CN112991247A - 冬小麦蒸散遥感反演及与作物模型同化方法 - Google Patents
冬小麦蒸散遥感反演及与作物模型同化方法 Download PDFInfo
- Publication number
- CN112991247A CN112991247A CN202110241983.8A CN202110241983A CN112991247A CN 112991247 A CN112991247 A CN 112991247A CN 202110241983 A CN202110241983 A CN 202110241983A CN 112991247 A CN112991247 A CN 112991247A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- evapotranspiration
- remote sensing
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 241000209140 Triticum Species 0.000 title claims abstract description 18
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 18
- 230000008859 change Effects 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 229920001935 styrene-ethylene-butadiene-styrene Polymers 0.000 claims abstract 4
- 230000004907 flux Effects 0.000 claims description 57
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 39
- 239000002689 soil Substances 0.000 claims description 29
- 230000004927 fusion Effects 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 16
- 238000011160 research Methods 0.000 claims description 13
- 230000005855 radiation Effects 0.000 claims description 12
- 230000035945 sensitivity Effects 0.000 claims description 12
- 238000010206 sensitivity analysis Methods 0.000 claims description 12
- 241000196324 Embryophyta Species 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 238000001704 evaporation Methods 0.000 claims description 5
- 230000008020 evaporation Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000005068 transpiration Effects 0.000 claims description 4
- 239000002028 Biomass Substances 0.000 claims description 3
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 238000005338 heat storage Methods 0.000 claims description 3
- 230000029553 photosynthesis Effects 0.000 claims description 3
