一种基于集合卡尔曼滤波同化的区域作物估产方法技术

本发明专利技术提供一种基于集合卡尔曼滤波同化的区域作物估产方法，融合了遥感数据和作物模型的优势，把植被遥感中普遍使用的EVI作为观测变量，LAI作为同化变量，通过集合卡尔曼滤波算法进行了对模型LAI的最优化调整，并将PROSAIL模型作为观测算子，解决了观测变量和状态变量不一致的问题，实现了遥感信息和模型的同化，避免了用反射率反演LAI带来的误差。同化EVI后获得的作物产量，与未同化相比较，均方根误差RMSE减小而决定系数R2明显上升，同化后使作物模型产量估算的精度有显著提高，产量空间分布趋势与统计产量一致。

【技术实现步骤摘要】
【专利摘要】本专利技术提供，融合了遥感数据和作物模型的优势，把植被遥感中普遍使用的EVI作为观测变量，LAI作为同化变量，通过集合卡尔曼滤波算法进行了对模型LAI的最优化调整，并将PROSAIL模型作为观测算子，解决了观测变量和状态变量不一致的问题，实现了遥感信息和模型的同化，避免了用反射率反演LAI带来的误差。同化EVI后获得的作物产量，与未同化相比较，均方根误差RMSE减小而决定系数R2明显上升，同化后使作物模型产量估算的精度有显著提高，产量空间分布趋势与统计产量一致。【专利说明】
本专利技术属于农业遥感领域，具体涉及一种基于集合卡尔曼滤波同化的区域作物估产方法。
技术介绍
遥感技术是当今的前沿技术，能够帮助快速准确地收集农业资源和农业生产的信息，结合地理信息系统和全球定位系统等其他现代高新技术，可以实现信息收集和分析的定时、定量、定位，客观性强，不受人为干扰，方便决策。目前运用遥感技术开展农业监测工作，使农业决策科学化提高到了一个新的水平，同时也为农业生产提供了高质量的服务。现在业务上已经可以实现对我国冬小麦种植面积变化、长势状况、旱情、单产和总产进行常态化评价，在冬小麦单产评估方面，主要是利用长势和旱情遥感监测结果、农学模型和气象模型估测结果进行相关分析，以及地面样方实地调查结果综合评定后得出。与本专利技术最接近的技术有专利“基于模型的小麦产量遥感监测预报方法(CN102162850A)”和专利“一种大面积作物种植面积及其产量的遥感检测估算方法(CN100394212C)”。现有的遥感估产技术主要分为两类:指数相关法和同化法。指数相关法是根据遥感植被指数、气象要素等数据和产量做相关分析来进行估测，因此机制简单粗糙，难以机理性地反映产量的形成过程。同化法能够耦合遥感观测和作物模型，能够实现两者的优势互补，但目前的同化法所要同化的变量都是叶面积指数LAI，高精度的LAI数据难以获得，如果使用高分辨率的影像反演则需要丰富的技术积累和巨大的工作量，同时还会引入误差。
技术实现思路
为解决现有技术中同化法存在误差的问题，本专利技术提供，基于同化法进行估产，但同化变量选择了基于国产高分辨率HJ-1A/B卫星多光谱CXD数据的增强型植被指数EVI，通过把PR0SAIL冠层辐射传输模型作为观测算子带入集合卡尔曼滤波进行EVI的同化，避免了反演LAI带来的误差，提高了同化的精度。本专利技术提供，具体步骤如下:S1:对作物模型的参数进行标定，对遥感数据与地面参数进行空间匹配，使用地统计空间插值法实现大区域的参数确定，完成数据准备；S2:对工作区整个生育期内HJ-1A/B卫星的EVI数据按时间序列合成，对每个网格单元生成时间序列曲线；S3:逐网格单元运行作物模型，对遥感EVI添加高斯扰动，生成观测成员集合；S4:逐天运行作物模型，对模型的状态变量LAI添加高斯扰动生成模型成员集合；S5:当存在遥感观测时，将观测成员集合和模型成员集合输入到集合卡尔曼滤波中，计算同化后的LAI最优值；S6:用S5中计算得到的最优LAI值替换作物模型中当天的状态变量LAI，重复进行步骤S4至S6，直到在该像素模型运行结束，输出产量结果；S7:重复步骤S3至S6，最终在完成所有像素上的运行后，按行政边界汇总，输出平均产量，指导作物生产。 其中，SI所述作物模型为SWAP作物模型。其中，SI具体为:采用SWAP作物模型，采集工作区内的土壤参数、气象参数和作物参数，对遥感影像和采集的参数进行空间位置的匹配，对于不敏感的模型参数直接使用经验值，对于六种气象参数和两种积温参数使用反距离权重插值法对每个网格单元赋予参数值，完成参数区域化标定。其中，所述六种气象参数为最高气温、最低气温、总辐射量、水汽压、风速、降水。其中，所述两种积温参数为播种到出苗的积温TSUMEM和出苗到开花的积温TSUMl。