遥感与作物模型融合的区域尺度作物出苗日期估算方法技术

本发明专利技术属于农业遥感领域，涉及一种遥感与作物模型融合的区域尺度作物出苗日期估算方法，具体步骤为：处理中等分辨率遥感数据形成时间序列三个波段的反射率数据并评估不确定性；标定WOFOST模型并与冠层辐射传输模型PROSAIL耦合；采用MCMC方法评估WOFOST‑PROSAIL模型的不确定性；构建泰森多边形作为遥感与作物模型的数据同化单元；构建四维变分的代价函数并优化出苗日期参数；逐个作物格网运行并进行空间制图。本发明专利技术的方法融合了遥感数据和作物模型的各自优势，考虑作物模型模拟和遥感的反射率的不确定性构建四维变分的代价函数，有效降低了误差，提高区域作物出苗日期估算精度，实现了区域空间制图。

Estimation method of crop emergence date at regional scale based on remote sensing and crop models

The invention belongs to the field of agricultural remote sensing and relates to a method for estimating the date of crop emergence at regional scale, which integrates remote sensing with crop model. The specific steps are: processing medium-resolution remote sensing data to form three-band reflectance data of time series and evaluating uncertainty; calibrating the WOFOST model and combining it with the canopy radiation transfer model PROSA. IL coupling; using MCMC method to evaluate the uncertainty of WOFOST PROSAIL model; constructing Tyson polygon as data assimilation unit of remote sensing and crop model; constructing four-dimensional variational cost function and optimizing emergence date parameters; running crop grids one by one and mapping space. The method combines the respective advantages of remote sensing data and crop model, and considers the uncertainty of crop model simulation and remote sensing reflectance to construct a four-dimensional variational cost function, effectively reducing the error, improving the estimation accuracy of regional crop emergence date, and realizing regional spatial mapping.

