论文部分内容阅读
遥感(RS)的实时性、区域性与作物生长模型的机理性、预测性优势互补,RS信息与作物模型的结合是实现区域化作物产量精确预测的有效方法。其中顺序同化法以对某一时刻模型模拟值的优化可提高其后时刻的模拟精度为前提,同时考虑了 RS观测值与作物生长模型的模拟误差,是目前RS-模型耦合的研究热点之一。直接利用RS信息作为同化参数在一定程度上避免了 RS反演农学参数过程所产生的误差,从理论上讲有一定优势。目前,RS-模型耦合的过程主要采用逐象元计算的方法,在区域尺度上面临着很大的计算量。因此,如何提高耦合模型的计算效率也成为RS-模型耦合的研究热点之一。本文将小麦生长模型(WheatGrow)与PROSAIL模型相连接,进而与RS信息相耦合,以LAI为状态变量,不同生育期的小麦植被指数(VI)作为耦合参数,构建了一种同化RS反演的与WheatGrow-PROSAIL耦合模型模拟的时序性植被指数(VIs)的顺序同化方法,以获得最优的叶面积指数序列(LAIs),并以此驱动WheatGrow模型更准确的模拟了冬小麦生长指标和籽粒产量。借鉴管理分区的方法,对影响小麦生长的重要土壤养分指标(碱解氮、有机质和速效钾)及小麦不同生育时期冠层土壤调节植被指数(SAVI)进行空间分析,并在此基础上对整个淮安市进行模糊聚类分区,同时利用模糊性能指数(FPI)和归一化分类墒(NCE)定义了最佳分区数。结果显示,最佳分区数为10,各子区内碱解氮、有机质和速效钾的变异系数分别为1.56-5.62%、1.09-3.75%和2.20-6.62%,均小于各指标在整个研究区的变异系数5.63%、10.30%和10.64%;各子区3个时期小麦冠层SAVI变异系数分别为3.52-16.47%、2.56-10.21%和2.17-9.07%,均小于各指标在整个研究区的变异系数24.25%、15.98%和12.29%。最后,以子区为模拟单元运行耦合模型,取样点产量模拟值与实测值间的相关系数(R2)和均方根误差(RMSE)分别达到0.683、717.21 kg.ha-1,表明分区达到了较好效果。通过数据融合技术得到高空间分辨率的时序性VIs数据,并将其作为RS-模型耦合的信息融合点,最后采用构建的顺序同化法模拟了冬小麦生长指标和籽粒产量。同时,利用不同年份不同生态点的试验数据研究了 RS-模型耦合的最佳Ⅵ和生育时期。结果表明:(1)作为耦合参数,SAVI和增强植被指数(EVI)优于归一化植被指数(NDVI)和比值植被指数(RVI),小麦拔节至孕穗期选用SAVI,孕穗后选用EVI作为同化参数时,模型预测效果最好;(2)如用一个时期RS数据作为同化点,孕穗-抽穗期是耦合的最佳生育时期窗口;(3)如有多个生育期的RS数据,则当同化拔节到灌浆期的时序性RS数据时,预测精度最高。基于上述研究结论较好的模拟了两个不同年份不同生态点冬小麦长势和生产力指标的时空分布情况,LAI、叶片氮积累量(LNA)和产量实测值与预测值之间的RMSE最小可达到0.843、1.202 g.m-2和510.68 kg.ha-1。研究结果可为区域尺度冬小麦生长的监测预测提供重要理论基础和技术支撑。