- 238000010672 photosynthesis Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000009834 vaporization Methods 0.000 claims description 3
- 230000008016 vaporization Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 230000008878 coupling Effects 0.000 abstract description 4
- 238000010168 coupling process Methods 0.000 abstract description 4
- 238000005859 coupling reaction Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 4
- 238000011835 investigation Methods 0.000 abstract description 2
- 239000003621 irrigation water Substances 0.000 abstract description 2
- 230000001360 synchronised effect Effects 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000006735 deficit Effects 0.000 description 4
- 230000000243 photosynthetic effect Effects 0.000 description 4
- 238000012271 agricultural production Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种冬小麦蒸散遥感反演及与作物模型同化方法，通过采集数据，并通过技术手段对数据进行计算分析，可有效克服传统方法耗时、耗力、耗经济的弊端，为作物估产、旱情监测、灌溉水合理利用提供可靠依据；且具有时效性强的优势，可同步大面积观测，有效克服了传统调研通达性较差的缺点；解决了区域参数获取困难的瓶颈，遥感信息与作物模型相结合可实现优化反演蒸散发和旱情监测目的；将遥感反演蒸散与作物模型相结合输出同化后的蒸散，既可提高遥感反演蒸散精度，又可输出时间连续的蒸散信息；多源遥感数据结合；SEBS模型反演ET与作物生长模型耦合，输出改进后的ET和LAI，结合PET进行冬小麦逐日动态变化干旱监测，形成业务服务能力。
Description
技术领域
本发明涉及冬小麦田间干旱监测方法，尤其是涉及冬小麦蒸散遥感反演及与作物模型同化方法。
背景技术
我国作为一个农业大国，农业水资源是否充足关系到粮食安全和国家稳定，我国许多地区农业用水量占总用水量的70％，因此，有效提高农业用水的利用效率可有效缓解区域水资源紧缺的现状，而深入研究农作物的耗水规律、及时了解农作物的旱情又是提高农业用水利用效率的前提。蒸散发（英文：Evapotranspiration，缩写ET）又被称为作物需水量，是农业生产中最主要的耗水量，因此，蒸散发的精确估算，是农业生产中的一项重要工作，可为农田输配水、作物估产等提供理论基础。蒸散发既包括地表土壤蒸发和水体中的水分蒸发，也包括植物叶片中表面和体内水分的蒸腾，是水分发生在土壤、植被、大气中复杂的转化过程，它既是地面热量平衡的组成部分，又是水量平衡的组成部分，也是陆地生态系统和水文过程联系的重要纽带。因此，准确的获取区域范围内的蒸散发量是在水资源日益匮乏的情况下对水资源合理开发、利用和调配的前提。
目前，获取蒸散发的传统方式是采用蒸散发点测资料，通过气象数据和作物系数来估算，主要包括蒸渗仪法、涡度相关仪等方法，这些方法不仅耗费大量的人力、财力和物力，且耗费时间长，难以大范围应用，数据获取也仅局限在点尺度上，而应用点尺度蒸散发数据拓展到区域尺度的蒸散发计算，获得的数据精确度较差。
发明内容
本发明目的在于提供一种冬小麦蒸散遥感反演及与作物模型同化方法。
