一种基于空间差异同化遥感数据与作物模型的区域农作物估产方法技术

本发明专利技术公开了一种基于空间差异同化遥感数据与作物模型的区域农作物估产方法，包括：S1：提取各网格LAI数据时序特征和作物关键物候期数据；S2：获得各网格的作物生长参数和生物物理过程参数；S3：进行逐日作物生长模拟；S4：分别构建模拟LAI矩阵及遥感LAI矩阵；S5：对上述两个LAI矩阵进行归一化处理以提取空间差异特征，然后对空间差异进行同化运算以获得分析LAI矩阵；S6：在各网格对作物模型中的LAI模拟参数进行分别修正，以使模拟LAI空间差异与目标空间差异相符，完成修正后继续运行作物模型至下一同化时间点；S7：重复步骤S4～S6直到设定的同化终点；S8：将作物模型运行至成熟期，输出产量结果。

A Regional Crop Yield Estimation Method Based on Spatial Difference Assimilation Remote Sensing Data and Crop Model

【技术实现步骤摘要】
一种基于空间差异同化遥感数据与作物模型的区域农作物估产方法
本专利技术涉及农业作物产量估算
，更具体涉及一种基于空间差异同化遥感数据与作物模型的区域农作物估产方法。
技术介绍
作物模型在进行区域尺度的作物产量估算时常常面临输入数据不足、精度不够等问题。地表特征、近地表环境以及作物管理措施往往存在明显的空间差异，而一些必要的模型输入数据，例如作物物候数据，气象数据，作物管理信息等均在站点尺度记录，这导致作物模型在应用到区域尺度时难以获取足够的数据以代表初始条件、作物参数、生长过程等关键因素的空间异质性。卫星遥感数据提供了大范围地表信息的连续监测数据，可以反映地表信息的空间连续性以及时序变化特征。这一优势有效地补充了作物模型在区域尺度上应用中的弱点，因此作物模型与遥感数据同化技术成为了当前改进作物模型区域模拟精度的重要途径，也发展出了多种数据同化方法及其同化流程。现有的作物模型与遥感数据同化技术在实际应用上仍面临很大的局限性。这些同化技术往往要求高精度的遥感反演数据，例如准确的地表叶面积指数(LAI)反演数据。然而，现有成熟的遥感反演产品，例如MODISLAI,实际中对LAI的反演存在明显误差，直接同化这些LAI产品会导致模拟产量严重偏离实际情况。常用的解决办法包括利用地表观测数据修正低分辨率遥感LAI数据产品，或使用地表观测数据协助高分辨遥感数据反演发展LAI数据产品。这两种解决办法存在一个共同的不足之处就是要求高空间密度及时间连续性的地表观测数据，人力成本及时间成本非常高，这导致此类解决办法难以在大的空间范围及长的时间尺度上进行推广。也即，现有的作物模型-遥感数据技术的主要缺点是要求大量的地表观测数据，数据收集的人力及时间成本高，而且点位数据在大面积范围的代表性存在较大的不确定性。使得现有作物模型-遥感数据同化技术难以在大的空间范围及长的时间尺度上进行推广应用。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。
技术实现思路
本专利技术的专利技术人在实践以及研究中发现，通过对遥感产品所包含的信息进行提炼，剔除误差较大的信息，保留关键的、可以相对准确地反映地表特征的信息，并使用这些信息与作物模型进行同化。该同化技术将有效避免遥感数据误差导致的模拟结果不切实际地偏离实际观测的问题。同时，该方法可以基于成熟的遥感反演产品，不要求使用地表观测数据对遥感数据进行二次修正或单独反演，可以克服数据收集成本带来的同化技术应用能力不足的问题，并且模拟结果与实际产量之间能够实现良好的吻合。根据本专利技术的一方面，提供一种基于空间差异同化遥感数据与作物模型的区域农作物估产方法，包括如下步骤：S1：获取遥感数据，基于遥感数据提取各网格LAI数据时序特征，按照作物生长期特征识别作物种植区并提取作物关键物候期数据，包括返青期、抽穗期和成熟期数据；S2：基于获得的物候期数据以及种植区的样点产量记录数据分别对作物模型的作物生长模块参数以及生物物理过程模块参数进行校准，获得各网格各异的作物生长参数以及各网格相同的生物物理过程参数；S3：基于校准的参数，运行作物模型进行逐日作物生长模拟；S4：在具备遥感观测的时间点(称为同化时间点)提取种植区内作物模型模拟的各网格LAI值及其对应的遥感反演LAI值，分别构建模拟LAI矩阵(也称为预报LAI矩阵)及遥感LAI矩阵(也称为观测LAI矩阵)。