[发明专利]同化叶面积指数时序曲线特征的冬小麦估产方法

说明书

技术领域

本发明涉及农业遥感技术领域，特别涉及一种同化叶面积指数时序曲线特征的冬小麦估产方法。

背景技术

在作物估产应用过程中，基于作物光合、呼吸、蒸腾、营养等机理过程的作物模型依靠其内在的物理过程和动力学机制，可以准确模拟作物对象在时间和空间上的连续演进，能够准确地模拟单点作物的生长发育状况及产量。而在应用到区域尺度时，由于地表、近地表环境非均匀性，导致模型中一些宏观资料的获取和参数的区域化非常困难。卫星遥感方法具有空间连续和时间动态变化的优势，能够有效解决区域参数获取困难这一瓶颈。然而遥感对地观测由于受卫星时空分辨率等因素的制约，还不能真正揭示作物生长发育和产量形成的内在过程机理、个体生长发育状况及其与环境气象条件的关系，而这正是作物模型的优势所在。因此通过同化方法将二者结合，可以发挥各自的优势，从而快速、动态地监测大面积的作物长势与产量。

优化算法是同化方法的一类重要方法，其基本思想主要是采用优化算法通过多次迭代最小化遥感反演的状态变量与作物模型模拟的状态变量之间的差异，重新初始化作物模型参数达到对作物模型优化的目的。目前比较通用的方法主要有以下两种：

1、通过对比遥感反演和模型模拟获得的作物的叶面积指数LAI；

2、对比遥感反演和模型模拟获得的作物光谱信息或植被指数。

MODIS数据由于具有较高的时间分辨率，在农作物长势监测等方面具有优势。然而在我国华北地区的冬小麦主产区，由于MODIS数据空间分辨率较低，混合像元效应严重，导致MODIS LAI产品存在系统偏低的误差，直接同化MODIS LAI产品将导致更差的同化效果。而大量的野外观测实验发现，冬小麦生育期时间序列MODIS LAI产品的变化趋势与实测变化趋势十分吻合。因此，同化MODIS LAI时间序列曲线的关键特征到作物生长模型，以克服直接同化MODIS LAI产品带来的误差是亟待解决的问题。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：如何同化MODIS LAI时间序列曲线的关键特征到作物生长模型，以避免MODIS-LAI数据由于混合像元效应造成的LAI数值偏低的问题。

(二)技术方案

为解决上述技术问题，本发明提供了一种同化叶面积指数时序曲线特征的冬小麦估产方法，包括以下步骤：

S1：进行实验区作物模型的敏感性分析，得到需要标定和同化的模型参数，对遥感数据与地面参数进行空间匹配，使用插值法实现部分作物模型参数区域化标定，完成数据准备；

S2：对实验区整个生育期内的MODIS LAI数据按时间序列合成，对每个栅格单元生成时间序列曲线；

S3：对S2中获得的时间序列MODIS LAI曲线进行滤波，以消除数据缺失和云污染的影响；

S4：将S3中滤波后的时间序列曲线进行曲线拟合，得到每个栅格单元的MODIS LAI时间序列的曲线方程，并提取出该曲线上的关键特征点，所述关键特征点是曲率最大值点、斜率最大值点和叶面积最大值点；

S5：在S1进行作物模型标定的基础上，在实验区域内运行WOFOST作物模型，对模拟的LAI时间序列进行曲线拟合，并提取出曲线上的关键特征点，所述关键特征点是曲率最大值点、斜率最大值点和叶面积最大值点；

S6：S4和S5各自获得3类关键特征点，按类别对点的日期建立代价函数，并以遥感观测误差为权重求和得到总代价函数，对总代价函数进行最小化，使其不断重新初始化S1获得的需进行同化的作物敏感性的模型参数，在初始参数空间中搜索全局最优解，使得代价函数快速收敛，最终在收敛条件被满足时，同化过程结束，按行政边界汇总，输出产量结果。

其中，所述步骤S1中所采用的作物模型为WOFOST模型，采集研究区内的土壤、气象和作物参数，对影像和采集的参数进行空间位置的匹配，对于不敏感模型参数直接使用默认值，对于只对产量敏感，对LAI时序曲线特征不敏感的模型参数使用反距离权重插值法对遥感影像的每个像素赋予参数值，完成参数区域化标定；采用扩展的傅里叶振幅敏感度检验法EFAST对WOFOST模型的作物参数和土壤与管理参数进行全局敏感性分析，按如下公式(1)求解一阶敏感性指数和总敏感性指数，