基于遥感信息与作物模型集合卡尔曼滤波同化的区域冬小麦产量预测

被引：52

作者：

黄健熙 ^{[1
]}

武思杰 ^{[2
]}

刘兴权 ^{[2
]}

马冠南 ^{[1
]}

马鸿元 ^{[1
]}

吴文斌 ^{[3
]}

邹金秋 ^{[3
]}

机构：

[1] 中国农业大学信息与电气工程学院

[2] 中南大学地球科学与信息物理学院

[3] 中国农业科学院农业资源与农业区划研究所

来源：

农业工程学报 | 2012年 / 28卷 / 04期

关键词：

遥感; 模型; 估算; 数据转换; 集合卡尔曼; 数据同化;

D O I：

暂无

中图分类号：

S512.1 [小麦]; S126 [电子技术、计算机技术在农业上的应用]; TP79 [遥感技术的应用];

学科分类号：

0901 ; 082804 ; 081102 ; 0816 ; 081602 ; 083002 ; 1404 ;

摘要：

区域作物产量预测是国家粮食安全评估的重要内容。遥感虽能获取大面积地表信息,却难以反映作物生长发育的内在过程。作物生长模型已经在单点尺度能成功模拟作物的生长发育过程,但是区域尺度作物关键参数的获取仍很困难。遥感信息与作物模型结合的数据同化已经成为区域产量预测的最有效途径。该文选择河北省衡水地区冬小麦为研究对象,在WOFOST模型标定与区域化的基础上,利用WOFOST模型描述冬小麦生育期内叶面积指数(LAI)变化规律。针对MODIS数据的混合像元造成反演的LAI产品偏低的系统误差,利用实测LAI样本点融合MODIS-LAI趋势信息修正MODIS-LAI数据产品。采用集合卡尔曼(EnKF)算法同化冬小麦返青到抽穗期的MODIS-LAI与WOFOST模拟的LAI以获得时间序列最优的LAI,并以此重新驱动WOFOST模型估算区域冬小麦产量。结果表明,EnKF同化后的冬小麦产量比未同化的产量预测精度有显著提高,与县平均统计产量相比,在潜在模式下,决定系数由0.13提高到0.38,均方根误差由2480下降到880kg/hm2。研究表明,遥感信息与作物模型的EnKF同化是1种有效的作物产量预测方法,并在区域尺度应用上具有广阔的应用潜力。该研究可为区域尺度的作物估产提供参考。

引用

页码：142 / 148

页数：7

共 12 条

[1]

基于作物模型同化遥感物候信息的冬小麦估产方法研究.[D].姜浩.电子科技大学.2011, 12

[2]

基于定量遥感产品和作物生长模型同化的农作物长势监测与估产方法研究.[D].闫岩.中国科学院研究生院（遥感应用研究所）.2006, 12

[3]

An Ensemble Kalman Filter for severe dust storm data assimilation over China.[J].Lin C.;Wang Z.;Zhu J..Atmospheric Chemistry and Physics.2008, 129

[4]

Soil moisture updating by Ensemble Kalman Filtering in real-time flood forecasting.[J]..Journal of Hydrology.2008, 3

[5] Corn-yield estimation through assimilation of remotely sensed data into the CSM-CERES-Maize model [J].

Fang, Hongliang ;

Liang, Shunlin ;

Hoogenboom, Gerrit ;

Teasdale, John ;

Cavigelli, Michel .

INTERNATIONAL JOURNAL OF REMOTE SENSING, 2008, 29 (10) :3011-3032

[6]

Crop model data assimilation with the Ensemble Kalman filter for improving regional crop yield forecasts.[J].A.J.W. de Wit;C.A. van Diepen.Agricultural and Forest Meteorology.2007, 1

[7] Crop condition and yield simulations using Landsat and MODIS [J].