基于遙感與模型耦合的小麥區(qū)域產(chǎn)量預(yù)測研究.pdf

1、作物生長模型與遙感信息耦合，結(jié)合了模型的機理性、預(yù)測性與遙感的空間性、實時性等特點，既有利于作物生長模型的區(qū)域應(yīng)用，又能增強遙感監(jiān)測預(yù)測的機理性。本研究以冬小麥為對象，依托不同品種、不同種植密度、不同施氮水平的小麥田間實驗及張家港地區(qū)田間調(diào)查數(shù)據(jù)，對WheatGrow模型耦合遙感信息的適宜時期和次數(shù)進行了分析，構(gòu)建了基于同化與更新結(jié)合策略的模型遙感耦合技術(shù)與基于模型分區(qū)的模型-感耦合區(qū)域產(chǎn)量預(yù)測技術(shù)。并在此基礎(chǔ)上構(gòu)建并完善了基于生長模型

2、與遙感信息耦合技術(shù)的小麥生長監(jiān)測預(yù)測系統(tǒng)。從而為小麥長勢監(jiān)測與產(chǎn)量預(yù)測提供了有效的技術(shù)支撐。
　　 為提高小麥區(qū)域生產(chǎn)力的預(yù)測精度問題，將同化策略(Assimilation strategy)和過程更新策略(Updating strategy)相結(jié)合，建立了基于同化—更新結(jié)合策略的遙感—模型耦合技術(shù)，用于區(qū)域小麥產(chǎn)量的預(yù)測。在遙感與小麥生長模型(WheatGrow)的耦合過程中，基于粒子群優(yōu)化算法（Particle Swarm

3、Optimization，PSO）和集合平方根濾波算法(Ensemble Square Root Filter, EnSRF)，以葉面積指數(shù)(Leaf Area Index，LAI)和葉片氮積累量（Leaf Nitrogen Accumulation，LNA）共同作為同化耦合點和更新耦合點，將小麥拔節(jié)期至抽穗期遙感數(shù)據(jù)用于模型參數(shù)的初始化，灌漿期遙感數(shù)據(jù)用于模型模擬的更新，進而預(yù)測了最終產(chǎn)量。研究結(jié)果顯示，在單點和區(qū)域尺度，同化—更新策

4、略能夠較好的描述冬小麥生長指標(biāo)和產(chǎn)量的時空分布特征。研究結(jié)果可為區(qū)域尺度的作物生長監(jiān)測和產(chǎn)量預(yù)測提供技術(shù)支撐。
　　 為解決空間尺度上模型與遙感耦合的計算效率問題，采用模擬分區(qū)的思想，利用小麥不同生育期的HJ-A/B CCD影像提取的比值植被指數(shù)(RVI)與土壤養(yǎng)分指標(biāo)（全氮、有機質(zhì)、速效鉀）為數(shù)據(jù)源，在空間變異性分析的基礎(chǔ)上，采用模糊C均值聚類算法分別對冬小麥關(guān)鍵生育期的RVI和土壤養(yǎng)分指標(biāo)進行聚類分區(qū)，然后在子區(qū)的基礎(chǔ)上采用

5、同化—更新策略進行遙感與模型的耦合研究。結(jié)果表明，采用模擬分區(qū)作為計算單元，計算次數(shù)明顯少于逐像元計算。各子區(qū)內(nèi)RVI、土壤養(yǎng)分指標(biāo)及產(chǎn)量的變異均小于整個區(qū)域的變異，其中采用單一時期遙感影像時，抽穗期分區(qū)結(jié)果與產(chǎn)量分布結(jié)構(gòu)類似，且分區(qū)效果較好;采用三個時期RVI進行分區(qū)的效果較單一時期更優(yōu)，疊置土壤養(yǎng)分指標(biāo)分區(qū)結(jié)果后，增加分區(qū)數(shù)目，模擬結(jié)果更接近逐像元耦合模擬值?；谀M分區(qū)后的遙感—生長模型預(yù)測的產(chǎn)量較逐像元預(yù)測的產(chǎn)量精度有所提高，更

6、接近當(dāng)?shù)亟y(tǒng)計值，表明模擬分區(qū)可在保證預(yù)測精度的條件下提高遙感—模型耦合計算效率。
　　 基于小麥生長模型與遙感耦合技術(shù)，根據(jù)面向?qū)ο蟪绦蛟O(shè)計原理，以Microsoft.NET Framework3.5為開發(fā)環(huán)境，選擇C#為編程語言實現(xiàn)系統(tǒng)整體架構(gòu)和界面定制，以IDL組件集成RS功能模塊為基礎(chǔ)，在利用二次開發(fā)技術(shù)實現(xiàn)GIS相關(guān)功能的同時，實現(xiàn)了小麥生長模型與遙感信息的耦合，并構(gòu)建了基于模型和遙感信息耦合的小麥生長監(jiān)測與生產(chǎn)力預(yù)測系