应用粒子群算法的遥感信息与水稻生长模型同化技术

在研究遥感信息和水稻生长模型的同化过程中,最小化遥感反演与生长模型(RiceGrow)输出的水稻生长信息差值绝对值时引入了一种新的优化算法-粒子群算法(PSO),并对比了其与模拟退火算法(SA)的优缺点;探讨了叶面积指数(LAI)和叶片氮积累量(LNA)分别作为同化参数时的同化效果。结果表明,PSO无论是从同化效率还是反演精度上都要好于SA,粒子群优化算法是一种可靠的遥感与模型同化算法;LAI和LNA作为外部同化参数时各有优势,LAI作为同化参数可获得较准确的播期及播种量,而LNA作为同化参数可获得更为准确的施氮量信息。但是LAI作为外部同化参数时的反演结果总体要优于利用LNA作为同化参数时的反演结果。利用试验资料对该技术进行了测试和检验,结果显示反演的模型初始参数的平均值与真实值的相对误差(RE)均小于2.5%,均方根误差(RMSE)为0.7—2.2,产量模拟值与实测值之间的相对误差为5%左右,模拟与实测相关指标值吻合度较高,该同化技术具有较好的适用性。从而为生长模型从单点扩展到区域尺度应用奠定了基础。