论文部分内容阅读
遥感技术具有空间上连续和时间上动态的特点,应用于大范围的农情监测有较大的优势,但是难以反映作物生长发育的内在的生理生化过程,只能从作物的外在表现来反映作物的生长状态。作物生长模型在单品种作物小尺度情况下能成功模拟作物的内在的生长发育过程,但是由于区域尺度上作物关键参数的获取问题难以解决,限制了作物生长模型在区域尺度上作物长势监测产量估测方面的应用。能够将遥感信息与作物模型有效耦合,相互弥补不足的数据同化技术成为区域产量预测的有效途径。本文以河北省南部衡水地区的20072008年的冬小麦为研究对象,选择WOFOST作物生长模型,MODIS叶面积指数(MODIS-LAI)为遥感观测,集合卡尔曼滤波算法(Ensemble Kaman Filter:EnKF)为同化算法开展同化遥感信息与作物模型进行冬小麦产量估测的研究。针对由于像元异质性造成MODIS产品(MOD15A2)数值偏低的问题,本文采取先通过Savitzky-Golay(SG)滤波剔除异常信息再采用田间实地测量的LAI样本数据修正MODIS-LAI的方法。结果表明,该方法能够有效剔除MODIS-LAI的数据异常问题。而后本文以LAI作为遥感信息与作物生长模型的连接点,采用EnKF算法同化MODIS-LAI与WOFOST (World Food Study)模拟的LAI以获得时间上连续的最优估计LAI值,并以此值输入WOFOST模型并估算区域冬小麦产量,并以2008年官方统计的各县市冬小麦单产进行验证。文中分析了不同集合大小,不同同化步长,不同的作物模型运行模式对结果的影响。结果表明,同化修正后的MODIS-LAI不仅能反映产量的空间分布,在数值上(相对于WOFOST直接模拟的结果相比)与统计产量更为接近。研究表明,同化遥感信息与作物模型预测作物产量是有效的,在区域尺度应用上具有较大的应用潜力,可为大范围的粮食估产提供参考。