基于SWAP-IES作物同化模型的宁夏玉米产量模拟

作物长势和田间水分预测对于农业精准管理至关重要。为准确模拟宁夏玉米产量,利用2019-2020年田间观测数据,整合SWAP(soil-water-atmosphere-plant)模型和迭代集成平滑算法(iterative ensemble smoother,IES)构建了适用于宁夏干旱地区玉米的SWAP-IES作物同化模型。比较了同化叶面积指数(leaf area index,LAI)、土壤含水率(soil water content,SW)及其组合对宁夏干旱地区玉米种植区土壤含水率模拟和产量估算的影响。研究结果表明,当同时同化LAI和SW数据时,土壤含水率模拟的决定系数(R2)显著提升,从初始时的-0.07增加到0.71。这表明,将LAI和SW数据同时纳入模型显著增强了模型预测土壤含水率的准确性。而同时同化LAI和SW相比仅同化LAI或SW能更好的模拟土壤含水率,这表明2个观测变量之间并不是孤立的,二者的耦合能更好地提升模型的模拟精度。同时同化LAI和SW时估产精度最高,RMSE降低到914.113 kg/hm^(2),显著低于其他情景。说明所构建的SWAP-IES玉米同化模型,在同时同化LAI和SW的情况下,可以准确模拟土壤含水率变化过程和玉米产量,为干旱地区农田灌溉优化和玉米估产提供参考。

基于遥感数据与作物生长模型同化的冬小麦长势监测与估产方法研究

本文以LAI作为结合点,讨论了利用复合型混合演化(SCE_UA)算法实现CERES_W heat模型与遥感数据同化的可行性。CERES_W heat模型同化后主要生育期和产量的模拟值分别与真实条件下模型相应模拟值以及实测值进行比较。结果表明,同化后CERES_W heat模型的模拟精度对LAI外部同化数据的误差并不十分敏感。并且在LAI同化数据较少时,也可获得较好的同化结果。这一特点体现了SCE_UA算法应用于同化过程的优越性,为同化策略在区域冬小麦长势监测及估产中的应用提供了基础。

基于作物模型与叶面积指数遥感影像同化的区域单产估测研究

通过对作物光合、呼吸、蒸腾、营养等一系列生理生化过程的定量模拟,作物生长模型已经被成功应用于田间尺度的作物单产研究。为了进一步将作物模型扩展应用于区域尺度,提高区域作物单产的模拟精度,该文探讨了将作物模型与多时相叶面积指数(LAI)遥感影像同化以改善区域单产估测的方法。研究首先通过地理信息系统将美国农业部开发的"考虑气候的作物环境决策模型"——EPIC模型,扩展为空间模型。然后,通过基于Landsat TM影像差值植被指数DVI与田间观测叶面积指数构建的最优回归模型,反演了研究区域的多时相叶面积指数影像。最后通过优化算法实现了空间EPIC模型与影像信息的同化,并将系统应用于河北石家庄地区2004年冬小麦的单产估测。结果表明,通过数据同化校正部分关键参数后的空间作物模型的单产模拟精度得到有效提高,但要达到业务运行精度仍有待进一步改善。

ASAR数据与水稻作物模型同化制作水稻产量分布图(英文)

提出了利用雷达数据进行水稻估产的技术方法,并以ASAR数据为例,探讨了雷达数据在水稻估产中的可行性。首先利用ASAR数据进行水稻制图,从各时相ASAR数据中提取水稻后向散射系数。随后,基于像元尺度,采用同化方法,以LAI为结合点,将水稻作物模型ORYZA2000与半经验水稻后向散射模型结合,建立嵌套模型模拟水稻后向散射系数。选择水稻出苗期和播种密度为参数优化对象,利用全局优化算法SCE-UA对ORYZA2000模型重新初始化,使模拟的水稻后向散射系数值与实测值误差最小,并由优化后的ORYZA2000模型计算每个像元的水稻产量,生成水稻产量分布图。结果表明,水稻产量分布图能够描绘研究区水稻实际产量的分布趋势,但由于采用潜在生长条件模拟,模拟的水稻平均产量比实测平均值高约13%,验证点的水稻产量模拟值与实测值相对误差为11.2%。由于半经验水稻后向散射模型存在对LAI变化不够敏感和对水层的简化处理,增加了水稻估产的误差。但从总体上看,利用该方法进行区域水稻估产是可行的,并为多云多雨地区的水稻遥感监测提供了重要参考。