为实现上述目的，本发明采取下述技术方案：
本发明所述的冬小麦蒸散遥感反演及与作物模型同化方法，包括下述步骤：
步骤1，由人机交互接口输入FY-3遥感数据、Modis辅助数据和站点气象数据；对于输入的所述遥感数据进行重采样、重投影、大气校正、几何校正、辐射定标预处理；对于输入的所述站点气象数据进行筛选；由于输入的站点气象数据中存在缺省值，将缺省值-999改写为空值，并对输入的气象数据进行克里金插值，将站点气象数据插值成栅格气象数据集；将经过步骤一处理的数据分类为遥感数据、站点气象数据和栅格气象数据并分别进行存储；遥感数据用于像素级图像融合，站点数据用于地表能量平衡模型的参数标定，栅格气象数据用于ET值的反演；
步骤2，对于已经重采样、重投影的FY-3遥感数据和Modis数据进行像素级图像融合，对融合后的数据进行波段计算，反演地表反照率（Albedo）、地表比辐射率（Emis）、地表温度（LST）、归一化植被指数（NDVI）和叶面积指数（LAI）；为之后的蒸散反演的计算和模型标定做准备；
由于遥感图像时常受到云干扰，导致反演精度受到影响，利用图像融合的方式可以将FY-3遥感数据和Modis数据进行像素级融合，FY-3卫星搭载的VIIR传感器和Modis传感器有着相同的星下分辨率（500M、1KM）和时间分辨率（每天）。FY-3卫星有着与EOS卫星不同的过境时间，且VIIRS传感器相比较Modis传感器，对于可见光反照率等地表参数的反演有着更高的精度，像素级融合FY-3遥感数据和Modis数据，即可以保证了地表参数的反演精度，又可以使用modis数据对有干扰的FY-3卫星数据进行弥补；
步骤3，将步骤1所得的站点气象数据和遥感数据带入地表能量平衡（SEBS）模型和WOFOST模型驱动模型运行，使用Python语言下的SALib模块，利用Sobol敏感性分析对所述地表能量平衡（SEBS）模型和WOFOST模型的内置参数进行敏感性分析，筛选出敏感性指数最高的五个参数；
步骤4，以步骤1得到地表反照率、地表温度、归一化植被指数的地表参数和栅格气象数据集，驱动标定后的SEBS模型得到每个像元上的基于遥感数据的反演所得的蒸散值（ET）和潜在蒸散值（PET），以栅格气象数据集驱动WOFOST模型模拟得到像元上的叶面积指数；结合图像融合后的遥感数据反演得到的每个像元的LAI值，利用EnKF同化对模型在每个像元的模拟进行数据同化，修正模型模拟与实际值的偏差；
基于SEBS模型，利用FY-3遥感数据反演蒸散发，其所需的气象驱动数据来源于研究区及其附近的气象站点，内容主要为气温、气压、相对湿度、风速；所需的DEM数据来自于地理空间数据云，所需的地表物理参数包括地表反照率、NDVI（归一化植被指数）、LAI（叶面积指数）、地表温度、地表比辐射率、粗糙度；根据地表参数计算出地表的净辐射通量、感热通量和土壤热通量，进而求得潜热通量，最终计算出蒸散发量；地表能量平衡方程表示公式如（1）：
该公式不考虑水平方向能量输送转移，式中：
代表地表净辐射通量，W/m²；
为土壤热通量，W/m²；
为感热通量，W/m²；
为潜热通量，其中
为汽化潜热，E为水分蒸发蒸腾总量，W/m²；用于植物光合作用和生物量增加的部分忽略不计，即
；冠层储热忽略，简化后的地表能量平衡方程表达如式（2）：
由公式（2），分别确定地表净辐射通量、感热通量以及土壤热通量三项，即
可确定潜热通量，进而通过潜热通量，反演蒸散发，其公式如（3）
地表净辐射是地表水分传输的主要动力，也是气候形成与变化的重要驱动力，
其计算如公式（4）：
式中：
为地表净辐射通量；
为地表反照率；
为地表接受的太阳短波辐射；
为来自大气长波辐射；
为地表比辐射率；
为地表温度；
为Stefan-Bolzmann常数；
根据本研究已有资料，土壤热通量的计算如式（5）：
式中，
，是完全被植被覆盖的地区土壤热通量与净辐射通量的比值；
为植被覆盖度；
，是裸土地区土壤热通量与净辐射通量的比值；
同化采用集合卡尔曼滤波法，利用蒙特卡洛采样设计预测状态的集合，利用
集合的误差协方差来避免复杂算子的计算，提高了同化效率；其表达式如下：
式中
即为模型WOFOST模型，
是t时刻的真实值（WOFOST模型t时刻输出
的真实LAI），
为用于驱动模型的气象数据，
