基于遥感与模型耦合的冬小麦生长预测

遥感的空间性、实时性与作物生长模型的过程性、机理性优势互补,将两者有效耦合已成为提高作物生长监测预测能力的重要手段之一。提出了一种基于地空遥感信息与生长模型耦合的冬小麦预测方法,该方法基于初始化/参数化策略,以不同生育时期的小麦叶面积指数(LAI)和叶片氮积累量(LNA)为信息融合点将地面光谱数据(ASD)及HJ-1 A/B CCD、Landsat-5 TM数据与冬小麦生长模型(WheatGrow)耦合,反演得到区域尺度生长模型运行时难以准确获取的部分管理措施参数(播种期、播种量和施氮量),在此基础上实现了对冬小麦生长的有效预测。实例分析结果表明,LNA较LAI对模型更敏感,以之作为耦合点的反演效果较好。另外,抽穗期是遥感信息与生长模型耦合的最佳时机,对播种期、播种量和施氮量反演的RMSE值分别达到5.32 d、14.81 kg/hm²、14.11 kg/hm²。生长模型与遥感耦合后的模拟结果很好地描述了冬小麦长势和生产力指标的时空分布状况,长势指标的模拟相对误差小于0.25,籽粒产量模拟的相对误差小于0.1。因此研究结果可为区域尺度冬小麦生长的监测预测提供重要理论依据。     

利用亚像元尺度信息改进区域冬小麦生长的模拟

为了探寻遥感观测面尺度与作物模型模拟点尺度不匹配问题的解决方案并改善区域作物生长模拟精度,以河南省鹤壁市为研究区,以冬小麦为研究对象,基于MODIS、Landsat 8遥感数据和Wheat SM作物生长模型,通过MODIS LAI过程线重建、亚像元尺度信息提取、集合卡尔曼滤波同化等方法,进行了冬小麦生长模拟的研究。结果表明:通过MODIS LAI过程线重建并提取亚像元尺度信息,冬小麦纯度在80%以上的遥感反演LAI与冬小麦两个关键生育期实测冠层LAI的均方根误差(RMSE)为0.69,以最近邻域法赋值到整个模拟区域,研究区2013—2017年模拟总产和实际总产相比的RMSE在未同化遥感反演的LAI信息时为6.73×108kg,同化未利用亚像元尺度信息调整的遥感估算LAI时,RMSE上升到8.24×108kg,同化利用亚像元尺度信息分区赋值的遥感LAI时,RMSE下降到3.48×108kg。利用亚像元尺度信息生成与作物模型时空尺度匹配的格点化LAI遥感产品,可提高作物生长模型区域化应用的精度。     

基于数据同化的哈佛森林地区水、碳通量模拟

模型模拟和站点观测是陆地生态系统水、碳循环研究最主要的两种手段,但各有优势和不足,若二者相互结合,则能更准确地反映生态系统水、碳通量的动态变化.数据同化为模型与观测结合提供了一条有效的途径.本文采用哈佛森林环境监测站相关数据,利用集合卡曼滤波同化算法,将实测叶面积指数(LAI)和遥感LAI同化进入Biome BGC模型中,对该地区水、碳通量进行模拟.结果表明：与未同化模拟相比,将1998、1999和2006年实测LAI数据同化后,模型模拟碳通量(NEE)与通量观测NEE的决定系数(R²)平均提升8.4%;蒸散发(ET)的R²平均提升10.6%;NEE的绝对误差和(SAE)和均方根误差(RMSE)平均下降17.7%和21.2%,ET的SAE和RMSE平均下降26.8%和28.3%.将2000-2004年MODIS LAI 产品与模型同化后,NEE、ET模拟值与观测值间的R²分别提升7.8%和4.7%;NEE的SAE和 RMSE分别下降21.9%和26.3%,ET的SAE和 RMSE分别下降24.5%和25.5%.无论实测LAI还是遥感观测LAI,同化进入模型都能不同程度地提高水碳通量的模拟精度.     