S5：对上述两个LAI矩阵进行归一化处理以提取空间差异特征，然后对空间差异进行同化运算以获得目标空间差异矩阵，也即分析LAI矩阵；S6：在各网格对作物模型中的LAI模拟参数进行分别修正，以使模拟LAI空间差异与目标空间差异相符，完成修正后继续运行作物模型至下一同化时间点；以及S7：重复步骤S4～S6直到设定的同化终点；S8：将作物模型运行至成熟期，输出产量结果。根据本专利技术的一个实施方案，步骤S1中，所述遥感数据选自网格分辨率不大于1km×1km的遥感产品。应该理解的是，本专利技术的原理也可适用于那些高网格分辨率的遥感产品。根据本专利技术的一个实施方案，所述遥感产品为GLASSLAI。根据本专利技术的一个实施方案，步骤S2中，所述作物模型为MCWLA作物模型，所述模型参数还包括叶面积生长模块参数。根据本专利技术的一个实施方案，步骤S5中，所述归一化处理包括将LAI矩阵除以其矩阵元素的最大值，使原矩阵归一化为取值范围为(0,1]的归一化矩阵，由下式(1)和(2)表示：其中，表示同化时间点k上的模拟LAI矩阵，Dk代表同一时间点k上对应的遥感LAI矩阵；和分别表示由和Dk转化而来的归一化模拟LAI矩阵和归一化遥感LAI矩阵；Sf和SD是用来对原矩阵进行归一化的归一化函数；所述同化运算为固定增益卡尔曼滤波算法，由下式(3)表示：其中是同化时间点k的归一化分析LAI矩阵，H是先验权重系数；通过归一化函数Sf的反函数进行反归一化转化以得到分析LAI矩阵由下式(4)表示：根据本专利技术的一个实施方案，步骤S6中，所述LAI模拟参数包括返青期最大叶面积指数LAImax,r1，抽穗期最大叶面积指数LAImax以及“生殖生长期叶面积衰老系数LAIdg。根据本专利技术的一个实施方案，步骤S6中，对LAI模拟参数修正的修正包括：将MCWLA模型中对LAI的模拟简化为下式(5):式中是LAI在同化时间点k网格i的LAI模拟值，M代表MCWLA模型中用来模拟LAI的方程组，代表在同化时间点k-1到同化时间点k期间模型采用的LAI生长参数(叶面积生长参数)，称为预报参数；代表同化时间点k-1网格i的分析LAI；在同化时间点k，当计算得到分析LAI，也即后，将基于进行反向优化，由下式(6)和(7)表示：其中，w是同化时间点k上的模型模拟LAI值与分析LAI值之间的误差绝对值；ΔP代表对的修正量，通过调整ΔP使得w最小化；如果模拟LAI值与分析LAI值的误差在0.05以下，则判断为达到优化目的，此时优化的调整量被标记为ΔPo；经过ΔPo修正之后得到同化时间点k网格i的分析参数将该分析参数应用于同化时间点k-1到同化时间点k期间对网格i的LAI模拟；此时，在同化后的模型中，式(5)转化为下式(8)：同时，也作为下一个同化时段内，也即时间点k到时间点k+1期间的预报参数以模拟时间点k+1时的LAI模拟值根据本专利技术的一个实施方案，步骤S8包括将网格尺度的模拟产量按照行政边界汇总，输出行政单元尺度的产量模拟结果。根据本专利技术的一个实施方案，所述作物为小麦。本专利技术避免了同化技术对于地表观测数据的需求，仅使用中低分辨率遥感数据与作物模型同化，即可在大面积、长时间开展较高精度的作物估产。这一新的作物模型-遥感数据同化技术不仅能够提高大面积作物估产的精度，而且极大地降低了应用成本。附图说明附图中相同的附图标记标示了相同或类似的部件或部分。本专利技术的目标及特征考虑到如下结合附图的描述将更加明显，附图中：图1是根据本专利技术一个实施方案的基于空间差异同化遥感数据与作物模型的区域农作物估产方法中的同化流程示意图。图2是根据本专利技术一个实施方案的实施本专利技术方法的研究区的示意图；图3为图2所示研究区中2001-2008年数据同化前后平均模拟产量与实际产量空间分布对比图。具体实施方式为清楚的说明本专利技术中的方案，下面给出优选的实施例并结合附图详细说本文档来自技高网...