为模型的参数；
为t时刻的遥感数据反演值，
、
分别是预测方程和观测方程的误差；但一步预测值只是通过模型向前运行得到的，要得到 t 时刻 LAI 的估计值，还需要将该时刻的卫星反演值同化进去；
式中
表示t时刻的估计值，
表示t时刻的遥感数据的反演值，
表示滤波增益；
使用遥感数据与模型模拟值进行同化，可以同化大面积的观测；将遥感反演
蒸散与作物模型相结合输出同化后的LAI，既可提高遥感反演叶面积指数的精度，又可输出时间连续的叶面积指数的信息；
步骤5，基于遥感反演的蒸散发数据和LAI数据，改进作物缺水指数CWSIp，对冬小麦田土壤水分状况进行旱情监测，该指数基于能量平衡原理，根据地表实际蒸散发与土壤含水量的关系评估区域缺水情况，其表达如式（8）：
式中
为实际蒸散发（mm），
为潜在蒸散发（mm），
代表任一像元位置对于上一个监测时相的实际LAI变化量，
为供水充足情况下作物的LAI变化量，
为调整系数；作物缺水指数CWSIp综合考虑了蒸散和LAI，当该值越接近于0，代表其越干旱；
改进的作物缺水指数在原有的基础上考虑了作物冠层的蒸散，增加的了对光合反应速率的计算，更为准确地描绘作物冠层蒸散，对于作物冠层而言，冠层蒸散变化率取决与单位叶面积指数蒸散量和叶面积指数的变化；冠层蒸散的变化量
式中
为单位叶面积指数蒸散量，
为叶面积指数变化量；
计算植被冠层的光合反应变化，以此来反映植被冠层的蒸散变化，将叶片尺度上的单位叶面积蒸散变化与实际叶面积指数变化耦合起来，利用叶片上的气孔导度计算叶片平均蒸散率，植物冠层的叶片平均蒸散率与冠层的气孔导度相关，且受高度影响，调整系数
为不同高度的单位叶面积蒸散之间的比值；利用改进的模型与遥感数据同化得到的蒸散发变化和叶面积指数变化，可以进行冬小麦逐日干旱动态变化监测，形成较好的业务服务能力。
步骤2中，像素级图像融合的表达式如下：
式中：m，n分别是图像中像素的行列号，在融合处理时，比较远图像A，B中对应位置（m，n）处像素灰度值的大小，以其中灰度值大或小的像素作为融合图像F在位置（m、n）处的像素；选择原图像中灰度值大或小的像素作为融合后的像素，对待融合后的像素进行灰度增强或减弱；可以较好地排除云量的干扰，有助于提高模型模拟与遥感数据同化的精度。
步骤3中，利用Sobol敏感性分析对所述地表能量平衡SEBS模型和WOFOST模型的内置参数进行敏感性分析，是把模型分解为输入值和输出值之间互相组合的函数，设定的输入值
符合均匀分布，则模型分解为：
单个参数和每个参数相互之间的影响视为模型总的方差：
对模型的总方差进行归一化，并设：
获得模型单个参数及参数之间的相互作用的敏感度S0，Si为一阶敏感性参数，S1，2…n为n次敏感度；
最后运行SCE-UA全局优化算法对得到的叶面积指数LAI与遥感反演的对应值进行标定，标定后研究区域的模型模拟值的精度更高；采用SCE-UA算法避免优化过程陷入局部极值区而无法收敛至全局最优的情况；通过构建最小化代价函数，找到全局最优解；
通过对模型敏感性参数进行标定，可以提高模型模拟的精度，更好的反映蒸散值，潜在蒸散值，叶面积指数，也提高了后续同化的精度。
本发明具有以下优点：
1、具有经济性好的优势，可有效克服传统方法耗时、耗力、耗经济的弊端，为作物估产、旱情监测、灌溉水合理利用提供可靠依据；
2、具有时效性强的优势，可同步大面积观测，有效克服了传统调研通达性较差的缺点；
3、无论在空间还是时间上均具有较大的优势，空间上克服了传统“点”尺度的局限性，时间上可动态、实时的根据需求获取相应数据；
4、具有快速、宏观、动态等优点，解决了区域参数获取困难的瓶颈，遥感信息与作物模型相结合可实现优化反演蒸散发和旱情监测目的；
5、将遥感反演蒸散与作物模型相结合输出同化后的蒸散，既可提高遥感反演蒸散精度，又可输出时间连续的蒸散信息；
6、多源遥感数据结合：FY3MERSI/VIRR数据与MODIS陆面产品结合对冬小麦田ET进行优化反演；
7、多模型集成应用：SEBS模型反演ET与作物生长模型耦合，输出改进后的ET和LAI，结合PET进行冬小麦逐日动态变化干旱监测，形成业务服务能力。
附图说明
图1是本发明方法的流程图。
图2是本发明方法的模型同化流程图。
具体实施方式
