基于PyWOFOST作物模型的东北玉米估产及精度评估

【目的】构建合理的作物估产方案,提高作物估产精度。【方法】本文以基于集合卡尔曼滤波(EnsembleKalman Filter,EnKF)构建的遥感信息-作物模型结合模型(PyWOFOST)为基础,建立了以LAI为结合点,适用于中国东北地区玉米的同化模拟模型,并使用MODIS LAI数据作为外部同化数据进行同化模拟,重点分析了遥感观测(MODIS LAI)和模型参数(出苗-开花期所需积温,TSUM1)的不确定性(即随机误差)对同化模拟结果的影响。最后,利用PyWOFOST模型实现了区域尺度上的玉米估产。【结果】同化外部观测数据后的玉米模拟产量较未同化外部数据的模拟产量有明显改善,20个未受灾害影响的农气站玉米产量同化前的模拟误差及在TSUM1的不确定性为0、10、20、30℃时的同化后模拟误差分别为14.04%、12.71%、11.91%、10.44%及10.48%;同化后的模拟LAI普遍较同化前的模拟LAI更接近实测LAI,更符合玉米LAI的变化趋势;同化前模拟发育期与实测发育期平均绝对误差为3.4 d,而同化后在TSUM1的不确定性为0、10、20、30℃时模拟发育期与实测发育期的平均误差分别为3.5、4.3、5.0、5.5 d。区域尺度上玉米估产结果表明,58.82%的区域玉米估产误差在15%以内,同化产量和统计产量的确定系数为0.806。【结论】基于集合卡尔曼滤波同化遥感信息进行作物估产是可行的。

基于集合卡尔曼滤波的PyWOFOST模型在东北玉米估产中的适用性验证

以叶面积指数(LAI)为结合点,引入基于集合卡尔曼滤波(Ensemble Kalman Filter,EnKF)的作物模型-遥感信息耦合模型PyWOFOST,利用气象数据、农业气象记录观测表数据及MODIS LAI数据检验PyWOFOST模型在东北玉米种植区的适用性,并选取在研究区内均匀分布、覆盖所有玉米品种且具有有效MODIS LAI数据的16个玉米农气站点,模拟该模型在不同的TSUM1(出苗-开花期积温)不确定性水平下各站点的玉米产量及LAI。结果表明,与WOFOST模型相比,PyWOFOST模型对LAI和产量的模拟能力都有极大提高。当TSUM1的不确定性为0、10、20、30℃时,PyWOFOST模拟的产量平均误差分别为10.32%、9.25%、7.31%和8.49%,均较未同化LAI观测数据的WOFOST模拟的产量平均误差(10.55%)低;同化后模拟LAI与同化前模拟LAI相比,其轨迹更接近实测值,更符合玉米的生长发育趋势,表明基于EnKF的PyWOFOST模型在东北玉米种植区有较好的适用性。

顺序同化不同时空分辨率LAI的冬小麦估产对比研究

选择PyWOFOST模型为动态模型,以叶面积指数(LAI)为状态变量,遥感LAI为观测值,采用集合卡尔曼滤波(En KF)同化算法,研发了一种遥感LAI与作物模型同化的区域冬小麦产量估测系统。为消除云的污染,采用Savitzky-Golay(S-G)滤波算法重构时间序列MODIS LAI;通过构建地面观测LAI与3个关键物候期Landsat TM植被指数回归统计模型,获得区域TM LAI;通过融合3个关键物候期的TM LAI与时间序列S-G MODIS LAI,生成尺度转换LAI。对比分析3种不同时空分辨率的遥感LAI的同化精度,研究结果表明,同化尺度转换LAI获得了最高的同化精度,与官方县域统计产量相比,在潜在模式下,决定系数由同化前的0.24提高到0.47,均方根误差由602kg/hm2下降到478 kg/hm2。结果表明,遥感观测与作物模型的尺度调整对提高冬小麦同化模型精度具有重要作用,遥感LAI与作物模型的En KF同化方法是一种有效的区域作物产量估测方法。

基于作物生长模型与机器学习算法的区域冬小麦估产

为精准、高效、实时地实现区域冬小麦产量估算,以河南省鹤壁市淇县桥盟乡石桥村为研究区,基于分辨率10 m的Sentinel-2多时相光学遥感影像,利用集合卡尔曼滤波(Ensemble Kalman filter,EnKF)算法同化PROSAIL辐射传输模型反演的多期叶面积指数(Leaf area index,LAI)到PyWOFOST作物生长模型中实现一定数量不同长势单点产量的估测,最后利用建立的机器学习模型和面域数据反演区域冬小麦产量,实现作物生长模型与机器学习算法的应用耦合及一种新的区域冬小麦估产模式。研究基于Sobol参数敏感性分析法量化对贮藏器官总干重质量(Total dry weight of storage organs,TWSO)与LAI_(max)的敏感性参数,并基于反演的多期LAI和粒子群优化(Particle swarm optimization,PSO)算法优化与LAI_(max)相关的TDWI、TBASE、CVS、CVL敏感性参数,将其输入到PyWOFOST模型中,利用EnKF算法和时序LAI数据调整对TWSO相关的AMAXTB1、TDWI、TSUMEM、CVO敏感性参数,实现单点产量的估算;与实测单点产量相比,该方法估算的R2、RMSE、MAE、Bias分别为0.8665、468.64 kg/hm^(2)、385.70 kg/hm^(2)和103.08,为建立随机森林回归(Random forest regression,RFR)区域估产算法提供准确的单点产量训练数据。针对研究区(309.32 hm^(2)),基于不同长势人工样点产量数据建立的RFR区域估产算法,区域估产精度为99.44%,每公顷算法运行用时1.55 s;应用EnKF算法同化多时期面域LAI到PyWOFOST作物生长模型中的区域估产精度为89.01%,每公顷算法运行用时约0.47 h;耦合PyWOFOST作物生长模型与RFR机器学习算法的区域估产精度达到95.58%,每公顷算法运行用时8.85 s(训练数据的单点产量计算占总时长约81.35%),显著降低机器学习算法所需的人工成本和同化变量过程计算的时间及算力成本。研究结果为准确、快速的大区域作物估产提供理论支持和技术参考。