本发明属于作物长势监测的,具体涉及一种作物产量的预测方法。
背景技术:
1、作物生长模型综合考虑了作物品种特性、气候条件、土壤条件和田间管理等要素对作物生长发育及产量形成的影响,利用数学模型方法对与其密切相关的光合、呼吸、蒸腾、营养和生殖等机理过程进行定量表达,在单点尺度上以指定的时间步长动态模拟作物从播种到成熟的生长发育全过程。作物模型既可以监测作物的生长发育状态和最终产量,又可以监测气象环境变化和田间管理措施等因素对作物的生长发育状态和最终产量的影响。自二十世纪六十年代de wit第一次提出作物生长模型以来,作物生长模型已被广泛应用于气候变化和农业监管等众多研究领域。但当作物生长模型的应用尺度从单点扩大到区域时,由于地表环境和近地表环境具有非均匀性和复杂性,研究者一般会面临作物生长模型中一些宏观资料难以获取以及作物生长模型参数空间分布的不确定性等诸多难点。
2、遥感卫星技术具有宏观性、实时性、客观性、经济性和便捷性,被广泛应用于包括农业领域在内的各个领域。随着定量遥感反演算法的日益完善以及遥感卫星技术的日益进步,一些可以反映关键生物理化参数的遥感定量产品在作物种类识别、种植面积、长势和受灾情况监测等方面发挥着越来越大的作用,如叶面积指数、土壤水分、蒸散发和总初级生产力等。然而,受卫星时空分辨率等因素的制约,遥感技术只能够获取离散时间序列的观测数据,且遥感影像反映的是地表瞬时的物理状况,无法表达作物生长发育和产量形成的内在机理过程以及作物周遭气象环境因素对其生长发育的影响。因此,如何将遥感卫星技术与作物生长模型结合起来以适用于大范围的作物研究是目前急需解决的问题。
技术实现思路
1、本发明的目的在于针对现有技术的不足之处,提供一种作物产量的预测方法,该方法将遥感卫星技术与作物生长模型结合起来,有效提高了大范围内对单个田块的作物生长发育状态和最终产量的模拟精度,为大范围作物长势监测的精确性提供了有效途径。
2、为解决上述技术问题,本发明采用如下技术方案:
3、一种作物产量的预测方法,包括如下步骤:
4、步骤1、获取研究区的气象数据、待研究作物的lai遥感观测数据以及待研究作物产量数据,并对lai遥感观测数据进行预处理;
5、步骤2、对wofost模型的多项参数进行敏感性分析,筛选出总敏感度大于设定阈值的参数;
6、步骤3、根据待研究作物产量数据采用试错法对步骤2筛选出的参数进行优化得到优化后的wofost模型;
7、步骤4、以步骤1的气象数据作为驱动,采用优化后的wofost模型模拟lai数据,并采用集合卡尔曼滤波enkf对lai遥感观测数据和模拟的lai数据进行同化,得到同化后的lai数据;
8、步骤5、将同化后的lai数据输入到优化后的wofost模型进行重新模拟,得到研究区待研究作物的预测产量。
9、进一步地,步骤1中预处理包括对lai遥感观测数据进行重投影、裁剪、研究时段lai数据整理、以及savitzky-golay滤波处理。
10、进一步地,步骤1中的气象数据包括日太阳辐射、降水量、最高温度、最低温度、实际水汽压。
11、进一步地,步骤2中采用扩展傅里叶敏感度检验法efast对wofost模型的多项参数进行敏感性分析。
12、进一步地,步骤2中采用efast对wofost模型的多项参数进行敏感性分析的计算方法如下:
13、将wofost模型写为y=f(x1,...,xn),xi表示wofost模型的各项参数,利用转换函数f(s)将y=f(x1,...,xn)转换为y=f(s),并对f(s)进行傅里叶变换:
14、
15、
16、
17、
18、式中,s为标量变量,取[-π,π];p为傅里叶变换参数;ap、bp为傅里叶振幅;ωi为指标xi的振荡频率,i=1、2、…、n,n表示模型参数个数;为xi对应的随机初相位,取[0,2π];t表示取值为[-π,π]的积分变量,标量s为[-π,π]内任意数值,利用转换函数将xi的取值转换为s的取值,此时可将傅里叶振幅ap和bp表示为:
19、
20、
21、式中,ns为取样数,sk表示标量s的第k个取样值;
22、傅里叶级数的频谱曲线定义为则由参数xi输入变化引起的wofost模型结果方差为:
23、
24、wofost模型的总方差分解为:
25、v=∑ivi+∑i≠jvij+∑i≠j≠mvijm+…+∑vij...k
26、式中,为vi参数xi输入变化单独引起的wofost模型方差,vij为参数xi通过参数xj作用贡献的耦合方差,vijm为参数xi通过参数xj、xm作用贡献的耦合方差,依此类推;
27、通过归一化处理参数xi的主敏感度si定义为:
28、
29、参数xi的总敏感度为:
30、
31、式中,v-i为与参数xi无关的所有其他参数方差之和。
32、进一步地,步骤2中筛选出作物产量总敏感度大于0.1的参数。
33、进一步地,步骤2中筛选出的参数包括同化量转化为果实的效率cvo、dvs为2.0时单个叶片对光的利用效率efftb200、dvs为1.5时对散射光的消光系数kdiftb150、结荚面积spa。
34、进一步地,步骤3中采用人工试错法手动调参的方式对步骤2筛选出的参数从各自对应的参数范围中确定最优的参数取值。
35、进一步地,在参数优化过程中,每次选取其中一个参数进行优化,并且优化后的参数取值使得wofost模型对作物最终产量模拟结果与实际产量数据均方根误差小于10%。
36、进一步地,步骤4中采用集合卡尔曼滤波enkf对lai遥感观测数据和模拟的lai数据进行同化的计算方法为:
37、首先通过wofost模型的运行得到lai的一步预测值:
38、
39、式中,表示t-1时刻的估计值,表示经过wofost模型模拟后得到的t时刻的一步预测值,ut为用于驱动wofost模型的气象数据,θ为wofost模型的参数;
40、在得到一步预测值后将该时刻的lai遥感观测值同化进去,得到t时刻lai的估计值,即同化后的lai值:
41、
42、kt=pt,t-1ht(hpt,t-1ht+rt)-1
43、
44、式中,表示t时刻的lai估计值,yt表示t时刻的lai遥感观测值,xt表示t时刻的lai真实值,kt表示滤波增益,pt,t-1表示一步预测的协方差,rt为观测方程误差的均值,h表示观测算子(此研究中即为单位1)。
45、与现有技术相比,本发明的有益效果为:本发明将作物生长模型和遥感技术通过数据同化的方法结合起来,构建农业领域适用的同化体系,可以实现作物生长模型和遥感技术的优势互补,从而有效提高了大范围内对单个田块的作物生长发育状态和最终产量的模拟精度,为大范围作物长势监测的精确性提供了有效途径。