下面结合附图对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述实施例。
如图1、2所示，本发明所述冬小麦蒸散遥感反演及与作物模型同化方法，按照下述步骤进行：
步骤1，由人机交互接口输入FY-3遥感数据，Modis辅助数据和站点的气象数据。对于输入的遥感数据进行重采样，重投影，大气校正，几何校正，辐射定标等预处理。对于输入的站点气象数据进行筛选，由于输入的站点气象数据中存在缺省值，将缺省值-999改写为空值，通过并对于输入的气象数据进行克里金插值，将站点气象数据插值成栅格气象数据集。将经过步骤一处理的数据分类为遥感数据，站点气象数据和栅格气象数据分别进行存储。遥感数据用于像素级图像融合，站点数据用于地表能量平衡模型的参数标定，栅格气象数据用于ET值的反演。
步骤2，对于已经重采样，重投影的FY-3遥感数据和Modis数据进行像素级图像融合，对融合后的数据进行波段计算，反演地表反照率（Albedo），地表比辐射率（Emis），地表温度（LST），归一化植被指数（NDVI）和叶面积指数（LAI）。为之后的蒸散反演的计算和模型标定做准备。
由于遥感图像时常受到云干扰，导致反演精度受到影响，利用图像融合的方式可以将FY-3遥感数据和Modis数据进行像素级融合，FY-3卫星搭载的VIIR传感器和Modis传感器有着相同的星下分辨率（500M、1KM）和时间分辨率（每天）。FY-3卫星有着与与EOS卫星不同的过境时间，且VIIRS传感器相比较Modis传感器对于可见光反照率等地表参数的反演有着更高的精度，像素级融合FY-3遥感数据和Modis数据，即可以保证了地表参数的反演精度，又可以使用modis数据对有干扰的FY-3卫星数据进行弥补。图像融合的表达式如下：
其中：m，n分别是图像中像素的行列号，在融合处理时，比较远图像A，B中对应位置（m，n）处像素灰度值的大小，以其中灰度值大（或小）的像素作为融合图像F在位置（m、n）处的像素。选择原图像中灰度值大（或小）的像素作为融合后的像素，对待融合后的像素进行灰度增强（或减弱）。可以较好地排除云量的干扰。有助于提高模型模拟与遥感数据同化的精度。
步骤3，将步骤一所得的站点的气象数据和遥感数据带入地表能量平衡（SEBS）模型和WOFOST模型驱动模型运行，使用Python语言下的SALib模块利用sobol敏感性分析对各模型的内置参数进行敏感性分析，筛选出敏感性指数最高的5个参数。
对于地表能量平衡（SEBS）模型和WOFOST模型而言，模型的“区域化”和“本地化”是模型模拟的首要问题。而在应用模型模拟之前，要先对模型参数进行敏感性分析研究，筛选出对蒸散值和叶面积指数形成敏感度高的参数，而后利用实验测定或文献的数据对模型参数进行标定与调整，以满足研究区域的模拟精度。
Sobol敏感性分析的核心是把模型分解为输入值和输出值之间互相组合的函数，假设的输入值
符合均匀分布，则模型可以分解为：
单个参数和每个参数相互之间的影响视为模型总的方差：
对模型的总方差进行归一化，并设：
可获得模型单个参数及参数之间的相互作用的敏感度S0，Si为一阶敏感性参数，S1，2…n为n次敏感度。
最后运行SCE-UA全局优化算法对得到的叶面积指数（LAI）与遥感反演的对应值进行标定。标定后研究区域的的模型模拟值的精度更高。采用SCE-UA算法可以避免优化过程陷入局部极值区而无法收敛至全局最优的情况。通过构建最小化代价函数，找到全局最优解。
通过对模型敏感性参数进行标定，可以提高模型模拟的精度，更好的反映蒸散值，潜在蒸散值，叶面积指数，也提高了后续同化的精度。
步骤4，以步骤一得到地表反照率，地表温度，归一化植被指数等地表参数和栅格气象数据集驱动标定后的SEBS模型得到每个像元上的基于遥感数据的反演所得的蒸散值（ET）和潜在蒸散值（PET），以栅格气象数据集驱动WOFOST模型模拟得到像元上的叶面积指数。结合图像融合后的遥感数据反演得到的每个像元的LAI值，利用EnKF同化对模型在每个像元的模拟进行数据同化，修正模型模拟与实际值的偏差。
