您好!欢迎访问亚博全站app官网登录!
专注精密制造10载以上
专业点胶阀喷嘴,撞针,精密机械零件加工厂家
联系方式
039-46375355
您当前的位置: 主页 > 案例展示 > 医疗行业 >

医疗行业

「技术前沿」遥感与作物生长模型数据同化在水稻上的应用

更新时间  2021-11-07 00:45 阅读
本文摘要:水稻是世界上三大主粮作物之一,中国是水稻的 生产和消费大国,水稻种植面积仅次于印度,但稻谷总 产量却居世界首位,在确保国家粮食宁静中作用庞大。2019 中国农作物播种总面积为 16 593.07 万 hm2 ,粮食 作物播种面积到达 11 703.82 万 hm2 ,而水稻播种面积 为 2 966.67 万 hm2 ,水稻种植面积占农作物总面积的 17.88%,占粮食作物总播种面积的 26.56%;稻谷总产 量为 20 961 万 t,占粮食总产量的 31.57%。

亚博全站app官网登录

水稻是世界上三大主粮作物之一,中国是水稻的 生产和消费大国,水稻种植面积仅次于印度,但稻谷总 产量却居世界首位,在确保国家粮食宁静中作用庞大。2019 中国农作物播种总面积为 16 593.07 万 hm2 ,粮食 作物播种面积到达 11 703.82 万 hm2 ,而水稻播种面积 为 2 966.67 万 hm2 ,水稻种植面积占农作物总面积的 17.88%,占粮食作物总播种面积的 26.56%;稻谷总产 量为 20 961 万 t,占粮食总产量的 31.57%。遥感和作物 生长模型在农业资源监测、作物产量预测等方面发挥 着不行替代的重要作用。遥感监测是获取大面积地表 信息的最有效手段,作物生长模型是在机理层面临作 物产量举行建模,可以实现单点尺度作物生长发育的 动态模拟,但两者各有优缺点。

而遥感信息和作物生长 模型的数据同化可以有效联合两者的优势,实现大尺 度、高精准的农业监测与预报。随着社会政治经济格式 排山倒海的变化以及极端气候频发,越来越需要实时 准确地掌握我国以致全球水稻种植主产区水稻的生长 状况并提早估测水稻产量,以应对庞大多变的世界环 境,为我国水稻商业提供决议服务,同时对我国水稻农 业政策的制定和价钱的宏观调控具有重要的指导意 义。作物生长模型研究希望随着盘算机技术的迅猛生长,农作物的生长模拟 模型已被广泛用于预测农作物的生长状态和估测农作 物的产量[1]。主要有荷兰的 Wageningen 模型(de Wit 学 派)、美国 DSSAT 系列模型和 GOSSYM 模型、澳大利亚APSIM 模型、中国 CCSODS 系列模型[2],详细见表 1。

这 些模型都需要输入大量的参数,分析农作物生长和环 境因子(太阳辐射、温度、水分供应、土壤养分营养供应 等)的关系、盘算农作物生长发育的速度,从而模拟农 作物整个生育时期的一系列的生理生化历程 (从播种 到成熟期的光互助用、呼吸作用、蒸腾速率、营养分配 等)和生物量的累积,进而估算农作物的生理物理参数 (例如 LAI)和预测产量。可是模型模拟仅能代表取样 点作物的生长状况,在差别的种植区域、差别的气候条 件和土壤类型,要想确保作物模型的模拟精度,就需要 提供更多的模型参数。然而有些模型参数随着作物的 生长很难获取,好比突发的自然灾害等会限制作物模 型的使用和应用,而且降低预测的精准度。

海内外的水稻作物模型大致可以分成两大类 (见 表 2)[3]:一是水稻模拟模型,即输入大量的参数来模拟 水稻的生长发育、光互助用、干物质积累、产量形成等 历程。现在多数的水稻模型都属于这一类,如国际水稻 研究所与荷兰团结研发的 ORYZA 系列水稻模型,美国 CERES-Rice 模型,日本崛江武(T.Horie)水稻模型,中 国黄策、王天泽水稻模型,中国骆世明 RSM 水稻模型, 中国 RICAM 模型(水稻生长日历模拟模型),RiceGrow 模型。这类模型对于展现水稻生长发育的纪律是有努力孝敬的,对于估算在差别情况条件下水稻的生产潜 力也很有资助,但直接应用于指导水稻生产相对比力 难题。

二是将水稻模拟模型与优化模型相联合举行各 种水稻栽培决议的模型,也称为水稻模拟优化决议模 型,好比中国的 RCSODS 模型。这类水稻模型可以直接 指导水稻生产。

