论文部分内容阅读
遥感数据与作物生长模型在农作物估产上能够优势互补。然而,作物模型尺度与遥感观测尺度不匹配是影响同化模型精度的重要因素,这将极大增加遥感反演和数据同化的不确定性。本研究以基于作物生长模型与遥感数据同化的冬小麦估产为目标,针对遥感尺度这一重要科学问题,借助统计模型、物理方法、数据融合等技术,剖析了同化观测量(叶面积指数,LAI)尺度效应产生的主要原因,定量描述并校正了空间异质性与模型非线性所引起的尺度效应误差,探讨了多源遥感数据差异及其形成的内在机理,研究了Landsat与MODIS之间的尺度转换方法,建立了空间尺度差异校正的基本框架,并面向研究区对尺度校正框架进行了适用性验证,利用数据融合技术对同化观测量进行了时间尺度扩展,进而耦合WOFOST模型与多时空尺度遥感数据对河北省衡水地区冬小麦产量进行估测。论文的研究工作及主要结论如下:(1)在分析尺度效应产生根源、明确多源遥感数据差异的基础上,定量分析多空间尺度遥感反演农作物同化观测量LAI的总体差异。结果表明,多源遥感数据引起的差异高于尺度效应带来的误差。(2)考虑同化观测量LAI的空间异质性,细化尺度效应产生过程,结合小波变换和分形理论,定量分析冬小麦LAI不同反演过程对尺度效应的贡献,并有效校正尺度效应引起的误差。(3)从系统内在机理出发,归纳分析Landsat和MODIS数据差异,提取可通过数理方法模拟的相关信息,基于点扩散函数及粒子群优化算法,定量校正遥感观测数据差异,建立尺度转换模型,降低尺度差异导致的不确定性。(4)基于多尺度遥感数据反演同化观测量差异的定量分析,借助各类数理模型,构建并完善空间尺度差异校正框架,将多尺度遥感定量反演同化观测量LAI的总体不确定性降低了50%以上。(5)在空间尺度差异校正和时间尺度扩展的基础上,通过四维变分同化算法及SCE-UA优化算法,耦合多尺度遥感信息与WOFOST作物生长模型,对冬小麦进行区域化时空同化估产,在保证同化精度的前提下,大幅提高同化效率。