基于PROSAIL混合反演模型的MODIS LAI产品改进及评估

叶面积指数（Leaf Area Index,LAI）是定量陆地生态系统中光合作用、呼吸作用、蒸腾、碳和养分循环等过程中物质与能量交换的重要结构参数。目前大、中尺度的气候和生态水文建模使用的LAI产品主要来源于中分辨率成像光谱仪（MODIS）,但由于其反演过程中的不确定性因素导致MODIS LAI产品在部分地区存在质量问题。以青海省复杂植被地区为研究区域,基于实地考察与采样验证了区域内MODIS LAI所存在的质量问题分布,并揭示了不确定因素的影响。与此同时,提出了一种基于PROSAIL模型与深度神经网络（DNN）的混合建模技术,针对MODIS LAI生成机制中地表分类数据、地表反射率数据和反演算法的不确定性进行改进,并基于青海省大范围实测LAI数据评估了改进前后产品的准确度,实测数据的验证结果发现：改进模型的LAI准确度（RMSE=0.48,R²=0.64）显著高于MODIS LAI （RMSE=0.71,R²=0.56）,预测结果与实测结果之间的偏差显著减少;区域尺度上,柴达木荒漠植被低覆盖典型区域、三江源高寒草甸中覆盖典型区域与青海湖牧场草地高覆盖典型区域的RMSE分别提高了0.19、0.10、0.54,改进方法有效解决了MODIS LAI产品中高覆盖植被饱和效应导致的高估以及低覆盖植被未检索导致低估的质量问题,改进结果分布连续,更符合真实植被状况。基于以上研究,充分证明了研究方法对MODIS LAI产品的改进具有可靠性,能够在缺少实测样本数据的情况下有效提高MODIS LAI的质量,为全球植被环境监测与生态建模提供重要的数据支持。     

不同空间尺度下的ALMANAC模型验证

ALMANAC模型最早作为EPIC模型的一部分,用于模拟土壤侵蚀导致的土地生产力的下降．它将试验数据的统计过程和作物生长的机理过程结合起来,是一种典型的基于过程模拟的应用型作物生长模型．如能在不同的空间尺度上验证模型的适用性,无疑会大大扩展模型的应用范围．从这一目的出发,利用美国得克萨斯州19个试验田和9个县的玉米和高粱产量资料及其相关的作物、土壤、田问管理等数据,模拟了1998年田间尺度,1989～1998年县级尺度的平均作物产量．模拟结果表明,ALMANAC模型能够很好地模拟两种不同空间尺度的作物产量,其相对误差在田问尺度上分别为8．9％(高粱)和9．4％(玉米),在县级尺度上分别达到2．6％(玉米)和—0．6％(高粱)．该模型在进行产量预测、掌握作物生长动态,指导农业生产管理和土地利用等方面具有很好的应用前景．     

作物模型区域应用两种参数校准方法的比较

区域模拟的目的是利用有限的空间数据模拟出产量等作物性状的时空变异规律.然而站点作物模型应用到区域范围时涉及到数据归一化、参数简化、模型的校准和验证等问题.利用CERES-Rice模型对作物模型在我国的区域应用进行了尝试并对部分参数进行了校准.首先利用田间观测数据在各实验点上对模型进行了详细的站点校准,以验证模型在我国的模拟能力;其次,以我国水稻种植区(精确到亚区)为单位,运用平均值和标准差(RMSE)两种方法进行了区域校准和验证,即找出能反映出品种空间差异的代表性品种参数集;然后分别运用两种方法的校准结果,模拟水稻产量和成熟期,并将模拟结果与实测值进行了比较.结果表明:区域校准能反映出水稻生育期和产量的时空变化规律,其中RMSE法较平均值法效果好.目前作物模型区域应用过程中还存在大量的误差来源,有待进一步研究.     

