论文部分内容阅读
利用数据同化的方法融合作物模型和遥感数据,为解决区域作物生长模拟提供了可行和有效手段。目前作物模型与遥感数据同化系统大多基于单一作物模型,模型结构的误差存在被低估的问题,导致同化结果的不确定及在不同区域的适用性较差。因此,本研究结合数据同化方法和多模型集合预报方法发展多模型数据同化方法,并将其用于构建作物多模型与遥感数据同化系统,以提高区域作物生长模拟和估产的精度及稳健性。本研究从同化变量LAI遥感反演、不同作物模型的比较、多模型数据同化算法开发、作物多模型与遥感数据同化方案的构建及其在区域冬小麦生长模拟和估产的应用等方面展开深入研究和讨论。主要的研究结论包括:(1)研究利用Landsat-7 ETM+、Landsat-8 OLI和Sentinel-2 MSI数据,结合EVI时序数据变化特征,使用循环神经网络方法LSTM实现了冬小麦的自动识别,识别总体精度为93.67%,Kappa系数为0.82。利用PROSAIL辐射传输模型和人工神经网络方法,建立了冬小麦LAI反演模型,实现了区域冬小麦LAI反演,经过地面实测数据的验证,LAI反演结果的RMSE为0.45和RRMSE分别10.54%,表明反演结果满足区域冬小麦同化研究的需求。(2)研究选取3种作物模型:SAFY-WB、WOFOST和CERES-Wheat模型,进行冬小麦生长模拟,利用EFAST和GLUE分别对各模型参数进行敏感性分析和不确定性分析。然后输入模型“本地化”参数,比较不同作物模型对冬小麦LAI和产量模拟结果的不确定性。结果表明,CERES-Wheat模型在开花期至成熟期LAI模拟的不确定性较大,3种作物模型在捕捉LAI的峰值存在明显的差异;CERES-Wheat和WOFOST对产量模拟的不确定性低于SAFY-WB。经参数标定后,都获取了较准确的LAI和产量模拟结果,证明这3种作物模型在冬小麦生长模拟和估产中的可行性。(3)发展2种多模型数据同化方法4DVar+BMA和EnKF+BMA。在单点尺度上,以地面观测冬小麦LAI和产量为验证,讨论和分析多模型数据方法在冬小麦生长模拟和估产的可行性及参数设置。研究结果表明,基于多模型数据同化方法的冬小麦LAI和单产同化结果优于单一模型的同化结果,4DVar+BMA和EnKF+BMA方法获取的冬小麦LAI的RMSE分别为0.35和0.33,RRMSE分别为9.94%和9.36%;冬小麦单产模拟结果的RMSE分别为332 kg/ha和301 kg/ha,RRMSE分别为4.22%和3.93%。单点尺度试验表明,基于4DVar+BMA和EnKF+BMA方法的作物多模型数据同化方案在冬小麦生长模拟和估产中具有可行性和有效性。(4)研究基于EnKF+BMA多模型同化方案进行了区域冬小麦生长模拟和估产,利用地面观测LAI和官方统计产量数据进行验证,冬小麦LAI模拟值的RMSE为0.22,RRMSE为4.88%,各县市产量模拟值的RE均小于12%,全市RE为5%。研究还发现,同化冬小麦关键生育期(如抽穗期和开花期)的遥感观测即可明显提高模型模拟精度;同化空间分辨率越低的遥感观测数据,模拟精度也降低,但计算效率大幅提高。因此,在实际应用时,需选择合理时空分辨率的遥感观测,以满足区域作物生长监测和估产的需求。