粒子滤波同化方法在CERES-Wheat作物模型估产中的应用

为验证粒子滤波同化算法在作物模型估产应用中的可行性和精度,应用该算法构建了CERES-Wheat(crop environment resource synthesis for wheat)作物模型同化系统,并应用地面观测数据研究了同化系统的估产能力以及粒子扰动维数和方差对同化结果和效率的影响。研究结果表明,构建的作物模型同化系统能够利用作物关键生育期内观测LAI数据,较好地校正模型状态轨迹,显著提高作物产量模拟预测精度。同化前后冬小麦产量模拟结果与实测产量间的决定系数由0.68增加为0.83,归一化均方根误差由4.93%减小为3.4%,相对误差由4.15%减小为2.93%。粒子扰动维数和方差同化试验结果显示,粒子维数由50增加为250时,同化估产精度无显著改善,但计算代价增加5倍;随粒子扰动方差增加,估产归一化均方根误差和相对误差均呈增加趋势,两者的平均增加幅度分别为0.32%和0.26%。因此,作物模型同化系统业务化应用时需折中考虑估产精度和计算代价设置合适的粒子扰动维数和方差。该文为进一步利用多源卫星遥感数据监测区域作物长势和估算产量等同化研究和应用提供参考。

基于遥感数据与作物生长模型同化的作物长势监测

遥感观测和作物生长模型模拟是进行农作物长势监测的2种有效手段,并具有较好的互补性,构建二者的同化系统是目前农业遥感研究领域的热点。同化涉及多学科的交叉集成,十分有必要将同化方法中的模型、算法、数据进行集成,构建基础作物模型同化系统平台,降低科学研究和应用的难度。采用模块化结构设计,将同化系统构建所需的主要模型、算法、数据等进行有机结合和无缝集成,实现基于极快速模拟退火算法的遥感数据与CERES-Wheat作物生长模型的同化原型系统构建。此外,通过所开发的系统利用地面高光谱作为遥感数据,通过同化小麦叶面积指数对同化系统进行了检验和初步应用。同化LAI与实测结果较好的拟合度,表明所开发的同化系统基本可行,能为遥感技术与作物模型的基础研究和应用提供一个平台。

基于约束性分析的数据与作物模型同化方法

同化观测数据可为作物生长模型的区域应用提供支持。该文定义了观测数据对模型参数的约束性,研究发现华北夏玉米观测数据对WOFOST模型的可约束参数主要包括初始总干物重、不同发育阶段的比叶面积、初始最大CO_2同化速率、叶片衰老系数、初始土壤有效水、最大根深日增量以及初始根深的初始土壤水分含量等。建立了基于参数约束性分析的观测数据与作物生长模型同化方法和流程,利用优化算法进行作物生长模型所有参数和变量初值的敏感性分析,遴选出各状态变量的敏感参数;根据拟合度与优化结果之间关系进行敏感参数的约束性分析,获得不同变量的可约束参数;组合优化可约束参数得到各参数最优值,由此实现了观测数据与作物生长模型的同化。约束性体现了观测数据对模型参数或变量初值的控制能力,可约束参数作为待优化参数使数据模型同化获得了最优结果。

基于遥感和AquaCrop作物模型的多同化算法比较

为了研究不同数据同化方法在AquaCrop(FAO Crop model to simulate yield response to water)模型模拟作物地上生物量(above ground biomass,AGB)、冠层覆盖度(canopy cover,CC)和产量过程的效率,以冬小麦为研究对象,利用2012-2013、2013-2014和2014-2015年冬小麦田间试验数据,将标定的Aqua Crop生长模型与遥感光谱信息相结合开展同化技术分析,应用粒子群优化(particle swarm optimization,PSO)、模拟退火(simulated annealing,SA)和复合型混合演化(shuffled complex evolution,SCE-UA)3种数据同化算法,以不同生育期、不同水分处理和不同氮肥水平的AGB和CC为双变量开展多同化算法的模拟分析,对3种数据同化算法的运算效率和同化结果进行对比分析。结果表明:1)3种数据同化算法达到的应度值0.26时,SCE-UA同化算法用时最少(833 s),SA数据同化算法用时最多(1433 s),表明SCE-UA同化算法效率最优,SA数据同化算法效率最低;2)不同生育期的同化结果,AGB的同化精度随着生育期的推进而降低,AGB的模拟值在拔节期和挑旗期高于实测值,被高估,在开花期和灌浆期被低估,总的AGB被低估;CC在拔节期和挑旗期被低估,在开花期和灌浆期被高估,总的CC被低估;3)不同水分处理的同化结果,AGB普遍被低估,CC在雨养(W0)条件下被高估,在正常灌溉(W1)和过量灌溉(W2)条件下被低估;产量均被低估;4)不同氮肥水平,AGB的模拟精度随着施N量的增加而降低,并且普遍被低估,CC普遍被高估,产量均被低估。以上结果表明,PSO、SA和SCE-UA 3种数据同化算法均能有效模拟冬小麦的AGB、CC和产量,其中SCE-UA数据同化算法无论在运算效率还是同化结果的精度上均优于PSO和SA数据同化算法。

