。该文以江苏省为研究区域,采用2013年1月1日-2014年12月19日46景250 m空间分辨率的MODIS-NDVI时间序列数据、2014年4月23日的MOD09A1反射率影像及Landsat数据,开展冬小麦种植面积的遥感识别,首先利用MODIS数据建立作物的归一化植被指数时间序列曲线,再采用Savitzky-Golay滤波方法对NDVI时间序列数据进行重构,并基于农作物物候历、种植结构和种植模式等信息,提取研究区域典型地物物候生长期的关键值,在分析冬小麦、林地、水稻物候期(生长期开始时间、生长期结束时间、生长期幅度、生长期长度及生长期的NDVI最大值)变化趋势的基础上,综合比较分析不同地物平滑重构后的NDVI时间序列曲线特征,界定作物种类,确定训练规则,利用快速、高效的决策树方法,通过多阈值限定进行分类,初步提取冬小麦的空间分布范围;但是由于存在混合像元,阈值范围的设定会影响冬小麦种植面积的提取精度,针对此类问题,运用地表反射率影像数据提取冬小麦端元波谱曲线,结合线性光谱混合模型进行混合像元分解,进而根据冬小麦丰度比例精确提取冬小麦种植面积;最后利用统计数据和空间分辨率较高的Landsat TM 8影像数据对提取结果进行县域级验证。精度评价结果表明,研究区域的冬小麦种植面积提取精度达到90%,能够较准确地反映研究区域冬小麦的分布情况,表明运用中高分辨率遥感时间序列影像数据可以准确提取作物种植面积,为农作物种植面积信息提取提供参考。     

卫星遥感和积温-辐射模型预测区域冬小麦成熟期

准确预测区域尺度的小麦成熟期,指挥麦收机械化作业有序开展,具有十分重要的社会和经济效益。该文针对目前区域冬小麦成熟期预测中时效性差、缺乏空间分布以及缺少定量描述等突出问题,选择华北地区河北、河南和山东3省冬小麦为研究对象,首先基于S-G滤波后的2013年冬小麦生育期时间序列MODIS LAI,采用动态阈值法获取抽穗期具体日期,即叶面积指数(LAI)达到峰值时的具体日期;然后基于由2008-2012年农业气象资料与地面气象资料构建的抽穗-成熟期有效积温模型和总辐射模型,逐个栅格单元计算MODIS LAI获取的抽穗期具体日期到当前日期的积温、太阳辐射总量,并结合全球多模式集合预报(THORPEX Interactive Grand Global Ensemble,TIGGE)资料对当前日期(5月10号至6月8号)之后的16 d冬小麦成熟期进行逐日动态预测以得到全部区域的成熟期预测值;最后采用农业气象站点的成熟期观测值对预测结果进行验证,结果表明:冬小麦成熟期预测值与观测值的决定系数R2为0.92,均方根误差RMSE约为3 d,两者具有良好的相关性。该研究方法对其他大区域的农作物成熟期预测具有借鉴价值。     

基于MCMC方法的WOFOST模型参数标定与不确定性分析

为探究作物生长模型参数的自动标定技术及其不确定性分析方法,该研究以郑州农业气象试验站为试验点,利用融入了snooker更新(snooker update)的DE-MC(differential evolution Markov chain,差分进化马尔科夫链)方法实现对WOFOST(world food studies)作物生长模型的参数标定和不确定性定量评价。snooker更新增加了DE-MC算法中候选样本的多样性,从而实现利用更少的并行链对多维参数空间进行有效采样,较适合于WOFOST模型参数众多的特性。结果表明:相比于模型默认值,采用MCMC(Markov chain Monte Carlo,马尔科夫链-蒙特卡洛)标定后的参数,叶面积指数(leaf area index,LAI)模拟精度可提高51.40%~53.07%,产量模拟精度提高8.25%~8.88%。标定参数中,SPAN、SLATB070、SLATB040、AMAXTB130和SLATB00的后验分布可近似为高斯分布,其中SPAN的不确定性最低。带入后验参数集合进行模型,LAI在三叶期至返青期之间以及拔节期至抽穗期之间模拟的不确定性较大;产量模拟的不确定性随时间不断增大,至乳熟期前后达到稳定。该方法能够实现对多参数复杂作物生长模型的参数标定和不确定性分析,对作物模型参数估计及提高模拟精度具有重要作用。     

