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。     

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。     

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。     

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。     

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。     

基于SWAP-IES的旱区春小麦长势和产量模拟

基于观测数据和作物模型相同化的田块尺度作物生长监测,对于农田精准管理具有重要意义。为构建能准确模拟旱区春小麦长势和产量的同化模拟模型,该研究利用SWAP(soil-water-atmosphere-plant)模型和迭代集合平滑器算法(iterative ensemble smoother,IES),构建了适合旱区春小麦的SWAP-IES同化模拟系统,并利用2019—2020年田间观测试验数据,评估了同化叶面积指数(leaf area index,LAI)、土壤水分(soil water content,SW)及其组合在旱区春小麦生长模拟和估产中的作用。结果表明,相较于无同化情景,在吸收6次土壤水分观测数据后,模型对土壤水分模拟的R²从0.48提升到0.87。同化LAI时,各水分胁迫处理下LAI的模拟精度均最高,R²从无同化的0.35～0.62提升到0.76～0.96。同化LAI+SW时,各处理对生物量模拟的精度均最高,R²从无同化的0.40～0.67提升到0.73～0.96。轻度水分胁迫处理(T4～T5)下,仅同化LA...     

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。     

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。     

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。     

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。     

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。     

基于表观电导率和Hydrus模型同化的土壤盐分估算

精细刻画农田土壤盐分运移过程对盐渍化精准治理具有重要意义。该文以磁感式大地电导率仪EM38测定的土壤表观电导率作为数据源,利用表观电导率与剖面土壤盐分之间的反演模型作为观测算子,将集合卡尔曼滤波(ensemble Kalmanfilter,En KF)同化方法应用于土壤水盐运移过程模型(HYDRUS-1D),进行滨海盐渍农田周年土壤盐分动态的模拟,并分析了同化过程的敏感性。结果表明:与单纯使用HYDRUS模型相比,En KF同化方法对模型观测算子的更新,有效提高剖面土壤盐分模拟精度,且En KF同化值的精度优于En KF同化模拟值,在同化过程中的调整量亦最大;敏感性分析结果显示土壤盐分同化过程对状态变量集合数大小不敏感,对观测数据误差和引入观测数据的深度较为敏感,观测数据误差水平越高、引入观测数据的深度越浅其误差越大。研究表明基于水盐运移模型和土壤表观电导率数据的EnKF同化方法能提高土壤盐分的模拟精度,为利用多源数据和机理模型进行较大尺度生态过程模拟预测提供了有效手段。     

条件植被温度指数的四维变分与集合卡尔曼同化方法

为了提高基于VTCI的干旱监测的准确性,以关中平原为研究区域,将遥感反演的条件植被温度指数(VTCI)与CERES-Wheat小麦生长模犁模拟的土壤浅层水分数据相结合,通过四维变分(4DVAR)与集合卡尔曼滤波(EnKF)2种数据同化算法实现了VTCI的同化.由作物生长模型模拟的土壤浅层水分与VTCI建立经验关系得到模拟的VTCI,再将遥感反演的VTCI与模型模拟值分别应用两种同化算法得到VTCI的单点同化结果,继而应用到区域尺度.结果表明,在VTCI单点实验中,两种同化结果均能结合观测值与模拟值的优点而更加符合VTCI先验知识.在两者区域尺度的同化实验中,由于引入了模型的模拟值,同化后的VTCI区域间纹理更好,减少了原观测图像中相邻像元值陡升陡降的情况,提高了基于VTCI的干旱监测的准确性.通过对比2种同化算法在区域尺度上的同化结果与观测值的差值的概率分布及其均方根误差,表明在以旬为步长的VTCI同化实验中,EnKF方法适用性更强.     

The simulation of phenological development in dynamic crop model: The Bayesian comparison of different methods

The main objective of our study was to use Bayesian methods to quantify the uncertainties related to phenological development of maize (Zea mays L.) under various climate conditions. For this purpose, five different phenological methods were implemented in the dynamic crop growth model, which was subsequently optimized, using the data acquired at three different locations in Slovenia. The sensitivity analysis of the crop model was performed in order to find the set of most influential physiological parameters. Subsequent Bayesian model comparison was used in order to quantify the impact of phenological method selection on the final maize yield. The results revealed the importance of using an appropriate phenological method in order to correctly estimate the duration of the growing season and yield, when used within dynamic crop model. The limitations of the phenological methods used in this study are discussed. The selection of phenological method itself did not have a significant influence on the yield estimation, except in years with high temperatures and limiting water conditions. This raises the concern that inaccurate simulation of phenological development may increase the uncertainties of impact assessment on crop yield where crop models are fed with future climate projections.     

Estimation of Leaf Area Index and Foliage Area Index of Rice using an Indirect Gravimetric Method

The aim of this study was to present a gravimetric method for the estimation of leaf area index (LAI) and foliage area index (FAI) of rice. The method estimates indirectly the LAI-FAI variation during the growing season using simple measurements during harvest, based on a module of predetermined relations among agronomic parameters. The method confronts the limitations of other methods under specific conditions, such as (a) high plant densities and high LAI-FAI values, where indirect optical methods are restricted and (b) experiments related to crop modeling applications where direct destructive methods are not allowed because they alter the initial design of the experimental setup. The method was applied for the high-yield cultivar (Oryza sativa L. ssp. indica, cv. Thaibonnet) during 2-year evapotranspiration experiments in lysimeters. The method identified the differences between the replicate lysimeters, and LAI-FAI estimations were significantly correlated with the final grain yields and the crop factors obtained from evapotranspiration measurements.     

基于全局敏感性分析和贝叶斯方法的WOFOST作物模型参数优化

作物模型参数的敏感性分析、标定和验证可以提高模型的效率和精准度,进而为模型应用做好准备工作。该研究结合参数全局敏感性分析方法以及贝叶斯后验估计理论的马尔科夫蒙特卡洛(Markov Chain Monte Carlo,MCMC)方法,以华北栾城站三年的冬小麦观测数据(叶面积和地上生物量)为参照,对WOFOST模型的55个品种参数进行了敏感性分析、筛选和优化。发现:1)对叶面积影响较大的参数为:生育期为0、0.5、0.6和0.75时的比叶面积、生育期为1.5时的最大光合速率、叶面积指数最大增长率;对地上干物质影响较大的参数为:生育期为1.5时的最大光合速率、生育期为0时的比叶面积、35℃时叶面积的生命周期、生育期为0时的散射消光系数、生育期为1.8时的最大光合速率、储存器官的同化物转换效率。2)潜在和雨养产量水平下,最大叶面积和地上生物量对参数的敏感性差异不大。3)马尔科夫蒙特卡洛方法(MCMC)可以对WOFOST模型品种参数较好地优化;设计的3种校正-验证方案中,第1种方案(用1998-1999年作为校正年份,1999-2000年,2000-2001年作为验证年份)模拟效果最好。4)优化后的参数,模型对潜在产量水平模拟较好,一致性指数均大于0.9,相对均方根误差小于20%;而对有水分胁迫的雨养情况下比潜在产量水平的模拟结果差,表明模型对水分胁迫的模拟不足。该研究为WOFOST模型区域应用和模型调整优化提供科学理论依据。