基于SEBS模型，利用FY-3遥感数据反演蒸散发，其所需的气象驱动数据来源于研究区及其附近的气象站点，内容主要为气温、气压、相对湿度、风速等，所需对的DEM数据来自于地理空间数据云，所需的地表物理参数包括地表反照率、NDVI（归一化植被指数）、LAI（叶面积指数）、地表温度、地表比辐射率、粗糙度等，根据地表参数可以计算出地表的净辐射通量、感热通量、和土壤热通量，进而求得潜热通量，最终计算出蒸散发量。地表能量平衡方程表示公式如（1）：
该公式不考虑水平方向能量输送转移，式中：
代表地表净辐射通量，W/m²；
为土壤热通量，W/m²；
为感热通量，W/m²；
为潜热通量（其中
为汽化潜热，E为水分蒸发蒸腾总量），W/m²。用于植物光合作用和生物量增加的部分一般可忽略不计，即
；冠层储热也不予考虑，简化后的地表能量平衡方程表达如式（2）：
由公式知，分别确定地表净辐射通量、感热通量以及土壤热通量三项，即可确定潜热通量，进而通过潜热通量，反演蒸散发，其公式如（3）：
地表净辐射是地表水分传输的主要动力，也是气候形成与变化的重要驱动力，其计算如公式（4）：
式中：
为地表净辐射通量；
为地表反照率；
为地表接受的太阳短波辐射；
为来自大气长波辐射；
为地表比辐射率；
为地表温度；
为Stefan-Bolzmann常数。
根据本研究已有资料，土壤热通量的计算如式（5）：
式中，
，是完全被植被覆盖的地区土壤热通量与净辐射通量的比值；
为植被覆盖度；
，是裸土地区土壤热通量与净辐射通量的比值。
同化采用集合卡尔曼滤波法，利用蒙特卡洛采样设计预测状态的集合，利用集合的误差协方差来避免复杂算子的计算。提高了同化效率。其表达式如下：
式中
即为模型WOFOST模型，
是t时刻的真实值（WOFOST模型t时刻输出的真实LAI），
为用于驱动模型的气象数据，
为模型的参数。
为t时刻的遥感数据反演值，
，
分别是预测方程和观测方程的误差。但一步预测值只是通过模型向前运行得到的，要得到 t 时刻 LAI 的估计值，还需要将该时刻的卫星反演值同化进去。
式中
表示t时刻的估计值，
表示t时刻的遥感数据的反演值，
表示滤波增益。
使用遥感数据与模型模拟值进行同化，可以同化大面积的观测。将遥感反演蒸散与作物模型相结合输出同化后的LAI，既可提高遥感反演叶面积指数的精度，又可输出时间连续的叶面积指数的信息。
步骤5，基于遥感反演的蒸散发数据和LAI数据，改进作物缺水指数（CWSIp），对冬小麦田土壤水分状况进行旱情监测，该指数基于能量平衡原理，根据地表实际蒸散发与土壤含水量的关系评估区域缺水情况，其表达如式（8）。
式中
为实际蒸散发（mm），
为潜在蒸散发（mm），
代表任一像元位置对于上一个监测时相的实际LAI变化量，
为供水充足的情况下作物的LAI变化量，
为调整系数。该指数综合考虑了蒸散和LAI，当该值越接近于0，代表其越干旱。
改进的作物缺水指数在原有的基础上考虑了作物冠层的蒸散，增加的了对光合反应速率的计算，更为准确地描绘作物冠层蒸散，对于作物冠层而言，冠层蒸散变化率取决与单位叶面积指数蒸散量和叶面积指数的变化。冠层蒸散的变化量
的计算公式为
式中
为单位叶面积指数蒸散量，
为叶面积指数变化量。
计算植被冠层的光合反应变化，以此来反映植被冠层的蒸散变化，将叶片尺度上的单位叶面积蒸散变化与实际叶面积指数变化耦合起来，利用叶片上的气孔导度计算叶片平均蒸散率，植物冠层的叶片平均蒸散率与冠层的气孔导度相关，且受高度影响，调整系数为不同高度的单位叶面积蒸散之间的比值。利用改进的的模型与遥感数据同化得到的蒸散发变化和叶面积指数变化，可以进行冬小麦逐日干旱动态变化监测，形成较好的业务服务能力。
Claims (3)
1.一种冬小麦蒸散遥感反演及与作物模型同化方法，其特征在于：包括下述步骤：
步骤1，由人机交互接口输入FY-3遥感数据、Modis辅助数据和站点气象数据；对于输入的所述遥感数据进行重采样、重投影、大气校正、几何校正、辐射定标预处理；对于输入的所述站点气象数据进行筛选；由于输入的站点气象数据中存在缺省值，将缺省值-999改写为空值，并对输入的气象数据进行克里金插值，将站点气象数据插值成栅格气象数据集；将经过步骤一处理的数据分类为遥感数据、站点气象数据和栅格气象数据并分别进行存储；遥感数据用于像素级图像融合，站点数据用于地表能量平衡模型的参数标定，栅格气象数据用于ET值的反演；
