[发明专利]一种基于多源信息分步校正作物模型的区域作物估产方法

说明书

本发明公开了一种基于多源信息分步校正作物模型的区域作物估产方法，包括：分解作物模型,获取多源信息以及分步校正作物模型，依次校正生育期模块、LAI模块和产量模块；每个功能模块的参数均经历如下参数优化过程：初始参数空间由数十组参数组成，运行作物模型得到每一组参数对应的模拟结果，建立当前优化功能模块的结果和校正数据之间的代价函数，在当前参数空间的结果中搜索代价函数的全局最优解，若最优解不符合优化终止条件，则向全局最优解和局部最优解共同决定的方向更新参数空间中当前功能模块的参数数值，重新计算模拟结果并进行判断；若最优解符合优化终止条件，校正过程结束，输出对应功能模块的校正后最优化参数和最优化模拟结果。

技术领域

本发明涉及农业遥感技术领域，更具体涉及一种基于多源信息分步校正作物模型的区域作物估产方法。

背景技术

自20世纪60年代起，利用作物生长模型和遥感观测数据对作物生长状态进行监测并估产的技术取得了飞速发展并建立了比较完善的理论体系及丰富的应用实践。作物生长模型通过模拟作物的光合、呼吸、蒸腾和营养积累等机理性过程，可以以“天”为时间步长连续模拟作物生长状态，但在区域产量模拟过程中往往受非均匀性的地表环境所限，难于获得大范围的模型初始数据，如土壤参数和局部气象条件等；遥感观测技术可以快速获取大范围地表信息，便于评估种植区域的整体状况，但只能记录指定地区某一时间点瞬时信息，不能反映作物生长发育状况及其与环境气象条件的关系。因此，将作物模型的时间尺度优势和遥感数据的空间尺度优势相结合，利用遥感数据的区域观测信息对作物生长模拟过程进行补充，从而提高对作物长势的监测能力及估产精度是目前具有巨大发展潜力的区域估产技术。

结合作物模型和遥感数据的常用方法是遥感数据同化作物模型技术，其本质在于通过比较遥感信息与作物模型中间变量的差异，采用强制替换、修正变量和改进驱动参数等方法使模型可以更为准确地模拟区域尺度的作物生长状况。目前，研究人员们已提出了一系列经典的同化算法及同化方案，并取得了一定的研究成果；同时，越来越多的遥感产品被开发应用到作物模型同化过程中，为区域作物估产提供了更多的可能性。

但目前已有的区域作物模型同化遥感数据的方法往往是在整片区域上对作物模型参数进行敏感性分析后，选用一套效果较好的初始参数，针对该套初始参数中控制某些中间状态变量的参数进行校正或直接修正模型中间状态变量，从而达到引入多样化空间遥感信息，提高模拟精度的目的。但在单一模型参数基础上进行区域同化的方法默认了整片区域采用同一种植品种，与实际情况不符，没有实现真正的区域模拟；且往往只注重对最终模拟产量的影响，导致了区域估产方法的准确度和稳定性较低，无法展开业务化推广。

也即，现有的作物模型-遥感数据技术存在以下的主要缺点:

1.现有区域作物估产技术准确度较低。在遥感同化作物模型过程中，能够有效反映作物生长发育变化及物候信息的高时间分辨率遥感影像往往具有较低的空间分辨率，从而限制了同化模拟的精度。而高空间分辨率遥感影像的覆盖面窄，产品时间序列短，计算处理压力大等问题使其难以发挥有效作用。

2.现有区域作物估产技术稳定性较低。在机理性作物模型中，作物产量模拟并不是一个独立存在的功能模块，而需要在叶片生长、水分蒸腾等不同功能模块的协助下进行生物量累计并最终计算得到作物产量。但现有的区域估产技术往往只注重遥感同化是如何改善单个中间变量的模拟从而提高最终产量的准确度，而忽视了对作物关键生长过程模拟的整体准确度，从而出现区域估产技术可重复性差，区域内部准确度不一致等问题。

3.现有区域作物估产技术难以开展业务化区域估产应用。低准确度和低稳定性的缺点是现有区域作物估产技术难以被复制和移植到其他地区或应用到其他作物模拟过程中主要阻力。

因此，需要新的技术以至少部分解决现有技术中存在的局限。

发明内容