其中，SI所述作物参数为SWAP模型中描述作物生长和发育特性的参数，如作物初始干物质量TDW1、叶片在35°C时的生命期SPAN等。其中，S2所述EVI数据是由环境系列中的A、B两颗卫星的传感器载荷(HJ-1A/B(XD)所采集数据经过FLAASH大气校正后计算得到的，大气校正过程中输入FLAASH的标准输入参数以及卫星的观测天顶角和方位角，EVI计算如公式(I):【权利要求】1.，其特征在于，具体步骤如下: S1:对作物模型的参数进行标定，对遥感数据与地面参数进行空间匹配，使用地统计空间插值法实现大区域的参数确定，完成数据准备； S2:对工作区整个生育期内HJ-1A/B卫星的EVI数据按时间序列合成，对每个网格单元生成时间序列曲线； S3:逐网格单元运行作物模型，对遥感EVI添加高斯扰动，生成观测成员集合； S4:逐天运行作物模型，对模型的状态变量LAI添加高斯扰动生成模型成员集合； S5:当存在遥感观测时，将观测成员集合和模型成员集合输入到集合卡尔曼滤波中，计算同化后的LAI最优值； S6:用S5中计算得到的最优LAI值替换作物模型中当天的状态变量LAI，重复进行步骤S4至S6，直到在该像素模型运行结束，输出产量结果； S7:重复步骤S3至S6，最终在完成所有像素上的运行后，按行政边界汇总，输出平均产量，指导作物生产。2.权利要求1所述基于集合卡尔曼滤波同化的区域作物估产方法，其特征在于，SI所述作物模型为SWAP作物模型。3.权利要求2所述基于集合卡尔曼滤波同化的区域作物估产方法，其特征在于，SI具体为:采用SWAP作物模型，采集工作区内的土壤参数、气象参数和作物参数，对遥感影像和采集的参数进行空间位置的匹配，对于不敏感的模型参数直接使用经验值，对于六种气象参数和两种积温参数使用反距离权重插值法对每个网格单元赋予参数值，完成参数区域化标定。4.权利要求1所述基于集合卡尔曼滤波同化的区域作物估产方法，其特征在于，S2所述EVI数据是由环境系列中的A、B两颗卫星的传感器载荷(HJ-1A/B (XD)所采集数据经过FLAASH大气校正后计算得到的，大气校正过程中输入FLAASH的标准输入参数以及卫星的观测天顶角和方位角，EVI计算如公式(1):5.权利要求1所述基于集合卡尔曼滤波同化的区域作物估产方法，其特征在于，S3、S4所述添加高斯扰动，计算如公式(2):S=s+aε(2) 其中S表示增加高斯扰动后的观测或模型成员组成的向量；s表示初始观测值或模型状态变量；a为常数；ε则表示与S同维的随机数向量，其成员符合标准正态分布，即￡i~N(O, 1)。6.权利要求1所述基于集合卡尔曼滤波同化的区域作物估产方法，其特征在于，S5所述将观测成员集合和模型成员集合输入到集合卡尔曼滤波中所采用的同化方法集合卡尔曼滤波以公式(3) (4) (5)进行计算: Bt=HAt+vt(3)Aft=MAaH+Wt(4) Aat=Aft+Kt (B-HAft)(5) At表示t时刻下作物模型中的LAI状态变量集合;Aft表示LAI的预报集合；Bt为t时刻的一个观测数据集合；该时刻状态的最优估计集合为Aat，Aat的均值即为该时刻状态的最优估计值为观测算子；M是状态变换方程，即SWAP模型；vt是测量噪声；wt是过程误差；Kt是卡尔曼增益，表示观测数据的权重。7.本文档来自技高网...

【技术保护点】
一种基于集合卡尔曼滤波同化的区域作物估产方法，其特征在于，具体步骤如下：S1：对作物模型的参数进行标定，对遥感数据与地面参数进行空间匹配，使用地统计空间插值法实现大区域的参数确定，完成数据准备；S2：对工作区整个生育期内HJ‑1A/B卫星的EVI数据按时间序列合成，对每个网格单元生成时间序列曲线；S3：逐网格单元运行作物模型，对遥感EVI添加高斯扰动，生成观测成员集合；S4：逐天运行作物模型，对模型的状态变量LAI添加高斯扰动生成模型成员集合；S5：当存在遥感观测时，将观测成员集合和模型成员集合输入到集合卡尔曼滤波中，计算同化后的LAI最优值；S6：用S5中计算得到的最优LAI值替换作物模型中当天的状态变量LAI，重复进行步骤S4至S6，直到在该像素模型运行结束，输出产量结果；S7：重复步骤S3至S6，最终在完成所有像素上的运行后，按行政边界汇总，输出平均产量，指导作物生产。

【技术特征摘要】

【专利技术属性】
技术研发人员：黄健熙，陈英义，马鸿元，刘峻明，苏伟，张晓东，朱德海，张超，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：北京;11