【技术保护点】
1.一种基于空间差异同化遥感数据与作物模型的区域农作物估产方法，包括如下步骤：S1：获取遥感数据，基于遥感数据提取各网格LAI数据时序特征，按照作物生长期特征识别作物种植区并提取作物关键物候期数据，包括返青期、抽穗期、和成熟期数据；S2：基于获得的物候期数据以及种植区的样点产量记录数据分别对作物模型的作物生长模块参数以及生物物理过程模块参数进行校准，获得各网格各异的作物生长参数以及各网格相同的生物物理过程参数；S3：基于校准后的参数，运行作物模型进行逐日作物生长模拟；S4：在具备遥感观测的时间点提取种植区内作物模型模拟的各网格LAI值及其对应的遥感反演LAI值，分别构建模拟LAI矩阵及遥感LAI矩阵；S5：对上述两个LAI矩阵进行归一化处理以提取空间差异特征，然后对空间差异进行同化运算以获得目标空间差异矩阵，也即分析LAI矩阵；S6：在各网格对作物模型中的LAI模拟参数进行分别修正，以使模拟LAI空间差异与目标空间差异相符，完成修正后继续运行作物模型至下一同化时间点；以及S7：重复步骤S4～S6直到设定的同化终点；S8：将作物模型运行至成熟期，输出产量结果。

【技术特征摘要】
1.一种基于空间差异同化遥感数据与作物模型的区域农作物估产方法，包括如下步骤：S1：获取遥感数据，基于遥感数据提取各网格LAI数据时序特征，按照作物生长期特征识别作物种植区并提取作物关键物候期数据，包括返青期、抽穗期、和成熟期数据；S2：基于获得的物候期数据以及种植区的样点产量记录数据分别对作物模型的作物生长模块参数以及生物物理过程模块参数进行校准，获得各网格各异的作物生长参数以及各网格相同的生物物理过程参数；S3：基于校准后的参数，运行作物模型进行逐日作物生长模拟；S4：在具备遥感观测的时间点提取种植区内作物模型模拟的各网格LAI值及其对应的遥感反演LAI值，分别构建模拟LAI矩阵及遥感LAI矩阵；S5：对上述两个LAI矩阵进行归一化处理以提取空间差异特征，然后对空间差异进行同化运算以获得目标空间差异矩阵，也即分析LAI矩阵；S6：在各网格对作物模型中的LAI模拟参数进行分别修正，以使模拟LAI空间差异与目标空间差异相符，完成修正后继续运行作物模型至下一同化时间点；以及S7：重复步骤S4～S6直到设定的同化终点；S8：将作物模型运行至成熟期，输出产量结果。2.根据权利要求1所述的区域农作物估产方法，其特征在于，步骤S1中，所述遥感数据选自网格分辨率不大于1km×1km的遥感产品。3.根据权利要求2所述的区域农作物估产方法，其特征在于，所述遥感产品为GLASSLAI。4.根据权利要求1所述的区域农作物估产方法，其特征在于，步骤S2中，所述作物模型为MCWLA作物模型，所述模型参数还包括叶面积生长模块参数。5.根据权利要求1所述的区域农作物估产方法，其特征在于，步骤S5中，所述归一化处理包括将LAI矩阵除以其矩阵元素的最大值，使原矩阵归一化为取值范围为(0,1]的归一化矩阵，由下式(1)和(2)表示：其中，表示同化时间点k上的模拟LAI矩阵，Dk代表同一时间点k上对应的遥感LAI矩阵；和分别表示由和Dk转化而来的归一化模拟...

【专利技术属性】
技术研发人员：陶福禄，陈一，张朝，
申请(专利权)人：中国科学院地理科学与资源研究所，
类型：发明
国别省市：北京,11