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。     

基于环境减灾卫星时序归一化植被指数的冬小麦产量估测

依托国产环境减灾卫星构建作物归一化植被指数(NDVI)时序曲线,不但能提供与MODIS-NDVI、AVHRR-NDVI几乎相当的作物生长动态变化信息,还能提供更高分辨率的空间信息,将其应用于作物估产应更有优势。该研究以地处鲁西北平原的山东省禹城市为研究区,探讨基于环境减灾卫星影像构建冬小麦NDVI时序曲线,基于曲线特征参数,开展遥感估产的可行性。结果表明,可依赖环境减灾卫星遥感影像,重建冬小麦NDVI时序曲线,求算其生长季最大NDVI、返青期NDVI、生长季累积NDVI、营养生长期NDVI的变化速率、生殖生长期NDVI的变化速率等特征参数,建立可靠的估产模型。所建模型的建模决定系数为0.87,相对误差为5.02%;交叉检验决定系数为0.78,相对误差为6.87%。该研究可为基于遥感的作物估产提供参考。     

利用MODIS_EVI图像时间序列提取作物种植模式初探

作物种植模式对于高效、可控农业管理具有非常重要的意义,通过遥感手段获取种植模式信息是目前亟待解决的难题.以华北平原为试验区,收集了2003年全年每16天合成的MODIS_EVI时间序列图像,从种植模式的MODIS_EVI时间谱分析入手,提取了表征冬小麦及其后茬夏玉米与其他同季生长作物物候差异性特征,分析表明返青期和峰值时期对冬小麦提取贡献最大,而峰值时间和大小以及表征营养生长向生殖生长转化时生物量累积差异的参量(偏斜度)对玉米提取贡献最大.建立了冬小麦和夏玉米的提取模型,各省17个县的抽样表明,冬小麦的总体提取精度为88.38%最后形成了小麦─玉米、小麦─水稻和小麦─其他种植模式的分布图,与作物熟制气候分布图具有较好的一致性.     

基于植被指数的宁夏灌区春小麦叶面积指数模型

利用宁夏灌区典型代表站（永宁站）2005-2008年连续4a的大田春小麦叶面积观测资料和同期MODIS/Terra资料,对LAI（叶面积指数）与10种植被指数（MODIS-VI）间的相关性进行了分析。得出,抽穗-乳熟期所有植被指数与LAI的相关性均不显著,三叶-拔节期和三叶-抽穗期归一化差异光谱指数（NDSI）、再次归一化光谱指数（RDSI）与LAI相关性不显著外,其他指数与LAI均显著相关,因此,用分段函数模拟全生育期LAI才能达到最佳效果。经检验,模拟值与实测值之间直线方程的决定系数（R2）为0.9759,均方根误差（RMSE）为0.5519,准确度（Accuracy）为1.0745,说明模型具有较好的可靠性和适用性,可为今后开展基于LAI参数的春小麦长势监测、遥感估产及作物模型中参数的动态修订等提供参考。     

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。     

不同发育期干旱对冬小麦灌浆和产量影响的模拟

为探明不同强度干旱对农作物生长过程所产生的影响,本文基于作物生长模型WOFOST,采用数值模拟方法,模拟分析了河南省郑州地区冬小麦在拔节期、抽穗期和灌浆期分别发生不同程度干旱、两个发育期以及3个发育期都发生不同程度干旱对冬小麦灌浆过程和产量的影响。结果表明,当单一发育期供水减少10~30 mm时,干旱导致小麦灌浆强度在正常灌浆后的第14~18 d下降,可使小麦减产1.34%~12.5%,且以抽穗期干旱影响最大,其次是灌浆期干旱,拔节期干旱影响最小;当两个发育期供水都减少10~20 mm时,干旱导致小麦灌浆强度在正常灌浆后的第10~17 d下降,可使小麦减产4.94%~21.88%,且以抽穗期和灌浆期干旱影响为最大,其次是拔节期和灌浆期干旱,拔节期和抽穗期干旱影响最小;当3个发育期供水都减少5~15 mm时,干旱导致小麦灌浆强度在正常灌浆后的第11~16 d下降,可使小麦减产3.93%~24.84%。可见,干旱致使土壤水分亏缺,影响了作物正常的灌浆强度,进而导致作物减产。干旱发生时段与程度不同,造成作物的减产率也不尽相同,多个发育期干旱导致小麦的减产率往往大于单一发育期干旱相叠加的效应。     

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。