卫星遥感研究希望随着卫星遥感技术的迅猛生长,其在农业上的应 用越来越广泛,主要包罗作物种植面积监测、作物长势 监测、作物产量估算、土壤墒情估算、作物病虫害监测 与预报等。卫星遥感影像可以间接地反映地上部生物 量(BM)、叶面积指数(LAI)、土壤水分含量(SM)、蒸散 发量(ET)等作物模型需要的参数,并能够客观、准确、 实时地提供农作物时空漫衍信息,在大中区域尺度的 农作物长势监测和产量预测上具有显著优势[1]。然而, 农作物的生长和最终的产量易受情况、品种、地域、田 间治理措施等诸多因素的影响,而且是一个恒久和动 态变化的历程,卫星遥感信息反映的是过境当日地表 或农作物冠层的瞬时物理状况,因使用的卫星差别、过境时间距离差别,以及过境时天气的云量几多都市影 响瞬间地表信息,卫星遥感既不能从作物生长发育的 机理层面上展现作物生长发育和产量形成的内在关 系,也不能展现作物生长发育状况与情况和气候因素 间的关系。因此,将农业遥感与作物模型有机联合起 来,发挥各自的优势,弥补对方的缺点,通过数据同化 算法提高作物估产准确度。

常见的卫星主要有 Landsat 8 等,详细见表 3。数据同化研究希望数据同化的研究思想是 1969 年由 CHARNEY 等 提出来的,将各种多源的时空不完整的观察数据添加 到作物生长模型中,能越发准确地预计作物生长历程 的差别状态变量,因此被逐渐地应用到各个领域[4]。数 据同化系统包罗动态模型、观察数据、同化算法等 3 个 基本组成部门。动态模型即上述“作物生长模型研究希望”中讨论 的基本模型,凭据用途和要解决的问题选择相应的模 型;观察数据主要是遥感和地面实验数据;整个系统的 运行效率和精度受同化算法性能的直接影响,主要包 括基于价格函数的参数优化方法和基于预计理论的集 合滤波方法[4]。

参数优化法的焦点是价格函数,主要是 用迭代来调整通例方式难以获得的参数或初始条件, 最小化遥感观察值与模型模拟值间差异,优化作物模 型。影响该方法的因素主要是同化变量、优化算法和目 标函数形式。

优化算法主要包罗单纯型搜索算法、最大 似然法、复合型混淆演化算法、遗传算法、Powell 共轭 偏向法、模拟退火法、粒子群算法等;价格函数主要包 括最小二乘法、三维变分、四维变分、均方根误差等。滤 波算法又称顺序同化法,焦点是融合差别分辨率的遥 感观察信息,依靠外部观察而自动调整模型轨迹,最终 减小误差。可以时刻更新最优预报值,举行实时模拟。

优化算法主要包罗扩展卡尔曼滤波、荟萃卡尔曼滤波、 粒子滤波等。最小分辨率、遥感参数反演的不确定性、作物生长 模型的不确定性、数据同化计谋及参数联合点、尺度效 应及转换模型等是影响同化精度的主要因素。最小分 辨率的巨细选择主要取决于作物模型输入参数、要解决的应用问题和遥感反演参数的时空分辨率。最小分 辨率越小,空间差异性就越显著,最小分辨率减小到一 定水平,精度的提高将会饱和。

在最小分辨率的选择上 要充实思量农田地块巨细。遥感参数反演的不确定性: 有研究讲明,MODIS LAI 产物对农作物叶面积指数 (LAI)低估约 33%~50%[5-6]。作物生长模型的不确定性 主要泉源于模型的结构、气象驱动数据和模型的参数。

模型不能对作物光互助用、肥料营养和水分变化等进 行准确定量的形貌,是模型不确定性的主要体现,同时 模型也不能反映病虫害、极端灾害天气的变化、渍灾等 减产因素的影响,随着地域条件的变化,模型中部门初 始田间治理条件和参数很难直接获取,而是在一些特 定的模型结构中找到一组最优参数来取代,上述因素 影响了模型的输出效果和模拟效果。气象数据需要使 用插值法等方法获得区域规模内的气象数据,由于降 水和风速等非一连宏观现象的空间漫衍是不匀称的, 所以在使用插值法时其可靠性存在广泛争议[4]。数据同 化计谋上顺序滤波和参数优化方法各有千秋,顺序滤 波同化效率较高,且可实现实时预测,但容易引起“物 候漂移”,因而只能选择站点尺度数据举行修正,限制 了顺序滤波的区域化应用。

参数优化方法不存在“物候漂移”现象,但需要大量迭代盘算搜索最优参数荟萃, 盘算效率是优化方法的主要瓶颈,迭代需要时间长,不 能实时预报。尺度效应指遥感反演参数的区域尺度和 作物模型模拟的参数的单点尺度获取的叶面积指数 (LAI)、蒸散发量(ET)、土壤水分(SM)和地上部生物量 (AGB)等之间的差异以及不匹配及空间尺度转换的问 题。遥感与作物模型数据同化在水稻上的研 究希望 以“水稻+数据同化”为主题词在中国知网(http:// www.cnki.net/)举行文献检索,共检索出 23 篇文献,经 人工识别获得有效文献 19 篇。

