论文部分内容阅读
作物长势监测及产量准确预报、估测对于农业管理和国家粮食安全至关重要,特别是在新冠疫情长期影响和国际局势动荡的时期。利用数据同化技术将遥感反演的区域尺度的作物冠层、土壤和大气参数信息,融入到作物机理过程模型中调整模型的状态变量或优化初始状态参数,可以大幅度的提高区域尺度作物模型模拟精度。本文以山西省晋南地区三个县的冬小麦种植区为研究区,从遥感信息的精度和频率、同化算法、水分胁迫分区和同化估产策略4个方面提高遥感信息与作物模型同化估产的精度和效率。(1)采用ESTARFM数据融合方法对研究区冬小麦关键生育时期(3月1日-5月20日)云量<5%的6期Sentienl-2和15期Sentienl-3光学影像进行数据融合,获得具有Sentienl-2空间分辨率和Sentienl-3时间频率的融合数据。通过对3月15日、5月11日ESTARFM融合数据与3月17日、5月11日Sentienl-2对应波段数据进行精度检验,其相关系数R~2值在0.6-0.85之间。ESTARFM融合数据的空间信息分布与Sentienl-2数据基本一致,能够清晰的表达河流、建设用地的边界和耕地的地块,能够明显反映农作物生长随着时间的变化。ESTARFM融合数据反演的LAI精度RMSE为0.9742 m~2/m~2,在冬小麦关键生育期可用数据的时间频率为5 d,Sentienl-2影像反演LAI的精度RMSE为0.9955 m~2/m~2,但在冬小麦关键生育期可用数据的时间频率为15 d。因此,ESTARFM融合数据可为作物模型同化提供高频率高精度的LAI。(2)应用四维变分(4DVAR)、集合卡尔曼滤波(En KF)、粒子滤波(PF)三种算法同化ESTARFM融合数据反演的LAI、Sentienl-1微波数据反演的土壤水分与CERES-Wheat模型模拟的LAI、土壤水分,得到4DVAR、En KF、PF三种算法同化的LAI和土壤水分分别为:4DVAR_ESTARFM_LAI、En KF_ESTARFM_LAI、PF_ESTARFM_LAI和4DVAR_θ、En KF_θ、PF_θ。根据实测LAI和土壤水分进行验证,三种算法同化LAI和模型模拟LAI的R~2分别为0.7522、0.7357、0.7523和0.6699,RMSE分别为0.6402、0.6549、0.6642和1.2237 m~2/m~2。三种算法同化LAI的R~2和RMSE均比较接近,且R~2均高于模型模拟LAI,RMSE比模型模拟LAI平均低0.6 m~2/m~2,三种算法同化的土壤水分和模型模拟土壤水分的R~2分别为0.7036、0.6609、0.6635和0.6461,RMSE分别为0.0201、0.0296、0.02358和0.0562cm~3/cm~3。三种算法同化土壤水分的R~2均高于模型模拟土壤水分,RMSE比模型模拟土壤水分平均低0.03 cm~3/cm~3。说明三种算法同化的LAI和土壤水分均能较好的结合CERES-Wheat模型模拟的机理特性及时序变化与Sentinel多源数据空间连续及反演精度高的优势,均能提高LAI和土壤水分的精度。其中,4DVAR_ESTARFM_LAI、4DVAR_θ的精度分别略高于En KF_ESTARFM_LAI、En KF_θ和PF_ESTARFM_LAI、PF_θ。(3)应用4DVAR、En KF和PF三种算法同化Sentinel-2反演的LAI与CERES-Wheat模型模拟的LAI,得到4DVAR_S2_LAI、En KF_S2_LAI、PF_S2_LAI。4DVAR_ESTARFM_LAI、En KF_ESTARFM_LAI、PF_ESTARFM_LAI的R~2分别比4DVAR_S2_LAI、En KF_S2_LAI、PF_S2_LAI高0.016、0.008和0.0284,RMSE分别低0.1292、0.1857和0.1751 m~2/m~2。说明相比Sentinel-2反演的LAI,同化ESTARFM融合数据反演LAI的效果更好。(4)根据冬小麦所受水分胁迫的不同将冬小麦种植区分为水分胁迫区(旱地区)和非水分胁迫区(灌溉区),对不同水分胁迫区采用不同的同化估产策略:同化LAI单变量或同化LAI和土壤水分双变量,寻求适合不同水分胁迫区高精度、高效率的同化估产方案。结果显示,仅利用LAI单变量便可满足非水分胁迫区高精度估产需求(RMSE=407.01Kg/ha);在水分胁迫区,需要同化LAI和土壤水分双变量,才能够同时修正冠层生长发育和土壤水平衡过程,使估产精度达到最高(RMSE=424.75 Kg/ha)。将冬小麦区分为灌溉区和旱地区进行冬小麦估产的精度高于冬小麦整体种植区估产的精度。采用分区同化的估产方案估测冬小麦产量的空间分布与耕地所处地形部位、灌溉条件和耕地质量等级的空间分布一致。