【技术实现步骤摘要】
遥感与作物模型融合的区域尺度作物出苗日期估算方法
本专利技术属于农业遥感领域，具体涉及一种遥感与作物模型融合的区域尺度作物出苗日期估算方法。
技术介绍
农作物出苗日期是重要的农学参数，由于受到光温水等条件影响，出苗日期具有较强的空间变异性。遥感的技术手段通常不能直接反演出出苗日期。考虑作物模型模拟和遥感的反射率的不确定性构建四维变分的代价函数，有效降低了误差，提高区域作物出苗日期估算精度。
技术实现思路
为解决现有技术中存在的如下问题：“遥感的技术手段通常不能直接反演出出苗日期”，本专利技术提供一种遥感与作物模型融合的区域尺度作物出苗日期估算方法。本专利技术提供一种遥感与作物模型融合的区域尺度作物出苗日期估算方法，具体步骤如下：S1、获得研究区域的作物生育期内的中等分辨率遥感数据和实测光谱数据，对中等分辨率遥感数据进行预处理形成时间序列RED、NIR、SWIR三个波段的反射率数据，并基于实测光谱评估遥感反射率的不确定性；S2、收集研究区的气象、作物、土壤和作物管理参数，并将其作为输入参数，标定研究区作物的WOFOST模型(WorldFoodStudies，作物生长模型)，耦合WOFOST模型与冠层辐射传输模型PROSAIL，动态模拟输出作物冠层RED、NIR、SWIR三个波段的反射率；S3、采用MCMC方法评估WOFOST-PROSAIL模型的不确定性；S4、以农气站点为结点，构建泰森多边形，以每个泰森多边形作为遥感与作物模型的数据同化单元；S5、在每个泰森多边形内的作物格网单元，引入模型和遥感的不确定性，构建考虑不确定性的基于遥感反射率和WOFOST-PROSAIL模拟的反射率构建四维变分的代价函数，出苗日期的初始值和值域范围根据农气站点观测数据给定，采用SCU_UA全局优化算法最小化四维变分代价函数，优化出苗日期和TSUM1参数；S6、逐个作物格网，运行S5的步骤，采用优化后的参数集重新驱动WOFOST模型，模拟输出区域的作物出苗日期，进行空间制图指导作物生产。步骤S1中所述中等分辨率遥感数据，优选为GF-1WFV、Landsat8OLI和Sentinel-2A/2B的数据(GF-1WFV、Landsat8OLI和Sentinel-2A/2B均为卫星名)。步骤S1中所述RED、NIR、SWIR三个波段即红光波段、近红外波段、短波红外波段。步骤S1中所述预处理为几何纠正、辐射定标和大气纠正等。步骤S1中所述基于实测光谱评估遥感反射率的不确定性，不确定性的数值用均方根误差RMSE(RMSE表示两组数据间的偏离程度，即遥感观测值相对于地面实测光谱值的误差)计算：式中，n表示观测次数；XRS,i表示遥感观测值；Xobs,i表示实测光谱值。其中，步骤S3所述采用MCMC方法评估WOFOST-PROSAIL模型的不确定性，原理如下：贝叶斯理论能够结合模型参数的先验知识和模型输出对应的观测值，实现对模型参数的后验估计。马尔科夫链蒙特卡洛方法(MCMC)即在贝叶斯理论框架下，构造以参数后验分布为平稳分布的马尔科夫链，从而利用蒙特卡洛方法从平稳分布中进行采样，实现对参数数字特征的估计。用公式表达即：式中，θ和y分别代表WOFOST-PROSAIL模型的参数和模拟的光谱值；x代表模型的驱动数据，如气象数据、降水等；p(θ/x,y)为参数的后验概率密度函数；f(y/θ,x)为似然函数，似然函数描述了地面实测光谱的分布形式，这里认为其服从于高斯分布，高斯分布的均值和方差由地面实测光谱数据计算得到；g(θ)为参数的先验分布，即先用试错法手动调整参数使模型模拟结果大致符合实测值，然后基于文献、专家知识等，为参数指定分布形式(均匀分布或者高斯分布)和取值区间，从而确定参数的先验分布。引入MCMC方法的目的就是通过结合实测光谱数据减少初始参数的不确定性，即得到模型参数的后验分布。研究中，模型参数的不确定性用MCMC方法计算得到的参数后验样本的标准差SD(SD表示同一组数据相对于均值的偏离程度，即一组模型参数与这组参数的均值间的偏差，也就是该组参数的标准差。)计算：式中，N表示参数θ后验样本个数；θi表示第i个后验参数；表示参数θ后验样本均值。其中，步骤S5中所述四维变分代价函数按公式(4)进行计算：其中，k表示代价函数中优化模型参数的个数，xk代表优化的WOFOST参数在区间范围的数据，xk0代表优化的WOFOST参数个数的经验值，B表示模型误差，由S3中MCMC方法得到，T表示矩阵转置，T代表时间序列遥感观测数据的次数，Yt表示遥感观测的RED、NIR、SWIR反射率数据，Ht(X)表示WOFOST-PROSAIL模型模拟的RED、NIR、SWIR反射率数据，Q代表不同波段遥感反射率的误差，由S1中计算的RMSE得到。其中，步骤S5中所述采用SCU_UA全局优化算法最小化四维变分代价函数，优化出苗日期和TSUM1参数，当满足一下三个收敛条件其中之一，即可结束同化，获得优化参数的数值：①连续5次循环后待优化参数值已收缩到指定的值域范围；②目标函数值在5次循环后无法提高0.0001％；③计算代价函数的次数超过10000次。其中，所述作物优选为冬小麦。本专利技术还提供所述遥感与作物模型融合的区域尺度作物出苗日期估算方法在指导农作物生产中的应用。本专利技术与现有技术相比，有益效果为：1)本专利技术的方法采用MCMC评估WOFOST-PROSAIL模型的不确定性，并用于4DVAR代价函数中估算出苗日期。2)本专利技术的方法以农业气象站点为结点，构建泰森多边形，以每个泰森多边形作为遥感与作物模型的数据同化单元，有效确定出苗日期的初始值和最大最小值范围。附图说明图1为本专利技术实施例1对冬小麦实施遥感与作物模型融合的区域尺度作物出苗日期估算方法的流程示意图；图2为实施例1中参数后验概率计算图；图3为实施例1中叶面积指数和产量的不确定性评估图；图4为实施例1中得到的出苗日期估计空间制图。具体实施方式下面结合实施例，对本范明的具体实施方式做进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。实施例1以本专利技术遥感与作物模型融合的区域尺度作物出苗日期估算方法针对冬小麦进行出苗日期估算流程示意图参见附图1。S1、获得研究区域的作物生育期内的中等分辨率遥感数据和实测光谱数据，对中等分辨率遥感数据进行预处理形成时间序列RED、NIR、SWIR三个波段的反射率数据，并基于实测光谱评估遥感反射率的不确定性。选择河北省衡水市作为研究区域，该区域地处东经115°10′-116°34′)，北纬37°03′-38°23′。研究区总面积8815km2，地形以平原为主，耕地占总面积60％以上，属温带半湿润季风气候，年日照时数2400-3100h，年平均降水量300-800mm。选取2016-2017年冬小麦关键生育期2016年10月到2017年6月的中等分辨率遥感数据，所用中等分辨率遥感数据为GF-1WFV、Landsat8OLI和Sentinel-2A/2B。进行的预处理有几何纠正、辐射定标和大气纠正。不确定性的数值用均方根误差RMSE计算：式中，n表示观测次数；XRS,i表示遥感观测值；Xobs,i表示实测光谱值。式中，n表示观测次数；XRS,i表示遥感观测值；Xobs,本文档来自技高网...

