区域冬小麦估产的遥感数据同化技术研究

【摘要】：及时准确掌握作物长势与产量等农情信息对国家粮食安全至关重要。传统常规区域农情信息统计调查与监测手段存在时效性、经济成本和准确性等方面的不足，较难反映出区域作物时空变化信息，无法满足农业生产管理对农情监测信息的需求。基于作物生长模型的遥感数据同化成为解决这个问题的可行、有效手段。但作物模型数据同化研究起步较晚，在业务化应用中还存在一些关键问题需要深入研究和实践。特别是，作物参数遥感反演、数据同化算法与作物模型耦合、同化系统的信息不确定性及其业务应用的可行性等问题。深入研究和探讨这些关键问题有助于改进农情遥感监测业务化水平，是一项具有重要理论研究意义和实际应用价值的工作。 本研究以CERES-Wheat作物生长模型同化系统构建与实现为研究核心，主要从作物模型参数敏感性与不确定性、同化参数LAI遥感反演、基于四种同化算法（集合卡尔曼滤波EnKF、粒子滤波PF、本征正交分解四维变分算法POD-4DVar、复合型混合优化算法SCE-UA）的CERES-Wheat作物产量遥感同化系统构建、同化结果精度验证、作物产量遥感同化系统业务化运行可行性等方面展开深入研究和讨论。主要研究结论为： （1）模型参数敏感性与不确定性分析是作物模型本地化和选择最佳区域化优化变量的有效方法。通过CERES-Wheat模型参数敏感性分析，研究获取了模型本地化的关键作物参数。同时，以衡水地区冬小麦为研究实例，筛选出估产的最佳区域优化变量，即施肥和灌溉日期、施肥量、灌溉量、播种密度、播种日期和播种深度。该研究结果将服务于作物模型同化方案构建。 （2）研究改进了植被LAI反演方案，成功应用HJ CCD影像数据反演了试验研究区冬小麦LAI。应用地面实测反射率数据反演冬小麦LAI结果与同步测定LAI的线性R2为0.88，RMSE为0.31，相对误差RE为8.45%。应用遥感反射率数据反演冬小麦LAI结果与实测值的R2为0.77，RMSE为0.43，RE为17.43%。与目前现有的LAI产品相比，本研究反演的冬小麦LAI结果得到较大改善，满足区域作物遥感数据同化估产研究的基本需求。 （3）通过基于EnKF、PF、POD-4DVar、SCE-UA四种同化算法的作物模型同化方案的比对表明，遥感同化估产系统均改善了冬小麦模拟过程，提高了估产精度。估产精度以EnKF方案最优，以SCE-UA方案最差；计算效率以POD-4DVar方案最高，以SCE-UA方案最低。四个方案同化衡水地面试验站点实测冬小麦LAI时序数据的估产结果与实测产量的 分别为0.57、0.51、0.52、0.22，RMSE分别为454kg·hm~(-2)、483kg·hm~(-2)、476kg hm~(-2)、1281kg hm~(-2)，RE分别为5.30%、5.60%、5.49%、15.24%。地面站点估产试验表明四个同化方案的可行性和有效性。 （4）上述四个方案同化遥感反演的衡水地区冬小麦LAI时空数据的区域估产精度以EnKF、POD-4DVar方案最优，PF方案其次，SCE-UA方案最差。四个方案的区域估产结果与统计结果的RMSE分别为561kg·hm~(-2)、753kg·hm~(-2)、1123kg hm~(-2)、2483kg hm~(-2)，RE分别为7.29%、10.37%、17.40%、41.16%。折中考虑估产精度和计算代价，POD-4DVar方案是区域作物估产业务化应用的理想选择。 （5）通过同化两个数据源（HJ CCD、MOD09A1）反演的五个空间分辨率级别（1km、2km、4km、8km、16km）的研究区冬小麦LAI时空数据的区域估产试验研究表明，LAI数据空间分辨率增加不会明显改善区域冬小麦估产精度，四个方案分别同化五个空间分辨率级别LAI数据的估产精度误差变化幅度不大，平均在0.36%～0.85%之间。应用HJ LAI和MOD09A1LAI两种数据的同化估产精度相当。需综合考虑估产精度和计算代价，选择合适空间分辨率和数据源的遥感数据，以满足区域作物估产业务化需求。 本研究系统分析和探讨了目前三类主流同化方法在区域作物估产中的应用潜力，深入研究了区域作物数据同化系统构建的关键核心技术，包括作物参数遥感反演方法改进、同化算法与作物模型耦合开发、同化估产精度与不确定性分析等，提出了作物生长模型同化系统业务化应用的优化方案。这些研究结果和结论为今后业务化系统应用提供了有价值的参考依据。