作物生长模型同化SAR数据模拟作物生物量时域变化特征

生物量是监测作物长势的一个重要指标,可以反映作物的生长状况,和作物产量有密切关系。遥感获取生物量的方法之一是通过基于矢量辐射传输方程的微波冠层散射模型反演,但多数模型反演方法并未考虑作物生物量在不同阶段的变化特征。运用数据同化方法,将SAR数据提取的生物量信息和作物生长模型结合,描述作物生物量与时间变化的关系,提高生物量估测精度。通过分析生物量和SAR数据提取的后向散射系数的时域变化关系建立反演模型估算生物量。在构建代价函数的基础上,采用共轭梯度法对生长模型参数进行优化,使模型估算的生物量和SAR数据反演的生物量差值最小。结果表明,引入SAR数据修正后的作物生长模型模拟生物量和实测值的时间分布基本吻合,且比未引入SAR数据的结果精度有明显提高。因此采用SAR数据提取的作物实时生长信息可以修正作物生长模型关键参数以提高模拟生物量的精度。

光谱信息与作物生长模型数据同化中的时间尺度优化

光谱信息与作物生长模型同化的效率提升是同化方法区域应用研究的一个重要方面。该文通过设置不同步长的光谱观测值同化时相,开展针对光谱信息与作物生长模型WOFOST(world food studies)同化的时间尺度优化研究,以提高同化效率。基于长春地区水稻生长周期,该文设置了4个等距时间尺度(步长分别为5,10,20和30 d)和一个关键时相时间尺度(同化时相对应水稻生长关键时期),在不同时间尺度下利用光谱信息计算的修正叶绿素吸收比值指数MCARI1(modified chlorophyll absorption ratio index)同化WOFOST模型,通过比较不同时间尺度下的同化精度和效率,优化同化时间尺度。结果表明:随着同化时间尺度增大,同化效率逐渐提高,而同化精度逐渐降低。在平衡精度和效率的前提下,选择步长介于10~20 d的时间尺度或关键时相尺度作为光谱信息与作物生长模型的同化时间尺度是合理的。该文提出的优化同化时间尺度方法为提高光谱信息与作物生长模型同化的区域应用效果提供了参考。

基于Downhill-Simplex算法的观测数据与作物生长模型同化方法研究

以夏玉米叶面积指数(LAI)、贮存器官干重(WSO)、地上总干重(TAGP)以及土壤水分含量(SM)为结合点,建立了基于Downhill-Simplex算法的作物生长模型WOFOST同化多种地面观测数据的一般方法或流程:开展观测数据与作物生长模型同化方法的正确性验证→利用Downhill-Simplex算法进行WOFOST模型的敏感性分析→选择敏感参数组合→通过优化效果确定待优化参数→利用新的观测数据对待优化参数进行优化,从而实现了观测数据与作物生长模型的同化,提升了模型的模拟能力。同化过程中遴选出的WOFOST模型的待优化参数主要包括比叶面积、最大CO2同化速率、初始地上部总干物重、根深最大日增量和初始土壤有效水等。