步骤2，对于已经重采样、重投影的FY-3遥感数据和Modis数据进行像素级图像融合，对融合后的数据进行波段计算，反演地表反照率、地表比辐射率、地表温度、归一化植被指数和叶面积指数；
步骤3，将步骤1所得的站点气象数据和遥感数据带入地表能量平衡模型和WOFOST模型驱动模型运行，使用Python语言下的SALib模块，利用Sobol敏感性分析对所述地表能量平衡模型和WOFOST模型的内置参数进行敏感性分析，筛选出敏感性指数最高的五个参数；
步骤4，以步骤1得到地表反照率、地表温度、归一化植被指数的地表参数和栅格气象数据集，驱动标定后的SEBS模型得到每个像元上的基于遥感数据的反演所得的蒸散值和潜在蒸散值，以栅格气象数据集驱动WOFOST模型模拟得到像元上的叶面积指数；结合图像融合后的遥感数据反演得到的每个像元的LAI值，利用EnKF同化对模型在每个像元的模拟进行数据同化，修正模型模拟与实际值的偏差；
基于SEBS模型，利用FY-3遥感数据反演蒸散发，其所需的气象驱动数据来源于研究区及其附近的气象站点，内容主要为气温、气压、相对湿度、风速；所需的DEM数据来自于地理空间数据云，所需的地表物理参数包括地表反照率、NDVI、LAI、地表温度、地表比辐射率、粗糙度；根据地表参数计算出地表的净辐射通量、感热通量和土壤热通量，进而求得潜热通量，最终计算出蒸散发量；地表能量平衡方程表示公式如（1）：
公式（1）无水平方向能量输送转移，式中：
代表地表净辐射通量，W/m²；
为土壤热通量，W/m²；
为感热通量，W/m²；
为潜热通量，其中
为汽化潜热，E为水分蒸发蒸腾总量，W/m²；用于植物光合作用和生物量增加的部分忽略不计，即
；冠层储热忽略，简化后的地表能量平衡方程表达如式（2）：
由公式（2），分别确定地表净辐射通量、感热通量以及土壤热通量三项，即可确定潜热通量，进而通过潜热通量，反演蒸散发，其公式如（3）：
地表净辐射是地表水分传输的主要动力，也是气候形成与变化的重要驱动力，其计算如公式（4）：
式中：
为地表净辐射通量；
为地表反照率；
为地表接受的太阳短波辐射；
为来自大气长波辐射；
为地表比辐射率；
为地表温度；
为Stefan-Bolzmann常数；
根据已有资料，土壤热通量的计算如式（5）：
式中，
，是完全被植被覆盖的地区土壤热通量与净辐射通量的比值；
为植被覆盖度；
，是裸土地区土壤热通量与净辐射通量的比值；
同化采用集合卡尔曼滤波法，利用蒙特卡洛采样设计预测状态的集合，利用集合的误差协方差来避免复杂算子的计算，提高了同化效率；其表达式如下：
式中
即为模型WOFOST模型，
是t时刻的真实值（WOFOST模型t时刻输出的真实LAI），
为用于驱动模型的气象数据，
为模型的参数；
为t时刻的遥感数据反演值，
、
分别是预测方程和观测方程的误差；但一步预测值只是通过模型向前运行得到的，要得到 t 时刻 LAI 的估计值，还需要将该时刻的卫星反演值同化进去；
式中
表示t时刻的估计值，
表示t时刻的遥感数据的反演值，
表示滤波增益；
步骤5，基于遥感反演的蒸散发数据和LAI数据，改进作物缺水指数CWSIp，对冬小麦田土壤水分状况进行旱情监测，该指数基于能量平衡原理，根据地表实际蒸散发与土壤含水量的关系评估区域缺水情况，其表达如式（8）：
式中
为实际蒸散发（mm），
为潜在蒸散发（mm），
代表任一像元位置对于上一个监测时相的实际LAI变化量，
为供水充足情况下作物的LAI变化量，
为调整系数；作物缺水指数CWSIp综合考虑了蒸散和LAI，当该值越接近于0，代表其越干旱。
2.根据权利要求1所述的冬小麦蒸散遥感反演及与作物模型同化方法，其特征在于：步骤2中，像素级图像融合的表达式如下：
式中：m，n分别是图像中像素的行列号，在融合处理时，比较远图像A，B中对应位置（m，n）处像素灰度值的大小，以其中灰度值大或小的像素作为融合图像F在位置（m、n）处的像素；选择原图像中灰度值大或小的像素作为融合后的像素，对待融合后的像素进行灰度增强或减弱。
3.根据权利要求1所述的冬小麦蒸散遥感反演及与作物模型同化方法，其特征在于：步骤3中，利用Sobol敏感性分析对所述地表能量平衡SEBS模型和WOFOST模型的内置参数进行敏感性分析，是把模型分解为输入值和输出值之间互相组合的函数，设定的输入值
符合均匀分布，则模型分解为：
