论文部分内容阅读
及时、准确、大范围地进行区域作物生长监测和产量预测对于指导农业生产、保障粮食安全、促进农业可持续发展具有重要意义。作物生长模型遥感数据同化方法是解决区域作物生长模拟的有效途径。但作物生长模拟遥感数据同化模拟过程复杂,在实际应用中还存在很多不确定因素。深入研究和分析这些不确定性问题对作物模型区域化、提高区域同化模拟的精度具有重要理论研究价值和实际应用需求,有助于提高区域农情遥感监测的技术能力。本研究以作物模型遥感数据同化的不确定性为研究核心,从同化系统模型初始条件和模拟过程、同化算法、关键参数叶面积指数(LAI)遥感反演、气象驱动及遥感观测误差、时空尺度等方面出发,首先在作物模型本地化基础上,分别考虑模型模拟过程和初始条件扰动的不同模拟效果;然后,对比粒子滤波(PF)和本特征正交分解的四维变分(POD4DVAR)同化模拟结果,分析粒子/集合维数和扰动方差影响;接着,利用GF-1 WFV、HJ-1 CCD和Landsat-8 OLI影像数据,应用PROSAIL模型进行时序LAI遥感反演;最后进行区域同化模拟,并分析气象驱动、观测误差、时空尺度等方面的不确定性影响。主要研究结论如下:(1)通过对比初始条件优化、PF同化和初始条件扰动同步PF同化三种同化方案,得出第一种方案未考虑同化模拟过程不确定性,无法提高同化估产精度,其余方案估产精度较高,其中第三种同化方案最优,相对误差(RE)和均方根误差(RMSE)分别为6.00%和544kg/ha。研究发现观测误差的增加会使同化模拟精度降低;还发现同化时间点的选择对同化模拟的精度具有影响,在冬小麦孕穗期、抽穗期和拔节期同化观测数据可明显提高同化模拟精度。(2)PF和POD4DVAR两种同化方案均可以提高模拟精度。其中以POD4DVAR同化精度最高,RE为5.65%,RMSE为523kg/ha。研究发现粒子/集合维数从50增加到200时,同化模拟精度提高较小,但计算代价增加超过8倍;随着扰动方差降低,同化模拟精度增大。因此,在实际应用中选择合适同化算法、粒子/集合数和扰动方差,对于减少冬小麦生长同化模拟至关重要作用。(3)研究利用同步的GF-1 WFV、HJ-1 CCD和Landsat-8 OLI数据,在分析反射率和植被指数一致性的基础上,应用PROSAIL模型反演得到衡水冬小麦时序LAI结果,经人工和仪器测量两种实测LAI验证,总体RE分别为5.72%和9.44%,RMSE为0.26和0.39,表明时序LAI反演结果满足区域同化研究需求。(4)研究基于最优POD4DVAR同化方案进行区域同化估产,利用官方统计数据进行验证,估产精度较高,RE为8.32%,RMSE为452kg/ha。分析气象驱动不确定性影响,发现单气象站数据同化结果,无法反映各区域实际产量变化特性。研究还发现随着遥感LAI误差增大,估产精度降低,但减少趋势较小,同化在一定程度上消减了部分观测误差影响造成的同化模拟不确定性。时空尺度方面,同化观测频率增大,模拟精度提高;同化孕穗、抽穗和拔节三个生育期观测均可明显提高模拟精度;同化前、中期物候阶段观测也可显著提高估产精度。遥感观测同化空间分辨率降低,模拟精度降低,但计算效率提高。因此需综合考虑估产精度和计算代价,选择合理的时空尺度,以满足实际区域冬小麦生同化估产需求。