遥感模型、气象模式与作物模型同化的冬小麦产量预测研究

区域作物产量的准确预测估算是国家粮食安全评估的重要内容。然而，单一采用遥感模型、作物模型和气象模型都难以实现高精度的作物产量预测结果。遥感信息与作物模型耦合的产量预测模式存在模型驱动参数不准确、地面观测数据不足、气象数据不充分三大主要问题。本研究从实际需求和当前学科的前沿出发，提出遥感模型、气象数值模式与作物模型三者同化的冬小麦产量动态预测。在实现作物模型空间化的基础上，发展遥感模型、气候数值模式和作物模型同化方法开展区域尺度冬小麦产量预测研究，建立冬小麦生育期时间尺度上连续的产量动态预测方法。进一步实现作物产量预测理论、技术和方法的进步，以期提高产量预测精度。

区域作物产量的准确估测对于保障国家粮食安全和农业可持续发展具有重要的意义。遥感信息与作物模型的数据同化是提高区域作物产量估算最具潜力的技术方法。本课题以区域冬小麦产量估测为重点，选择河北省冬小麦主产区为研究区域，以多尺度时间序列遥感数据为观测，以WOFOST为动态模型，以作物叶面积指数（LAI）信息提取与处理为核心，将遥感提取的LAI信息同化到WOFOST模型，采用变分同化与顺序同化策略进行作物模型参数优化与状态变量的更新，从而提高区域冬小麦产量估测精度。取得了以下的研究成果：（1）为克服遥感观测尺度与作物模型模拟尺度不匹配，在冬小麦全生育期，采用改进的上包络线Savizky-Glolay算法拟合时间序列MODIS LAI，并提取返青和抽穗两个关键物候期，然后同化MODIS LAI提取的物候到WOFOST模型，重新初始化出苗日期和低温阈值两个参数，结果表明，物候是影响冬小麦产量的重要因素，同化遥感物候能有效改善区域作物产量估测精度。在地面作物观测数据不足的研究区域不失为一种有效的解决途径。（2）初步建立了MODIS与WOFOST的LAI二级尺度转换模型，即一级模型为采样点-TM ，二级模型为TM-MODIS。采用SCE_UA算法最小化代价函数优化WOFOST模型参数，将优化后的模型参数逐格网单元驱动WOFOST模型估算区域冬小麦产量。结果表明，遥感与作物模型的尺度问题是影响同化模型精度的重要因素。在破碎度大的农田区域，直接同化MODIS LAI产品数据（MOD15A2）会导致同化失败。构建合适的遥感观测与作物模型的尺度转换模型是提高同化模型精度的前提与基础。3）基于同一数据集，开展了POWELL和SCE_UA两种优化算的同化模型精度与效率的比较研究，结果表明，两种优化算法在WOFOST模型的参数优化和区域冬小麦产量估测取得了相似的精度，POWELL执行效率优于SCE_UA，要提高同化模型的精度，重点在于遥感反演LAI的精度、WOFOST的区域标定精度以及代价函数表达式构建。（4）分别以LAI和NDVI为观测变量，开展了遥感观测与机理模型的EnKF顺序同化，从验证结果来看，两种模式在一定程度上都提高了区域冬小麦估测精度。与国外类似研究比较分析后表明，生成集合成员的模式对EnKF模型的同化结果起着决定性作用。

内容获取失败，请点击重试