[发明专利]基于遥感物候同化和粒子群优化的区域冬小麦估产方法

权利要求书

1.一种基于遥感物候同化和粒子群优化算法的区域冬小麦估产方法，包括如下步骤：

S1:获取运行作物生长模型所需要的数据，所述数据包括气象数据和土壤属性数据；

S2:获取研究区域全生育期内的遥感LAI数据，并按时间序列合成，对每个格点单元的LAI节点数据使用三次样条插值得到连续的LAI曲线；

S3:识别S2步骤所得到的LAI曲线的第一拐点和第二拐点，将其分别作为冬小麦返青期和抽穗期的标志，各个格点单元的成熟期由农气站的记录进行反距离加权插值获得；

S4:将S3步骤中能够同时识别出返青期和抽穗期的格点作为冬小麦种植区域，用于实施后续的步骤；

S5：基于S3和S4步骤获得的冬小麦种植格点的物候信息，使用二分法逐格点逐年优化作物生长发育参数，所述作物生长发育参数包括营养生长期前期生长速率参数、营养生长期后期生长速率参数和生殖生长期生长速率参数；

S6:在S5步骤获得优化作物生长发育参数之后，再使用粒子群算法优化生物物理过程参数，其中所述生物物理过程参数包括与土壤水分平衡、光合、呼吸作用以及产量形成模块相关的参数，

其中粒子群算法优化包括：

(1)根据生物物理过程参数的先验取值区间进行随机抽样，使用拉丁超立方体抽样法(Latin hypercube sampling)抽取N套初始化参数，称为一个初始输入粒子群；重复进行M次粒子群抽取，共形成M个初始输入粒子群共M*N套初始化参数，其中，M和N为大于1的自然数；

(2)将其中一个初始粒子群带入作物生长模型进行运行，调用粒子群优化算法模块，设定适宜度为模拟产量和实际记录产量之间的误差，使用的适宜度评价指标是标准均方根误差,公式如下：

式中，RMSE为均方根误差，NRMSE为标准均方根误差，n是数据个数，S和O分别表示模拟和观测产量，是观测产量平均值；

当满足以下迭代终止条件之一时，则结束当前粒子群优化：

a)全局最优适宜度小于10％；

b)全局最优适宜度在连续5次循环后无法提高0.0001％；

c)粒子群连续更新超过100次，

(3)重复过程(2)直到m个初始粒子群均到达迭代终点，然后将m个粒子群的整体最优解作为全局最优参数组，完成作物生长发育参数和生物物理过程参数本地化工作；

S7：将本地化后的作物生长发育参数和生物物理过程参数带入作物生长模型运行，获得各个格点产量，汇总获得冬小麦种植区域的总产量。

2.根据权利要求1所述的区域冬小麦估产方法，其特征在于，步骤S1中所述作物生长模型为MCWLA-Wheat。

3.根据权利要求1所述的区域冬小麦估产方法，其特征在于，步骤S1中所述气象数据包括每日最高气温、最低气温、太阳辐射、相对湿度、降水和风速，所述土壤属性数据包括基于土壤质地的渗透率和有效田间持水量。

4.根据权利要求1所述的区域冬小麦估产方法，其特征在于，在S3步骤中，根据LAI曲线识别返青期和抽穗期包括：对研究区域冬小麦返青期和和抽穗期的可能时期进行划定以避免将其他地物误识别为冬小麦，在划定的可能时期内进行识别，其中对返青期的识别满足如下条件：

(1)返青期拐点之前的遥感反演数据维持在较低值的水平，不存在异常的较高值；

(2)返青期拐点之后的遥感反演数据需要识别出连续上升趋势；

其中对抽穗期的识别满足如下条件：

(1)抽穗期拐点前至少有连续三期的遥感数据反映出上升趋势；

(2)抽穗期拐点后至少有连续三期的遥感数据呈现下降趋势。

5.根据权利要求1所述的区域冬小麦估产方法，其特征在于，步骤S5中，所述作物生长发育参数来自MCWLA-Wheat模型。