[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

说明书

本发明公开了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：获取运行作物生长模型所需要的数据；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；识别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；将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；使用二分法逐格点逐年优化作物生长发育参数；使用粒子群算法优化生物物理过程参数，以完成参数本地化；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。

技术领域

本发明涉及农业遥感技术领域，更具体涉及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。

背景技术

作物生长模型以光、温、水、土壤等条件为环境驱动变量，运用数学物理方法和计算机技术，对作物生育期内光合、呼吸、蒸腾等重要生理生态过程及其与气象、土壤等环境条件以及耕作、灌溉、施肥等技术条件的关系进行定量描述和预测，再现农作物生长发育及产量形成过程。由于作物生长模型机理性较强，包含参数较多，因此参数的可靠性是影响模型应用的关键问题。大多数模型是在田间尺度上建立和检验的，将其扩展到区域尺度乃至全球尺度存在着困难，不同的区域气候、土壤、作物和水文要素等不同，模型预测的准确性也不同，因此如何高效地实现作物生长模型参数本地化，获得可靠稳定的参数仍是当前研究的热点问题。

目前，利用数据同化技术把遥感反演参数融合到作物机理过程模型，是改进区域作物生长模拟精度和提高作物估产精度的重要途径。在遥感数据选择方面，随着研究范围的扩大，以 MODIS为代表的中分辨率遥感数据应用更为广泛。然而，MODIS 叶面积指数(LAI)在冬小麦区域存在的严重低估现象使得同化标准MODIS LAI后产量模拟严重偏低。同时，作物生长模型仅依靠自身模拟能力或同化关键状态变量对实际物候进行估算时，会不可避免地出现物候偏差，最终直接影响产量模拟结果。因此，如何充分挖掘现有成熟遥感产品(例如中分辨率的MODIS LAI及其衍生产品)显著提升作物生长模型的区域估产能力，满足区域农业估产的业务化需求仍是当前亟需解决的问题。

另外，由于作物生长模型的设计最初是基于田间站点尺度的，模型的参数本地化需要大量精细的田间作物生长参数和田间管理措施数据，因此当将模型推广到区域尺度时存在资料获取困难的问题。现有一些研究将田间、站点尺度的模型参数进行空间插值，由此实现参数区域化。但是插值参数受插值方法，插值区域气候、土壤、作物和水文等的影响存在很大的不确定性，常常导致区域产量模拟精度不高。

为了解决基于田间站点的作物生长模型本地化参数难以适用于区域尺度的问题，遥感数据同化作物生长模型技术被广泛应用到区域作物估产中。现有的很多遥感数据同化方案中，为了尽可能避免因遥感数据误差所带来的同化精度影响，对作物生长参数进行高密度的实地采样观测从而确保高分辨率遥感数据向状态变量(例如LAI)的反演精度，辐射模型的校验精度或实现对现有遥感产品的二次修正。然而，当研究范围进一步扩大时，大范围内高密度、高频率的地表观测需求将在时间、人力、金钱成本方面都面临巨大的压力，区域农业估产难以实现业务化应用。

因此，需要新的技术以至少部分解决现有技术中存在的局限。

发明内容

为了解决上述技术问题，本发明提供了一种基于遥感物候信息，有效实现作物生长模型参数本地化的区域作物估产方法。

根据本发明的一方面，提供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，所述作物生长模型为MCWLA-Wheat，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；