水氮数据联合驱动的冬小麦数据同化研究

水氮状态的准确估计对于作物生长模拟和产量估计十分重要.数据同化可以集成观测和模型,从而实现更加准确的模拟.然而,传统的数据同化系统大多关注叶面积指数(LAI)、土壤含水量(SM),对于氮素状态估计的研究相对较少,缺乏水氮数据联合驱动的数据同化研究.采用集合卡尔曼滤波(EnKF)方法对SWAP-WOFOST模型构建冬小麦生长的数据同化系统,通过引入叶片氮累积量(LNA)的观测,同时更新SM、LAI、LNA和作物产量等关键状态变量后进行作物生长模拟.结果表明,只加入LAI和SM可以很好更新模型的土壤水分剖面和LAI,但是对于LNA和产量的模拟效果不佳;加入LNA观测后,有效提高了作物LAI、LNA和产量的模拟精度.同时更新模型状态和参数(SSPE)比只更新状态(USO)的模拟效果更好,尤其是在土壤含水量的估计中.无论是水分还是氮素状态模拟出现偏差的情况,都很难准确估计最终的作物产量,而水氮数据联合驱动的结果最优.此外,研究中的数据同化系统在不同观测误差和观测频率下都具有良好的稳健性.该研究有助于深入理解冬小麦生长与水氮状态的关系,对实际应用中的作物生长模拟和产量估计具有一定指导意义.

Data Assimilation of Winter Wheat Growth Simulation Driven by Water and Nitrogen