论文部分内容阅读
目前,在“互联网+”农业的背景下,将信息技术与现代农业融合,以达到农业生产、栽培、管理的智能化、高效化,是我国现代农业发展的必然趋势。小麦是我国分布最广、产量最高的粮食作物之一,江苏省因其地形条件和气候条件的优势,成为我国南方冬小麦的主要种植区域。因此,提高江苏省冬小麦生长监测的准确性,对冬小麦有效估产有着十分重要的意义。本研究通过WOFOST作物模型模拟了冬小麦的生长发育,并利用最小二乘优化算法,展开基于无人机图像数据与作物模型的同化研究。最后结合冬小麦LAI和产量实际测量值进行同化结果的分析与评价,为农业估产提供依据,主要研究内容与结果如下:(1)为了使模型模拟符合研究区域内冬小麦生长规律,本研究采用2015-2017年本研究区域气象站点气象数据、土壤数据、作物数据等,利用OAT方法进行模型参数敏感性分析,结合最小二乘、“试错法”并借鉴前人研究结果,基于不同密度和氮肥处理水平,针对冬小麦发育参数TSUM1(出苗到开花的积温)、TSUM2(开花到成熟的积温)以及生长参数SLATB(比叶面积)、AMAXTB(最大CO2同化速率)进行冬小麦参数调整,实现WOFOST模型本地化。结果表明,WOFOST模型能够较好的模拟研究区域冬小麦的生长发育状况,模拟冬小麦LAI的R2、RMSE、NRMSE(%)分别为0.8178、0.58、27.9,模拟生物量的 R2、RMSE(kg·hm-2)、NRMSE(%)分别为 0.7832～0.9531、315.55～986.15、10.1～29.8,模拟产量的 R2、RMSE(kg·hm-2)、NRMSE(%)分别为 0.5852、799.96、15.9。(2)为了构建最佳的无人机反演LAI模型,本研究选取利用R、G、B构建的11种颜色特征指数,从整个生育期、种植密度、施氮量、各生育期四个角度,进行颜色指数与冬小麦LAI的相关性分析,选出显著相关颜色指数构建反演模型。结果表明,通过拔节期前、拔节期、开花期、灌浆期进行模型构建效果最佳,模型构建R2分别为0.795、0.784、0.746、0.625,模型验证 R2 分别为 0.781、0.807、0.718、0.697,RMSE 分别为0.325、0.470、0.364、0.256。(3)在WOFOST模型本地化的基础上,应用最小二乘优化算法,基于无人机反演LAI数据进行模型同化研究,通过调整、修正敏感参数比叶面积(SLATBO、SLATB0.5、SLATB2)和最大CO2同化速率(AMAXTBI、AMAXTB1.3),使得模型模拟LAI与无人机数据反演LAI误差最小。结果表明,同化后的模型能够更好地评价研究区域冬小麦的生长发育状况,同化后WOFOST模型模拟冬小麦LAI的R2、RMSE、NRMSE(%)分别为 0.8812、0.49、23.5,模拟产量的 R2、RMSE(kg.hm-2)、NRMSE(%)分别为 0.9489、327.06、6.5,模型模拟冬小麦的精度有所提高,证明了作物模型与无人机数据同化的可行性。