基于遙感信息與模型耦合的水稻生長(zhǎng)預(yù)測(cè)技術(shù)研究.pdf

1、作物生長(zhǎng)模型和遙感信息是作物生長(zhǎng)監(jiān)測(cè)預(yù)測(cè)的2個(gè)有力工具，將水稻生長(zhǎng)模型和遙感有機(jī)結(jié)合，有助于模型的過(guò)程性、機(jī)理性與遙感的空間性、實(shí)時(shí)性?xún)?yōu)勢(shì)互補(bǔ)，既提高水稻生長(zhǎng)模型的區(qū)域應(yīng)用能力，又增強(qiáng)遙感監(jiān)測(cè)預(yù)測(cè)的機(jī)理性。本研究提出了一種基于地空遙感信息與生長(zhǎng)模型耦合的水稻產(chǎn)量預(yù)測(cè)方法，該方法基于同化策略，以不同生育時(shí)期的水稻葉面積指數(shù)(LAI)和葉片氮積累量(LNA)為信息融合點(diǎn)，將地面光譜數(shù)據(jù)(ASD)及HJ-1 A/B數(shù)據(jù)與水稻生長(zhǎng)模型(Rice

2、Grow)相耦合，反演得到區(qū)域尺度生長(zhǎng)模型運(yùn)行時(shí)難以準(zhǔn)確獲取的部分管理措施參數(shù)(播種期/移栽期、播種量和施氮量)，在此基礎(chǔ)上實(shí)現(xiàn)了對(duì)水稻產(chǎn)量的有效預(yù)測(cè)。結(jié)果表明，將LNA和LAI共同作為遙感和模型的耦合點(diǎn)反演效果較好，粒子群同化算法(PSO)相比于復(fù)合型混合演化算法(SCE_UA)更適合耦合同化過(guò)程，對(duì)模型輸入?yún)?shù)如播種期/移栽期、播種量和施氮量反演的RMSE值分別為1.25 d、4.52 kg·hm-2和3.69 kg·hm-2。在此

3、基礎(chǔ)上實(shí)現(xiàn)了對(duì)水稻生長(zhǎng)狀況和產(chǎn)量的有效預(yù)測(cè)。
　　 將過(guò)程更新策略(updating strategy)和同化策略(assimilation strategy)相結(jié)合，研究建立了基于更新與同化結(jié)合策略的遙感模型耦合技術(shù)。在遙感信息與水稻生長(zhǎng)模型(RiceGrow)的耦合過(guò)程中，先利用集合平方根濾波(EnSRF)算法，綜合考慮模型模擬和遙感反演生理指標(biāo)的誤差，得到葉面積指數(shù)(LAI)和葉片氮積累量(LNA)的更新值，再以這一更新的

4、生理指標(biāo)序列作為遙感與模型的耦合點(diǎn)，利用初始化策略獲取關(guān)鍵初始參數(shù)(播種期/移栽期、播種量和施氮量)。結(jié)果表明，結(jié)合更新和同化策略后模擬的LAI、LNA相比與模型模擬值和遙感監(jiān)測(cè)值，更加接近實(shí)測(cè)值。且將獲取到的參數(shù)輸入模型運(yùn)行得到的產(chǎn)量結(jié)果也優(yōu)于單純同化策略，田塊和區(qū)域尺度產(chǎn)量預(yù)測(cè)結(jié)果與實(shí)測(cè)值和統(tǒng)計(jì)值之間有很好的一致性。因此，基于更新和同化策略相結(jié)合的遙感信息與水稻生長(zhǎng)模型耦合技術(shù)提高了模型的預(yù)測(cè)精度，可為水稻生長(zhǎng)監(jiān)測(cè)和生產(chǎn)力預(yù)測(cè)提供重

5、要技術(shù)依據(jù)。
　　 根據(jù)面向?qū)ο蟪绦蛟O(shè)計(jì)原理，以Microsoft.NET Framework3.5為開(kāi)發(fā)環(huán)境，C＃為編程語(yǔ)言實(shí)現(xiàn)系統(tǒng)整體架構(gòu)和界面定制，調(diào)用IDL組件實(shí)現(xiàn)遙感信息處理功能，調(diào)用GIS組件ESRI ArcGIS Engine9.3實(shí)現(xiàn)GIS空間分析和專(zhuān)題制圖功能，另外將利用C＃語(yǔ)言編寫(xiě)的水稻生長(zhǎng)模型組件和上述耦合技術(shù)的代碼進(jìn)行集成，在此基礎(chǔ)構(gòu)建了基于遙感信息與生長(zhǎng)模型耦合的水稻生長(zhǎng)預(yù)測(cè)系統(tǒng)(RGMPS)，實(shí)現(xiàn)了影