基于多源遥感数据的大豆叶面积指数估测精度对比

近年来遥感技术的革新促使遥感源越来越丰富.为分析多源遥感数据的叶面积指数(LAI)估测精度,本文以大豆为研究对象,利用比值植被指数(RVI)、归一化植被指数(NDVI)、土壤调整植被指数(SAVI)、差值植被指数(DVI)、三角植被指数(TVI)5种植被指数,结合地面实测LAI构建经验回归模型,比较3类遥感数据(地面高光谱数据、无人机多光谱影像以及高分一号WFV影像)对大豆LAI的估测能力,并从传感器几何位置和光谱响应特性以及像元空间分辨率三方面分析讨论了3类遥感数据的LAI反演差异.结果表明： 地面高光谱数据模型和无人机多光谱数据模型都可以准确预测大豆LAI(在α=0.01显著水平下,R²均>0.69,RMSE均<0.40);地面高光谱RVI对数模型的LAI预测能力优于无人机多光谱NDVI线性模型,但两者差异不大(E_A相差0.3%,R²相差0.04,RMSE相差0.006);高分一号WFV数据模型对研究区内大豆LAI的预测效果不理想(R²<0.30,RMSE>0.70).针对星、机、地三类遥感信息源,地面高光谱数据在反演LAI方面较传统多光谱数据有优势但不突出;16 m空间分辨率的高分一号WFV影像无法满足田块尺度作物长势监测的需求;在保证获得高精度大豆LAI预测值和高工作效率的前提条件下,基于无人机遥感的农情信息获取技术不失为一种最佳试验方案.在当今可用遥感信息源越来越多的情况下,农业无人机遥感信息可成为指导田块精细尺度作物管理的重要依据,为精准农业研究提供更科学准确的信息.     

1988-2013年基于BP神经网络的植被叶面积指数遥感定量反演

叶面积指数（Leaf Area Index,LAI）高度综合了植被水平覆盖状况和垂直结构,以及枯枝落叶层厚薄和地下生物量多少,是植被影响土壤侵蚀的主要方面。区域尺度的时间序列叶面积指数揭示了区域土壤侵蚀的演化过程。因此,及时准确地掌握区域尺度上长时间序列的植被LAI,对研究土壤侵蚀动态变化与植被的关系至关重要。选择南京市1988-2013年10期遥感影像,基于反向传播（Back Propagation,BP）神经网络构建LAI反演模型,进行了长时间序列的叶面积指数反演。结合2009和2010年LAI实测值,验证与探讨了该模型的评价精度与适应性。结果表明：（1）该模型拟合度较高,2009和2010年平均相对误差、均方根误差、相关系数分别是0.2395和0.2174,0.2962和0.2581,0.7713和0.6844,各项精度评价指标均较好;（2）统计分析去除耕地后全市LAI变化,低植被覆盖（LAI<2）面积不断增加,高植被覆盖区（LAI>3）面积先减少后增加,耕地面积不断减少,符合南京市的发展变化规律;（3）主城区LAI年际变化与其他学者得到的南京市植被盖度变化趋势一致,反演结果的时序性较高。本文提出的基于反向传播神经网络模型反演长时间序列LAI是可行的,为区域尺度土壤侵蚀定量遥感监测提供新途径。     

