论文部分内容阅读
区域尺度的作物生长动态监测和产量预测对于保障粮食安全和农业政策的制定有着非常重要的意义。作物模型能够模拟特定环境下作物的生长,已经在作物产量预测、气候变化影响评估等领域广泛应用。但由于区域尺度的模型参数获取较为困难,作物模型在区域应用上受到了较大的限制。基于遥感的产量预测充分体现了遥感在空间、时间上的优势,极大的提高了作物估产的时效性和精度。但遥感只能获取瞬时的作物信息,且估产方法没有涉及作物的生长发育机理。遥感数据与作物生长模型的耦合可以在时间上和空间上连续监测作物生长发育状况,提高模型的预测精度和适用范围,解决区域作物产量预测的关键问题。
本研究基于河南省四个小麦生产类型区,选取了豫北灌区的内黄、滑县、原阳、焦作、修武;豫中补灌区的许昌、开封、漯河、周口、商丘;豫西旱作区的洛宁、汝阳;豫南雨养区的邓州、方城、罗山、息县、平舆等17个试验点的冬小麦为研究对象,开展了MODIS遥感数据与WOFOST(WOrld FOod STudies)模型耦合研究,构建了不同地区和不同生产条件下,遥感数据与作物模型同化方案。研究的主要结果和结论如下:
1.采用扩展傅里叶幅度敏感性检验(EFAST)方法,分析了潜在和水分限制条件下WOFOST模型中43个作物参数对产量、地上生物量和叶面积指数(LAI)的敏感性。结果表明,潜在生产条件下,以小麦产量和生物量作为目标输出时,地区之间的敏感参数一致,与光合作用和干物质转化效率相关的参数(如EFFTB、AMAXTB、CVO、CVS等)是主要的敏感参数。在水分限制生产条件下,地区之间的敏感参数差异较大,与小麦生长前期光截获相关的参数(如SLATB0、KDIFTB0等)的敏感性随着水分胁迫的增加而增加。对LAI进行参数敏感性分析发现,不同生长阶段的参数敏感性不同。在水分限制生产条件下,小麦早期消光系数(KDIFTB0)、最大根深(RDMCR)和叶片死亡率(PERDL)对LAI的参数敏感性也随着水分胁迫的增加而增加。因此,水分胁迫是影响参数敏感性的关键因素。
2.依据敏感性分析的结果,提出了不同生产条件下的模型校准策略,利用SUBPLEX优化算法对WOFOST模型进行了校准和验证。WOFOST模型对生育期的模拟效果较好,开花期和成熟期的模拟误差平均在2天以内。LAI校准结果的R2在0.87-0.98之间,RMSE在0.34-0.79之间,验证结果的R2和RMSE分别为0.77和1.06;生物量校准结果的R2在0.92-0.97之间,RMSE在1.73t/hm2-2.36t/hm2之间,验证结果的R2和RMSE分别为0.94和2.22t/hm2;产量校准结果的误差在0.1t/hm2-0.34t/hm2之间,验证结果的R2和RMSE分别为0.66和1.43t/hm2。结果表明,校准后的模型在其它地区验证时误差较大。因此,模型在区域应用时,结合遥感数据对模型进行校正是必要的。
3.通过分析参数敏感性对水分响应的特点,提出了不同水分供应下的同化策略。以LAI为同化变量,利用集合卡尔曼滤波算法对校正后的WOFOST模型和利用S-G滤波算法矫正后的MODIS遥感数据进行同化。分析了潜在条件和水分限制条件下,不同同化策略的结果。潜在条件下,考虑水分供应情况与不考虑水分供应情况同化结果的R2分别为0.50和0.48,RMSE分别为1.47t/hm2和1.56t/hm2。水分限制条件下,考虑水分供应情况与不考虑水分供应情况同化结果的R2分别为0.86和0.79,RMSE分别为0.51t/hm2和0.64t/hm2。结果表明:根据不同地区的水分供应情况,选取相应同化参数的同化结果表现最好。因此,遥感与作物模型同化在区域尺度上应用时,结合不同地区的水分供应情况和生产特点采取相应的同化策略,能够有效的提高同化精度。
本研究基于河南省四个小麦生产类型区,选取了豫北灌区的内黄、滑县、原阳、焦作、修武;豫中补灌区的许昌、开封、漯河、周口、商丘;豫西旱作区的洛宁、汝阳;豫南雨养区的邓州、方城、罗山、息县、平舆等17个试验点的冬小麦为研究对象,开展了MODIS遥感数据与WOFOST(WOrld FOod STudies)模型耦合研究,构建了不同地区和不同生产条件下,遥感数据与作物模型同化方案。研究的主要结果和结论如下:
1.采用扩展傅里叶幅度敏感性检验(EFAST)方法,分析了潜在和水分限制条件下WOFOST模型中43个作物参数对产量、地上生物量和叶面积指数(LAI)的敏感性。结果表明,潜在生产条件下,以小麦产量和生物量作为目标输出时,地区之间的敏感参数一致,与光合作用和干物质转化效率相关的参数(如EFFTB、AMAXTB、CVO、CVS等)是主要的敏感参数。在水分限制生产条件下,地区之间的敏感参数差异较大,与小麦生长前期光截获相关的参数(如SLATB0、KDIFTB0等)的敏感性随着水分胁迫的增加而增加。对LAI进行参数敏感性分析发现,不同生长阶段的参数敏感性不同。在水分限制生产条件下,小麦早期消光系数(KDIFTB0)、最大根深(RDMCR)和叶片死亡率(PERDL)对LAI的参数敏感性也随着水分胁迫的增加而增加。因此,水分胁迫是影响参数敏感性的关键因素。
2.依据敏感性分析的结果,提出了不同生产条件下的模型校准策略,利用SUBPLEX优化算法对WOFOST模型进行了校准和验证。WOFOST模型对生育期的模拟效果较好,开花期和成熟期的模拟误差平均在2天以内。LAI校准结果的R2在0.87-0.98之间,RMSE在0.34-0.79之间,验证结果的R2和RMSE分别为0.77和1.06;生物量校准结果的R2在0.92-0.97之间,RMSE在1.73t/hm2-2.36t/hm2之间,验证结果的R2和RMSE分别为0.94和2.22t/hm2;产量校准结果的误差在0.1t/hm2-0.34t/hm2之间,验证结果的R2和RMSE分别为0.66和1.43t/hm2。结果表明,校准后的模型在其它地区验证时误差较大。因此,模型在区域应用时,结合遥感数据对模型进行校正是必要的。
3.通过分析参数敏感性对水分响应的特点,提出了不同水分供应下的同化策略。以LAI为同化变量,利用集合卡尔曼滤波算法对校正后的WOFOST模型和利用S-G滤波算法矫正后的MODIS遥感数据进行同化。分析了潜在条件和水分限制条件下,不同同化策略的结果。潜在条件下,考虑水分供应情况与不考虑水分供应情况同化结果的R2分别为0.50和0.48,RMSE分别为1.47t/hm2和1.56t/hm2。水分限制条件下,考虑水分供应情况与不考虑水分供应情况同化结果的R2分别为0.86和0.79,RMSE分别为0.51t/hm2和0.64t/hm2。结果表明:根据不同地区的水分供应情况,选取相应同化参数的同化结果表现最好。因此,遥感与作物模型同化在区域尺度上应用时,结合不同地区的水分供应情况和生产特点采取相应的同化策略,能够有效的提高同化精度。