[发明专利]一种基于尺度转换和数据同化的农作物产量估测方法

说明书

技术领域

本发明属于农业遥感领域，具体涉及一种基于尺度转换和数据同化的农作物产量估测方法。

背景技术

利用数据同化技术把遥感反演参数融合到作物机理过程模型，是当前改进区域作物生长模拟精度和提高作物估产精度的重要途径。在田间尺度上，基于作物光合、呼吸、蒸腾、营养等机理过程的作物生长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以“天”为时间步长的连续演进和单点尺度上作物的生长发育状况及产量。而当作物模型扩展应用到区域尺度时，由于地表、近地表环境非均匀性，导致了作物模型中的初始条件、土壤参数、作物参数、气象强迫因子的空间分布的不确定性和资料获取的困难。卫星遥感具有空间连续和时间动态变化的优势，能够有效解决区域作物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。数据同化技术通过耦合遥感观测和作物模型，能够实现两者的优势互补，对提高区域作物产量估测具有巨大的潜力。

由于高时间分辨率遥感数据能扑捉作物生长发育变化以及物候信息，因此对农作物长势监测与估产具有非常重要的意义，然而，目前在轨运行的高时间分辨率遥感卫星数据往往空间分辨率都很低，例如AVHRR，MODIS，MERIS和SPOT vegetation空间分辨率为250m-1km尺度。这种低空间分辨率遥感数据，进一步增大了像元异质性，造成了遥感观测尺度与作物模型模拟尺度之间的不匹配，极大限制了数据同化模型的精度。另外，标准的MODIS LAI产品是面向全球尺度所有的植被类型开发，并不是针对农作物设计开发的。研究表明，MODIS LAI在冬小麦区域存在严重的低估现象。因此，直接同化标准MODIS LAI会导致同化后的LAI和产量不切实际的偏低。基于地统计（变异函数）尺度纠正的方法和像元分解降尺度的方法是处理像元异质性和尺度效应的两种手段。然而，这两种方法的一个共同的不足之处是要求一系列的作物生育期的中高空间分辨率数据，并且对异质性像元建模是一个非常复杂的问题，要求严格的近似和一些先验知识，这在实际应用中，不易获取。一种有潜力的方法是基于地面采样LAI、中高分辨率遥感数据和低分辨率遥感数据，构建二级尺度转换方法，生成尺度修正后的LAI。同化尺度修正后的LAI，将会较大提高区域冬小麦产量的估测。以克服直接同化MODIS LAI产品带来的误差是应用数据同化模型估产实践中亟待解决的关键问题。

发明内容

为解决现有技术中存在的如下问题：“如何构建数据同化模型中的尺度转换方法，同化时间序列尺度修正后的LAI到作物生长模型，以减少遥感观测与作物模型之间尺度不匹配造成的数据同化模型误差”，本发明提供一种基于尺度转换和数据同化的农作物产量估测方法。

本发明提供一种基于尺度转换和数据同化的农作物产量估测方法，具体步骤如下：

S1收集研究区内的气象参数、作物参数、土壤参数和管理参数并以之进行WOFOST作物模型的单点尺度标定；之后基于气象参数进行区域化，完成WOFOST作物模型的空间化；

S2基于多时相的遥感影像，结合地面调查获得的作物类型样本点，结合待测农作物的物候特征，构建分类规则，获取作物类型分布图和待测农作物纯度百分比图；

S3对待测农作物生育期时间序列MODIS LAI曲线进行滤波，以消除数据缺失和云污染的影响；基于地面实测样本点的实测LAI与多时相植被指数（TM VI）构建回归统计模型，获得区域30米的TM LAI；

S4融合地面实测样本点LAI、多时相TM LAI和滤波后的MODIS LAI信息，构建二级尺度转换模型，生成时间序列尺度调整LAI；

S5基于地面样本点关键物候期的LAI，计算遥感观测和作物模型模拟的标准差，获得待测农作物关键物候期的遥感观测误差和作物模型误差；

S6以S4获得的尺度调整LAI和作物模型模拟LAI，并引入遥感观测误差和作物模型误差，构建四维变分代价函数，使用最优化算法最小化代价函数，通过多次迭代，获得优化作物模型参数；

S7将S6获得的优化作物模型参数代入作物模型，选择待测农作物纯度大于60%的像元，逐像元单元运行作物模型模拟产量，然后汇总到县域行政单元，输出县域待测农作物单产，指导粮食生产。

其中，S1所述气象参数为最高气温、最低气温、总辐射量、水汽压、风速、降水等参数。

其中，S1所述作物参数为农作物分布参数、农作物的物候特征等。