站点CERES-Rice模型区域应用效果和误差来源

作物区域模拟是利用有限的空间数据,最大限度地反映出生育期、产量等作物性状的时空变化规律.由于目前的作物模型大多是田间尺度的站点模型,把它运用到区域水平的效果如何研究甚少.文章利用CERES-Rice模型,对作物模型在我国的区域应用效果进行了分析.首先利用田间观测数据在各实验点上对模型进行了详细的站点校准,以验证模型在我国的模拟能力;然后以我国水稻生态区(精确到亚区)为单位,运用均方根差(RMSE)法进行了区域校准和验证;最后利用区域校准后的CERES-Rice模型,模拟了1980～2000年的网格(50km×50km)水稻产量,并与同期农调队调查产量进行统计比较,以验证区域应用的效果,为区域模拟的推广和应用提供参考.结果表明:经过空间校准后的CERES-Rice模型,在水稻的主产区1～4区(占种植面积的95%)模拟的平均产量与调查产量相对均方根差在22%以内,两者的符合度也较好,个别区域(5、6) RMSE%在24%～30%之间;1980～2000年水稻各产区模拟的平均产量与调查产量随时间变化趋势也具有一定的一致性;全国1896个网格中,大部分网格(71.01%)模拟的21年水稻年产量与调查产量的RMSE%在30%之内,且大部分分布在水稻主产区,考虑到水稻种植面积的权重后,认为利用区域校准和验证后的CERES-Rice模型进行水稻区域模拟,可以反映出产量的时空分布特征,能够为宏观决策提供相应的信息.但目前区域模拟中还存在着一定的误差,有待今后进一步研究.     

基于作物生长监测诊断仪的双季稻叶片氮含量和氮积累量监测

为了验证作物生长监测诊断仪(CGMD)监测双季稻氮素营养指标的准确性和适用性,构建基于CGMD的双季稻叶片氮含量(LNC)和氮积累量(LNA)的监测模型。选用8个不同早、晚稻品种,设置4个不同施氮水平,利用CGMD采集冠层差值植被指数(DVI)、归一化植被指数(NDVI)和比值植被指数(RVI),同步利用ASD FH2高光谱仪采集冠层光谱反射率,并计算DVI、NDVI和RVI;通过比较CGMD和ASD FH2采集的冠层植被指数变化特征,验证CGMD的测量精度,构建基于CGMD的LNC和LNA监测模型,并利用独立试验数据对模型进行检验。结果表明: 早、晚稻LNC、LNA、DVI、NDVI和RVI随施氮水平的增加而增大,随生育进程的推进呈先升后降的趋势;CGMD与ASD FH2采集的DVI、NDVI和RVI间拟合的决定系数(R²)分别为0.9350、0.9436和0.9433,表明CGMD的测量精度较高,可替代ASD FH2采集冠层植被指数。基于CGMD的3个冠层植被指数相比,NDVI_CGMD与LNC的相关性最高,RVI_CGMD与LNA的相关性最高;基于NDVI_CGMD的指数模型可较准确地预测LNC,模型R²为0.8581～0.9318,模型检验的均方根误差(RMSE)、相对均方根误差(RRMSE)和相关系数(r)分别为0.1%～0.2%、4.0%～8.5%和0.9041～0.9854;基于RVI_CGMD的幂函数模型可较准确地预测LNA,模型R²为0.8684～0.9577,模型检验的RMSE、RRMSE和r分别为0.37～0.89 g·m^-2、6.7%～20.4%和0.9191～0.9851。与化学分析方法相比,利用CGMD可便捷准确地获取早、晚稻的LNC和LNA,在双季稻丰产高效栽培和氮肥精确管理中具有应用价值。     

基于ORYZA2000模型的北京地区旱稻适宜播种期分析

确定适宜播种期是制定合理的作物栽培管理方案的关键内容之一。在作物模型ORYZA2000有效性验证的基础上,以北京地区为例,利用该模型结合长期历史气候资料,对确定旱稻适宜播种期做了初步研究。结果表明：在不考虑水分因子条件下,北京地区旱稻297安全播期的范围较广,多年平均为3月26日-6月4日;受温度升高的影响,最早播期有提前趋势,而最晚播种期有延后趋势。在同一年份内,播期不同旱稻的产量也有一定的变化,呈现为先升高而后降低的趋势。播期过早或过晚导致生育期平均温度偏低是影响穗干物质累积且造成减产的主要原因,在适宜的播期范围内才能获得高产。以90%-100%当年最高产量潜力作为适宜播期的产量指标,确定北京地区旱稻297的适宜播期变化在5月11日-5月19日之间,相应的产量变化在6689-7257 kg/hm2范围内。研究方法可为其他地区旱稻的播期研究提供借鉴。     