基于作物生长模型和遥感数据同化的区域玉米产量估算

为了将遥感观测到的玉米生长期间作物冠层方向反射波谱的时间序列变化信息用于区域玉米产量估算,该文将时间序列中分辨率成像光谱仪(moderate resolution imaging spectroradiometer,MODIS)数据和高空间分辨率LandsatTM遥感观测数据相结合,以叶面积指数(LAI)作为耦合作物生长模型(crop environment resource synthesis-Maize,CERES-Maize)和植被冠层反射率模型(scattering by arbitrarily inclined leaves,SAIL)的关键参数,提出了将耦合模型与时间序列遥感观测数据同化进行区域玉米产量估算的方案。该文选择吉林省榆树市为研究区,采用MODIS和LandsatTM2种尺度数据集,利用SCE-UA(shuffled complex evolution method developed at the University of Arizona)算法分别进行玉米产量同化估产研究,得到玉米单产空间分布的估计结果,结合遥感估算的种植面积求算榆树市玉米总产量。结果表明,与玉米统计总产量相比,2007、2008和2009年遥感数据同化估算的总产量误差分别为9.15%、14.99%和8.97%;与仅利用CERES-Maize模型模拟得到的产量误差相比,3a间遥感估算总产量的误差分别减小了7.49%、1.21%和5.23%,且采用MODIS和TM遥感数据估算的玉米产量表现了其空间差异性。利用榆树市3a间玉米产量的明显差异,分析了时序遥感数据对作物长势和产量变化信息的表达能力,同年份内时序归一化差值植被指数越大,对应的玉米产量越高;年际间遥感观测反射率的差异通过数据同化方法能够反映年际间玉米产量差的变化。该文提出的玉米估产方案为将来进一步结合多源遥感数据、植被冠层反射率模型与作物生长模型进行区域玉米估产研究提供了参考。

遥感信息与作物生长模型同化应用的研究进展

卫星遥感技术能大面积、周期性地实时获取地表农作物信息,并且通过适当的反演方法能够定量地提供作物在区域尺度上的状况;作物生长模型应用物理数学方法从机制上定量地描述作物生长过程及其与环境因素之间的关系,在单点上对叶面积指数、生物量和产量等具有很好的模拟准确性。利用数据同化算法,将作物生长模型与遥感信息进行同化,已经成为当前农作物长势监测和产量预算研究中的重要手段。在简要回顾遥感数据和作物模型2种经典耦合方法的基础上,重点综述了连续同化和顺序同化2种不同同化方式的研究进展,并对数据同化算法进行了简单介绍,最后提出存在的一些问题并探讨了未来的研究方向。

基于数据同化系统的作物产量预测研究进展

数据同化系统融合了遥感数据和作物生长模型的优势,是实时监测农业生产状况的有力手段。本文在简要介绍作物产量遥感估测方法的基础上,重点对数据同化算法的发展情况、多源遥感数据在数据同化上的应用潜力、数据同化系统的不确定性以及数据同化系统的尺度效应4方面进行论述。并且针对农业应用现状,提出未来应充分挖掘多源遥感数据、多作物生长模型集合和数据算法的优势,最终实现以机理模型为纽带的作物估产模式,并为制定田间管理策略、规划粮食产业布局和制定进出口贸易政策提供有力的数据和技术支撑。

遥感与作物生长模型数据同化在水稻上的应用进展

遥感和作物生长模型在农业资源监测、作物产量预测等方面发挥着重要作用。遥感监测是获取大面积地表信息的最有效手段,作物生长模型则是在机理层面上对作物产量进行建模,可以实现单点尺度作物生长发育的动态模拟。但两者各有优缺点,而遥感信息和作物生长模型的数据同化可以有效结合两者的优势,实现大尺度、高精准的农业监测与预报。运用文献分析法从作物生长模型、卫星遥感、数据同化研究进展、遥感与作物模型数据同化在水稻上的研究进展,以及遥感与作物生长模型数据同化研究趋势等方面进行了概述。为今后开展水稻遥感与作物生长模型同化研究提供思路,为农作物长势监测和产量预测提供技术支持。

遥感与作物生长模型数据同化应用综述

遥感是获取大面积地表信息最有效的手段,在农业资源监测、作物产量预测中发挥着不可替代的重要作用;作物生长模型能够实现单点尺度上作物生长发育的动态模拟,可对作物长势以及产量变化提供内在机理解释。遥感信息和作物生长模型的数据同化有效结合二者优势,在大尺度农业监测与预报上具有巨大的应用潜力。该文系统综述了遥感与作物生长模型的同化研究,概述了遥感与作物生长模型数据同化系统的构建,在归纳国内外研究进展的基础上,总结了当前主流同化方法的特点以及在不同条件下的同化效果。进而具体分析影响同化精度的关键环节,明确了相关科学概念,并相应指出改善精度的策略或者方向。最后从多参数协同、多数据融合、动态预测、多模型耦合以及并行计算环境5个方面展望了遥感与作物生长模型数据同化的未来研究重点和发展趋势,同时结合农业应用现实需求,介绍一种数据同化与集合数值预报结合的应用框架,为大区域、高精度同化研究提供新的思路与借鉴。