【技术保护点】
1.一种遥感与作物模型融合的区域尺度作物出苗日期估算方法，其特征在于，具体步骤如下：S1、获得研究区域的作物生育期内的中等分辨率遥感数据和实测光谱数据，对中等分辨率遥感数据进行预处理形成时间序列RED、NIR、SWIR三个波段的反射率数据，并基于实测光谱评估遥感反射率的不确定性；S2、收集研究区的气象、作物、土壤和作物管理参数，并将其作为输入参数，标定研究区作物的WOFOST模型，耦合WOFOST模型与冠层辐射传输模型PROSAIL，动态模拟输出作物冠层RED、NIR、SWIR三个波段的反射率；S3、采用MCMC方法评估WOFOST‑PROSAIL模型的不确定性；S4、以农气站点为结点，构建泰森多边形，以每个泰森多边形作为遥感与作物模型的数据同化单元；S5、在每个泰森多边形内的作物格网单元，引入模型和遥感的不确定性，构建考虑不确定性的基于遥感反射率和WOFOST‑PROSAIL模拟的反射率构建四维变分的代价函数，出苗日期的初始值和值域范围根据农气站点观测数据给定，采用SCU_UA全局优化算法最小化四维变分代价函数，优化出苗日期和TSUM1参数；S6、逐个作物格网运行S5的步骤，采用优化后的参数集重新驱动WOFOST模型，模拟输出区域的作物出苗日期，进行空间制图指导作物生产。...

【技术特征摘要】
1.一种遥感与作物模型融合的区域尺度作物出苗日期估算方法，其特征在于，具体步骤如下：S1、获得研究区域的作物生育期内的中等分辨率遥感数据和实测光谱数据，对中等分辨率遥感数据进行预处理形成时间序列RED、NIR、SWIR三个波段的反射率数据，并基于实测光谱评估遥感反射率的不确定性；S2、收集研究区的气象、作物、土壤和作物管理参数，并将其作为输入参数，标定研究区作物的WOFOST模型，耦合WOFOST模型与冠层辐射传输模型PROSAIL，动态模拟输出作物冠层RED、NIR、SWIR三个波段的反射率；S3、采用MCMC方法评估WOFOST-PROSAIL模型的不确定性；S4、以农气站点为结点，构建泰森多边形，以每个泰森多边形作为遥感与作物模型的数据同化单元；S5、在每个泰森多边形内的作物格网单元，引入模型和遥感的不确定性，构建考虑不确定性的基于遥感反射率和WOFOST-PROSAIL模拟的反射率构建四维变分的代价函数，出苗日期的初始值和值域范围根据农气站点观测数据给定，采用SCU_UA全局优化算法最小化四维变分代价函数，优化出苗日期和TSUM1参数；S6、逐个作物格网运行S5的步骤，采用优化后的参数集重新驱动WOFOST模型，模拟输出区域的作物出苗日期，进行空间制图指导作物生产。2.如权利要求1所述的方法，其特征在于，步骤S1中所述中等分辨率遥感数据，为GF-1WFV、Landsat8OLI和Sentinel-2A/2B的数据。3.如权利要求1所述的方法，其特征在于，步骤S1中所述预处理为几何纠正、辐射定标和大气纠正。4.如权利要求1所述的方法，其特征在于，步骤S1中所述基于实测光谱评估遥感反射率的不确定性，不确定性的数值用均方根误差RMSE计算：式中，n表示观测次数；XRS,i表示...

【专利技术属性】
技术研发人员：黄健熙，卓文，黄海，朱德海，张晓东，苏伟，刘哲，李俐，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：北京,11