播期对春小麦生长发育及产量的影响

为了给陇中半干旱区春小麦高产栽培提供依据,2010年在甘肃定西进行了春小麦分期播种试验,并对不同播期条件下春小麦生长发育及产量形成进行了分析。结果表明:随着播期的推迟,春小麦播种-抽穗期日数减少、全生育期明显缩短;5月下旬之前,越早播种的春小麦LAI越大,5月下旬之后,播种愈晚春小麦LAI越大。早播春小麦LAI峰值靠前,晚播峰值滞后;6月下旬之前,播期早的春小麦叶绿素含量高于播期晚的,6月下旬之后播期愈早叶绿素含量下降愈快;不同播期春小麦群体生长率和净同化率在孕穗-抽穗期后差异显著,表现为3月18日播期最大,4月7日播期最小。各播期干物质累积在拔节期后表现为快速递增趋势。在拔节期前,早播处理的干物质积累速率较慢。随着播期的推迟,单株干物质最大积累速率出现时间提前,籽粒最大灌浆速率出现时间推迟,千粒重表现为先升后降;灌浆3个阶段各参数受播期影响比较显著;早播春小麦产量最高。     

基于遥感信息的作物模型重新初始化/参数化方法研究初探

作物模型与遥感信息的结合有助于利用遥感监测的大范围植被信息解决作物模型区域应用时模型初始状态和参数值难以确定的问题。该文借助叶面积指数(LAI)将经过华北冬小麦(Triticum aestivium)适应性调整的WOFOST模型与经参数调整检验的SAIL-PROSPECT模型相嵌套,利用嵌套模型模拟作物冠层的土壤调整植被指数(SAVI),在代表点上借助FSEOPT优化程序使模拟SAVI_s与MODIS遥感数据合成SAVI_m的差异达到最小,从而对WOFOST模型重新初始化。结果表明,借助于遥感信息,出苗期的重新初始化使模拟成熟期与按实际出苗期模拟的结果相差在2天以内,模拟的LAI和总干重的误差比按实际出苗期模拟结果的误差降低3~8个百分点;返青期生物量的重新初始化使模拟LAI和地上总干重在关键发育时刻的误差降至16%以内,模拟LAI和贮存器官重在整个生育期内都更加接近实测值;对返青期生物量的动态调整显示返青到抽穗期间较少次数的遥感数据即能有效地提高作物模型的模拟效果。与国外同类研究相比,该文在作物模型本地化、重新初始化变量和优化比较对象的选择上都有所不同,而利用遥感数据动态调整作物模型初始状态或参数值更具有新意。该文对区域尺度上利用遥感信息优化作物模型的研究具有基础性、探讨性意义。     

基于叶面积指数反演的区域冬小麦单产遥感估测

利用定量遥感技术反演的叶面积指数（LAI）在中国北方黄淮海地区典型县市进行冬小麦单产预测研究.为提高数据质量和减少估产误差,利用Savitzky-Golay滤波技术降低云对NDVI数据的影响及数据缺失;通过冬小麦实测LAI进行时序内插,模拟得到实测点每日冬小麦LAI,继而获得实测点主要生育时期平均LAI;在此基础上,建立了冬小麦主要生育时期平均LAI与作物单产关系模型,改变目前利用生育时期内某一时间点LAI代替整个生育时期LAI的方法;在模型择优基础上,得到最佳遥感估产关键期--开花期LAI与单产统计模型;最后,利用MODIS-NDVI经验模型反演得到的开花期平均LAI进行2008年冬小麦单产预测.结果表明：与地面实测的冬小麦单产相比,研究区估产平均相对误差为1.21%,RMSE达到257.33 kg·hm^-2,可以满足大范围估产的要求.利用上述方法可以在研究区冬小麦收获前20～30 d进行准确的单产估计.     

