论文部分内容阅读
生产优质专用、蛋白质含量稳定的小麦,是解决我国优质专用小麦缺乏的必经之路,作物模型和遥感技术的出现,为科学、无损、高效监测预报作物品质提供了新的思路。作物模型的机理性、时间扩展性,以及与遥感数据的空间性、实时性相耦合,成为一种可以提高作物品质监测预报精度的新手段。本文以2012-2013、2013-2014年陕西省杨凌区及其周边地区的冬小麦为研究对象,选择DSSAT作物生长模型,结合近地面高光谱遥感数据和粒子群同化算法(Part icle Swarm Optimization,PSO)开展遥感信息与作物模型结合的冬小麦品质监测预报研究。首先,对DSSAT模型的适应性进行评价,利用2013-2014年田间实验数据对DSSAT作物模型进行参数本地化研究,并用2012-2013年的试验数据进行验证。然后,针对2013-2014年的杨凌揉谷试验区,利用全生育期地面高光谱数据反演冬小麦的生物量,解决了单生育期反演精度低的问题,间接计算冠层氮素累积量,将遥感反演的冠层氮素累积量作为粒子群同化变量对作物模型模拟的冠层氮素累积量进行优化,提高籽粒蛋白质含量的模拟精度。结果表明:参数本地化后的DSSAT作物模型模拟的2012-2013、2013-2014年冬小麦生长的全生育期误差均小于1天,各生育期误差均小于2天,2013-2014年、2012-2013年的生物量的实测值和模拟值的RMSE分别为0.996t/ha和1.678t/ha,产量的实测值与模拟值的绝对误差为-59kg/ha和-26kg/ha,籽粒蛋白质含量的绝对误差分别为-1.2%和-1.55%,研究证明了参数本地化后的DSSA T模型在杨凌地区有一定的适用性。利用粒子群同化算法对大田环境下每个单点的模拟结果进行优化,整个区域20个地块的籽粒蛋白质监测误差RMSE由同化前的2.39%降低为2.26%,表明了遥感信息与作物模型相结合监测预报作物品质是有效的,并且利用粒子群同化算法对两者进行耦合,可以提高模型模拟的精度。