论文部分内容阅读
随着我国人口不断增加,耕地资源不断减少,以及世界经济一体化格局的逐步形成,国内粮食安全和宏观调控政策的实施等问题再次摆在国人面前,这样使得原本处于重要地位的大面积作物估产和农情监测工作就显得更加重要。冬小麦是我国的主要粮食作物之一,因此,对具有13亿人口的农业人国,针对农作物进行长势监测和产量早期预报和估算,特别是对冬小麦进行长势监测和产量估计具有重要意义。
目前,我国的作物估产已进入业务化运行阶段,但在估产精度、估产方法和理论方面仍需进一步提高、改进和探索。本研究立足于估产工作中的关键问题,即冬小麦区域估产模型的建立,并在"3S"技术支持下进行研究,以期为全国性冬小麦估产业务化运行服务。通过在区域范围内对估产系统中的主要模型,即气象估产模型、遥感估产经验模型和基于生理参数NPP的机理性遥感估产模型进行研究,主要结论如下:
(1)在GIS技术支持下,利用长期气象站点数据和县级冬小麦产量数据,进行了县级气象估产模型和大尺度气象估产模型的建立和应用研究工作,并对不同尺度下的气象估产模型的运行效果进行了对比分析。
在气象估产模型建立中,运用了站点气象数据生成的.5000 m栅格空间气象数据和县级冬小麦产量数据,通过叠加耕地图,考虑了耕地上气象因素的均值对县域内冬小麦产量形成的作用,这与仅利用站点气象数据和县级冬小麦产量数据建立关系的气象估产建模方法相比,具有更强的科学性。
在气象估产模型的建立中,气象因素的选择主要考虑气象因子对产量的累积效应,同时考虑了对产量形成起重要作用的温度、降水和日照等关键气象因素。为了配合实际产量监测工作的需要,本研究从3月下旬至5月下旬建立气象估产模型的间隔时间为一旬,因此,共分7个时段建立模型。模型建立尺度分两种,即县级尺度和将研究区45个县(市)作为整体研究的区域尺度。为了实现不同尺度气象模型间的可比性,模型建立中所采用时段和选择的因素均相同。
通过模型的应用验证,研究区内县级气象估产模型的相对误差在-9.99%~9.87%之间,相对误差绝对值在0.01%~10.00%之间,平均相对误差绝对值在5.02%~5.91%之间。而研究区内大尺度气象估产模型相对误差和相对误差绝对值均减小,相对误差在-3.50%~2.41%之间,相对误差绝对值在0.26%~3.50%之间,平均相对误差绝对值仅为2.55%。可见,将研究区作为整体研究的区域尺度气象估产模型各种误差均减小,而且模型运行的稳定性更高,因此,大尺度气象估产模型更适合业务化估产工作的实际需要,这也为气象估产工作中先分区后估产的工作方法提供了一定的理论依据。
与遥感估产方法受作物长势影响而使估产精度随之呈动态变化的特点相比,气象估产模型则不受作物长势的影响,估产精度不仅较高,而且稳定性强,因此,气象估产方法无疑是利用遥感方法进行人范围估产的有益补充。
(2)运用了能够有效度量植被长势演变过程的归一化植被指数(NDVI)和县级冬小麦产量数据,进行了遥感估产经验模型的研究。
在利用250 m分辨率的MODIS-NDVI进行估产的研究中,运用Savitzky-Golay滤波技术,有效去除了NDVI数据中云及异常值的影响,使NDVI数据更好地反映了作物的长势变化,为提高估产精度奠定了基础。研究中进一步考虑了NDVI对植被覆盖度的敏感性和饱和性的特点,选取0.1~0.8范同内MODIS-NDVI进行了产量预测研究。并建立了部分生育期旬平均NDVI、月平均NDVI与冬小麦单产的关系,通过与实际统计产量对比,单产估计相对误差在1.36%~11.05%之间,其中,利用月NDVI的估产精度从整体上优于旬NDVI估产精度。旬NDVI估产相对误差变化范围在1.62%~11.05%之间;月NDVI数据估产相对误差变化范围较小,仅在1.36%~5.18%间变化。
通过研究MODIS-NDVI估产经验模型的相关系数和模型相对误差动态变化,确定了利用MODIS-NDVI估产的最佳时期,即4月上旬~5月下旬是利用月NDVI估产的最佳时期,估产相对误差在1.36%~4.69%之间变化;而4月中旬至5月上旬是利用旬数据进行估产的最佳时期,估产相对误差在1.62%~3.23%之间变化。这对于提高冬小麦收获前盼产量估计精度具有重要意义。
同时,研究利用了近20年8 km月NOAA-NDVI数据和县级冬小麦产量统计数据进行区域冬小麦产量预测研究。并利用县域内月NDVI(0.2~0.8)之和与产量建立的关系来估算冬小麦产量。与分辨率较高的MODIS-NDVI估产精度相比,估产精度较低,其估产相对误差在-12.87%~-7.12%间。但对于更大范围作物产量监测(如全球尺度)而言,利用NOAA-NDVI估产仍然具有较重要的意义。而且针对MODIS数据时间序列较短的特点,K时间序列NOAA-NDVI数据依然是MODIS-NDVI数据的有益补充。
(3)进行了遥感估产机理性模型的研究,即研究利用NPP参数模型进行冬小麦产量估计。研究中首先通过计算冬小麦关键生育期内累积的NPP,再利用C素与冬小麦干物质间转化系数,将NPP的量转化为冬小麦干物质的数量,然后通过收获指数校正,最终得到冬小麦产量的空间分布数据。
在计算研究区内累积.NPP时,采用覆盖全球的TOMS传感器紫外反射率计算光合有效辐射(PAR)的方法,这对于实现大范围作物估产,甚至全球范围的作物估产具有重要意义。同时,运用NASA提供的计算光合有效辐射的算法,即采用分辨率较高的MODIS-NDVI数据计算光合有效辐射分量(fPAR)。与以往采用的NOAA-AVHRR数据计算fPAR相比,对提高光合有效辐射的计算精度有重要意义,从而为提高作物产量估算精度奠定了基础。
通过与田间实际调查的冬小麦生物量和产量进行比较,对预测的NPP和预测的产量结果进行了验证,结果表明研究区内实际生物量平均为1496.60 g·m<-2>,通过NPP计算的生物量平均为1432.25 g·m<-2>,绝对误差为-64.35 g.m<-2>,相对误差为-4.30%。研究区内预测产量与实际产量绝对误差平均为-173.89 kg·hm<-2>,平均相对误差为-4.41%,其精度可以满足目前农作物估产工作的要求,进一步说明了利用估算NPP的方法进行冬小麦估产的可行性。
(4)在当前充分利用多源数据进行作物估产的主流趋势下,分析了当前农作物估产系统构成,讨论了目前估产工作中的气象估产模型、遥感估产模型和作物生长模型的各自特点和优势,进一步说明了在估产系统中充分发挥各种模型的特长,形成模型闻优势互补的必要性。同时,结合估产工作的实际需要和各种估产模型的特点,研究讨论了各种主要估产模型的整合模式及优选估产模型的先后顺序,并针对本研究中估产模型的研究结果,将模型间整合模式进行了细化研究,进一步完善了目前我国估产系统中主要估产模型的整合模式。