不同生态环境下水稻基因型产量形成与源库特性的比较研究

以日本和IRRI的9个水稻品种为材料,分别以武香粳9号和两优培九为对照,在江苏南京和云南丽江研究了不同水稻基因型干物质积累与源库形成特征及其在不同生态环境下的差异.结果表明,生态环境对水稻产量和干物质积累量影响显著.高产水稻品种积累了高额干物质量,且干物质生产优势在中后期.高产品种的总颖花量、LAI及群体生长速率(CGR)都较高.稻谷产量随干物质积累总量的增加而提高,与齐穗后干物质积累量、总颖花量和LAI呈极显著正相关,与粒叶比呈显著正相关.与云南丽江点相比,群体LAI、单位面积颖花量和抽穗后干物质积累量少及生长速率(CGR)低是南京点稻谷产量低的关键因素.     

油菜绿色面积指数动态模拟模型

准确模拟绿色面积指数是作物生长模拟模型可靠预测作物生长和产量的关键。该研究的目的是以生理生态过程为基础,构建油菜(Brassica napus)叶面积指数和角果面积指数变化动态的模拟模型。油菜叶面积指数模型综合考虑了库或源限制下的叶面积增长模式,其中库限制下叶面积指数的增长呈指数方程,且受到温度、水分和氮素因子的影响;源限制下叶面积指数增长用比叶面积法来模拟。油菜角果面积指数由比角果面积和角果干物重来决定。比叶面积和比角果面积均为生理发育时间的函数。利用不同类型品种的播期试验及氮肥试验资料分别对模型进行了校正和检验,结果表明模型能较好地模拟不同条件下油菜叶面积指数和角果面积指数。     

氮磷用量对杂种小麦C6-38/Py85-1群体生长及产量的影响

在大田条件下研究了不同氮、磷用量对杂种小麦群体生长及产量的影响.结果表明,在试验供肥范围内 (N112.5～337.5 kg·hm^-2,P₂O₅ 90～270 kg·hm^-2),杂种的群体总茎数(PS)、群体干物重（PDW）、叶面积指数（LAI）、光合势（PP）和作物生长率（CGR）均以低肥处理低.高肥处理的PS和PDW高于中肥处理,高肥处理的LAI、PP和CGR分别于挑旗、拔节和开花期之前高于中肥处理,之后低于中肥处理.在低、中肥处理下,杂种各生育时期PS的离中优势（H_m）为负值,高肥处理冬前期、拔节期、开花期和成熟期分别为6.3％、49.7％、4.2％和10.8％;LAI的H_m除灌浆期中肥处理比高肥处理高3.8％、PDW的H_m除成熟期中、高肥处理间差异不显著外,其余各时期两性状的优势值高肥处理均极显著高于中肥处理;PP和CGR的Hm均以低肥处理最低,分别于拔节至挑旗期和挑旗至开花期之前高肥处理高于中肥处理,之后中肥处理高于高肥处理.杂种的籽粒产量及其H_m均以低肥处理最低,中肥处理的产量比高肥处理高216.2 kg·hm^-2;中肥与高肥处理之间产量的H_m差异不显著.     

基于GIS的农田土壤、作物特征空间变异性及其相互关系

The objective of this research was to investigate the variability and the quantitative relationships among soil nutrients and crop growth status and yield. All data were analyzed by both classical statistics and geostatistics based on GIS. Soil properties included soil pH, total N, organic matter, available P and available K, while crop growth status was indicated by SPAD, LAI and SPAD × LAI. All parameters except soll pH exhibited spatial correlation.Soil total N and organic matter, SPAD, LAI and SPAD × LAI were all correlated to rice yield. Kriged interpolation maps provided good indication of the spatial variability in crop yield and growth status. Spatial interpolation and correlation analysis proved that SPAD × LAI was more indicative of crop growth status than individual variables, and useful for implementing growth season and topdressing as needed.