基于遙感與模型耦合的區(qū)域小麥生長監(jiān)測預(yù)測研究.pdf

1、遙感數(shù)據(jù)與作物模型結(jié)合是當(dāng)前農(nóng)業(yè)信息技術(shù)應(yīng)用研究熱點之一。遙感的實時性、區(qū)域性和生長模型的機理性、預(yù)測性相結(jié)合優(yōu)勢互補，能實現(xiàn)農(nóng)作物大面積長勢監(jiān)測和作物估產(chǎn)。目前，遙感與模型耦合方法多基于初始化/參數(shù)化法，即以遙感反演的農(nóng)學(xué)參數(shù)為耦合點，該方法建立在假定遙感反演值比模型模擬值更準(zhǔn)確的前提之上，但實際上農(nóng)學(xué)參數(shù)的遙感反演也存在較大誤差。因此，直接利用遙感信息（如植被指數(shù)）作為耦合點的同化法可避免遙感反演農(nóng)學(xué)參數(shù)過程所產(chǎn)生的誤差。另外，目前

2、遙感與生長模型耦合反演模型初始參數(shù)的過程主要采用柵格計算的方法，需要重復(fù)多次調(diào)用生長模型進(jìn)行模擬，從而帶來計算量大的問題。近年來，計算效率問題也成為遙感模型耦合研究的熱點之一。
　　本研究采用兩種不同的耦合策略:一是基于初始化/參數(shù)化法，將多源、多時遙感信息通過統(tǒng)計模型反演農(nóng)學(xué)參數(shù)（LAI和LNA），即“遙感反演值”，與小麥生長模型(WheatGrow)模擬的狀態(tài)變量作為信息耦合點，反演區(qū)域尺度生長模型難以準(zhǔn)確獲取的某些栽培管理參

3、數(shù)（播種期、播種量和施氮量）;二是基于同化法，通過將PROSAIL模型與小麥生長模型(WheatGrow)連接得到耦合模型模擬冠層光譜，與多源、多時遙感數(shù)據(jù)提取的光譜信息，即“遙感觀測值”直接比較，反演區(qū)域尺度生長模型的播種期、播種量和施氮量等輸入?yún)?shù)，從而實現(xiàn)區(qū)域尺度小麥的監(jiān)測預(yù)測。比較了兩種不同的耦合機制，正確性驗證的結(jié)果表明，在“遙感反演值”足夠準(zhǔn)確的前提下，反演的播種期、播種量和施氮量能達(dá)到較好精度，且以“遙感觀測值”為耦合指標(biāo)

4、的反演方法并未表現(xiàn)出明顯的優(yōu)勢;以地面光譜數(shù)據(jù)為外部同化數(shù)據(jù)源的耦合預(yù)測結(jié)果表明，以“遙感觀測值”為耦合指標(biāo)的預(yù)測結(jié)果明顯優(yōu)于以“遙感反演值”為耦合指標(biāo)的結(jié)果，可能原因是基于統(tǒng)計模型的遙感反演農(nóng)學(xué)參數(shù)過程存在一定誤差的原因。
　　結(jié)合模擬分區(qū)的方法，對研究區(qū)土壤養(yǎng)分指標(biāo)（有機質(zhì)、全氮和速效鉀）及小麥冠層不同生育時期RVI進(jìn)行空間自相關(guān)性分析，并在此基礎(chǔ)上進(jìn)行了模擬分區(qū)。結(jié)果顯示，各分區(qū)內(nèi)有機質(zhì)、全氮和速效鉀的變異系數(shù)分別為2.8-

5、6.6％、34.2-55.1％和5.7-8.2％，均小于3各指標(biāo)在整個區(qū)域的變異系數(shù)7.63％、65.99％和9.89％;各子區(qū)3時期小麥冠層RVI變異系數(shù)分別為4.4-17.8％、3.1-5.7％和5.6-9.5％，均小于各指標(biāo)在整個區(qū)域的變異系數(shù)25.38％、9.61％和16.52％，表明分區(qū)達(dá)到了較好效果。在各分區(qū)基礎(chǔ)上運行耦合模型，減少了運算單元，從而解決了區(qū)域尺度反演計算量大的問題。
　　借助數(shù)據(jù)融合技術(shù)，將高空間分辨率

6、與高時間分辨率影像融合得到的時序性高時空分辨率影像，并將其作為遙感-模型信息融合點，通過對耦合模型構(gòu)建基于管理措施參數(shù)（播種期、播種量和施氮量）與植被指數(shù)間的查找表，實現(xiàn)了對區(qū)域尺度生長模型運行時難以準(zhǔn)確獲取的部分管理措施參數(shù)的反演，并最終提高了區(qū)域尺度WheatGrow模擬精度。同時，利用不同年份不同生態(tài)點的試驗數(shù)據(jù)研究了遙感與耦合模型的最佳耦合植被指數(shù)、最佳耦合時期。結(jié)果表明:(1)以3波段的RNir(RRed+RGreen)或SA