农业遥感与作物模型同化技术研究进展

农业遥感与作物模型的数据同化作为精准农业中的新一代技术,目前已被广泛应用于农作物的生长状况监测与作物估产等领域[1]。该文简述了农业遥感与作物模型同化的定义,以及农业遥感与作物模型的数据同化技术在实际农业生产中的应用,提出了农业遥感与作物模型的数据同化技术存在的问题,旨在为农业的高精度高效率同化技术研究提供参考。

遥感数据和作物模型集成方法与应用前景

为了促进遥感数据和作物模型集成这一新方法在农业领域中更广泛的应用,在分析遥感数据和作物模型农业应用中各自优缺点的基础上,阐明二者结合的必要性,并介绍了遥感数据和作物模型的3种集成方式。回顾了遥感数据和作物模型同化的研究进展,并重点分析了遥感数据和作物模型结合在农作物产量预测、品质遥感预报、精准施肥管理决策、精准灌溉决策等领域的应用潜力,最后指出了当前遥感数据和作物模型结合中存在遥感定量化、参数集和驱动数据的获取、最优化算法选择和改进、作物模型的完善和订正等问题,有望随着遥感数据源的丰富、定量遥感和作物模型的发展、以及同化理论的进一步完善得到解决。

基于遥感信息与作物生长模型的区域作物单产模拟

利用外部数据同化作物生长模型提高区域作物单产模拟精度是近年来的研究热点。该文以遥感反演的叶面积指数(LAI)作为结合点,以黄淮海粮食主产区典型县市夏玉米为研究对象,在区域尺度利用全局优化的复合形混合演化(SCE-UA)算法进行了遥感反演LAI信息同化EPIC(environmental policy integrated climate)模型的夏玉米作物单产模拟研究,最后进行区域作物单产模拟精度验证。结果表明,整合SCE-UA全局优化算法的EPIC模型通过同化遥感反演的LAI进行夏玉米单产模拟的平均相对误差为4.37%,RMSE为0.44t/hm2。同时,通过与实际调查数据对比可知,模型模拟的夏玉米播种日期、种植密度和纯氮施用量的均方根误差(RMSE)分别为4.16d、1.0株/m2和40.64kg/hm2,模拟的夏玉米播种日期的绝对误差为3d,模拟的夏玉米种植密度和纯氮施用量的平均相对误差分别为-7.78%和-10.60%。上述误差可满足大范围农作物单产模拟的要求,证明了利用SCE-UA全局优化算法的EPIC模型同化遥感反演LAI数据进行区域作物单产模拟的可行性。

基于SWAP模型同化遥感数据的黑龙江南部春玉米产量监测

农作物种植类型的地理分布差异,气候条件差异、土壤环境不同等因素的影响,需要开展农作物生长模型参数区域化、本地化的研究工作;通过改善区域气象数据空间化方法以提升插值精度的研究,也需要得到应用的重视。针对以上问题,该文以SWAP(soil-water-atmosphere-plant model,土壤-水-大气-作物模型)模型为基础,以中国黑龙江省南部地区作为研究区域,以其主要农作物春玉米为目标作物,确定研究春玉米的作物生长模型参数,并综合考虑纬度及海拔对气温的影响情况,研究将协同克里金(coKriging)方法引入作物生长模型气象数据插值获取中,从而提高模型输入参数中气象数据精度,并以叶面积指数(leaf area index,LAI)及蒸散发(evapotranspire,ET)数据作为同化遥感数据源,通过优化玉米灌溉量和出苗日期,获取了研究区2013年的玉米产量空间分布成果,与统计资料结果对比,玉米总产量监测结果的R2达到了0.939 4,均方根误差(root mean squared error,RMSE)达到了148 065 t,平均绝对误差(mean absolute error,MAE)为114 335 t。研究区15个县市区的预测单产和统计单产之间的决定系数达到了0.724 5,RMSE为598.5 kg/hm^2,MAE为531.5 kg/hm^2。研究结果表明,利用SWAP模型,以协同克里金方法获取气象数据空间插值成果作为输入数据,通过同化LAI和ET遥感数据,可以有效进行黑龙江南部区域的玉米产量遥感监测,为区域作物生长及生产力的遥感监测预测提供参考。