知网数据中显示,在水 稻领域开展遥感与作物模型数据同化方面较早的中文 文献是由南京农业大学曹卫星团队 2009 年揭晓的,随 后研究机构逐渐增多,中国地质大学刘湘南团队在国 内发文最多。海内研究区域包罗湖南、浙江、江苏、吉林 等省,应用目的涉及水稻重金属污染监测、水稻长势监 测、产量预计等 3 个领域。选用的作物生长模型有 WOFOST、Rice Grow、ORYZA 2000;遥感数据主要泉源 于 GF -1、HJ -1A/B、Landsat -8、MODIS、Radarsat -2、ASAR;数据同化算法包罗 POS、SA、SCE;数据同化变 量包罗 LAI、BM、LAN(详细见表 4)。

综上所述,遥感与 作物生长模型的数据同化研究效果讲明,MODIS 卫星 遥感数据是大区域同化应用的主要卫星遥感数据, Landsat TM 卫星遥感数据是中等区域尺度应用的主要 卫星遥感数据;作物模型以 WOFOST 使用最为广泛, 而 Rice Grow 是我国自主研发的水稻生长模型;LAI 是 遥感与作物模型同化中最常用的同化变量。遥感与作物生长模型数据同化在水稻产 量估测典型案例分析以陈劲松等[1]使用国产情况卫星 HJ-1A/B 数据与 WOFOST 作物模型相联合,运用 SCE 数据同化方法对 广东台山水稻种植区举行产量估算,充实使用了遥感 数据的低成本、大面积、宏观全面和作物模型强机理性 优势,解决了早期遥感估产接纳的通过单个生育期光 谱指数和产量举行直接统计回归分析而造成估测精度 低的问题。将遥感反映的水稻实时动态信息带入到作 物生长模型中,可以使模型模拟的历程越发切合水稻 生长的实际情况,进而提高了水稻估产的精度,研究结 果讲明修正后的模型估产精度误差从 64 g/m2 淘汰到 35 g/m2 ,估产精度增幅为 45%。

国产情况卫星 HJ-1A/B 提供的主要是光谱数据,易受水稻种植区云雨天气的 影响,如何使用微波遥感数据和光学遥感数据联合反 演水稻生理参数是以后的研究重点,同时数据同化过 程需要时间,算法上仍需进一步提高。王晶[11]使用情况 卫星 HJ-1A/B、美国陆地卫星 landsat-8 和资源一号卫 星 AY1-02C 与 WOFOST 作物模型联合运用卡尔曼滤 波数据同化算法对浙江省德清县水稻举行产量估测, 研究效果讲明,选用 10 天 LAI 遥感反演信息举行区域 水稻产量估测,地面观察样点产量实测值与同化模拟 值到达极显著水平,引用遥感信息后模型可以克服单 一生态点的局限,举行区域尺度的产量预测,为完善栽 培治理计划农业生产功效区提供更多信息。

遥感与作物生长模型数据同化存在的问题遥感信息与作物生长模型联合是学科的交织融 合,相互取长补短。该方法是近期提出的,在国际上仍 属于新兴研究课题,研究效果较疏散,可比性不强,成 熟统一的结论不多。主要基于 LAI 变量上举行同化,大 多基于自行试验获得的地面光谱丈量数据和航摄数据为主,对于模型的庞大性思量较少,耦合也较为简朴, 同时同化算法研究还较少,研究深度和广度另有待于 进一步提高随着卫星遥感与作物生长模型在数据同化方面研 究的深入,作物模型、数据和同化算法上也将逐渐完 善。数据同化技术在农业上应用时要充实思量时间和 空间的现实需求,数据同化研究趋势在同化变量上从 单参数向多参数转变;在数据泉源上从单一遥感数据 源向多数据源转变;在应用偏向上从监测向预测转变; 在模型选择上从单一作物模型向多作物模型耦合转 变;在运行方式上从单机同化模式向高性能并行盘算 模式转变。

然而农业系统的庞大性导致了遥感和作物 生长模型同化的较大不确定性,如何能更准确地形貌 大区域尺度作物生长的状态,需要通过优化模型参数、 数据同化算法和定量遥感反演等关键技术的配合生长 和进步,从而进一步提高数据同化系统的精准度。同时 多参数的协同、多数据的融合、动态的预测以及多模型 的耦合是以后农业遥感与作物生长模型数据同化系统 的一定生长趋势和研究重点[24-25]。作者:宋丽娟、叶万军、陆忠军、 付斌 、 辛蕊、黄楠、 王美璇、 毕洪文泉源:中国稻米接待大家在评论区交流分享更多精彩资讯,请连续关注数字农业分会官方账号!。


本文关键词:「,技术前沿,」,遥感,与,作物,生长,模型,数据,亚博全站app官网登录

本文来源:亚博全站app官网登录-www.plumid.com