单个参数和每个参数相互之间的影响视为模型总的方差：
对模型的总方差进行归一化，并设：
获得模型单个参数及参数之间的相互作用的敏感度S0，Si为一阶敏感性参数，S1，2…n为n次敏感度；
最后运行SCE-UA全局优化算法对得到的叶面积指数LAI与遥感反演的对应值进行标定，标定后研究区域的模型模拟值的精度更高；采用SCE-UA算法避免优化过程陷入局部极值区而无法收敛至全局最优的情况；通过构建最小化代价函数，找到全局最优解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110241983.8A CN112991247B (zh) | 2021-03-04 | 2021-03-04 | 冬小麦蒸散遥感反演及与作物模型同化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110241983.8A CN112991247B (zh) | 2021-03-04 | 2021-03-04 | 冬小麦蒸散遥感反演及与作物模型同化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112991247A true CN112991247A (zh) | 2021-06-18 |
| CN112991247B CN112991247B (zh) | 2022-06-03 |
Family
ID=76352737
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110241983.8A Active CN112991247B (zh) | 2021-03-04 | 2021-03-04 | 冬小麦蒸散遥感反演及与作物模型同化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112991247B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113642191A (zh) * | 2021-08-25 | 2021-11-12 | 中国水利水电科学研究院 | 一种基于短波红外的遥感蒸散模型构建方法 |
| CN114925326A (zh) * | 2022-05-15 | 2022-08-19 | 中国科学院地理科学与资源研究所 | 多目标约束下旱区地下水位的迭代同化测量方法 |
| CN116071644A (zh) * | 2022-12-20 | 2023-05-05 | 中化现代农业有限公司 | 逐日叶面积指数数据反演方法、装置、设备及存储介质 |
| CN116076339A (zh) * | 2022-11-11 | 2023-05-09 | 广西壮族自治区水利科学研究院 | 一种田间智能灌溉系统 |
| CN116502050A (zh) * | 2023-06-25 | 2023-07-28 | 中国农业科学院农业资源与农业区划研究所 | 全球通量站点蒸散发观测缺失的动态插补方法与系统 |
| CN116958814A (zh) * | 2023-07-24 | 2023-10-27 | 河北工程大学 | 一种湿地典型植物生长情况实时监测方法及系统 |
| CN117131313A (zh) * | 2023-10-23 | 2023-11-28 | 沈阳仪表科学研究院有限公司 | 一种中药材土壤墒情参数计算方法、计算机设备及介质 |
| CN118366059A (zh) * | 2024-06-20 | 2024-07-19 | 山东锋士信息技术有限公司 | 一种基于光学和sar数据融合的作物需水量计算方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102176002A (zh) * | 2010-12-30 | 2011-09-07 | 中国科学院地理科学与资源研究所 | 基于地表水热通量遥感反演的干旱监测方法及系统 |
| CN103810387A (zh) * | 2014-02-13 | 2014-05-21 | 中国科学院地理科学与资源研究所 | 基于modis数据的地表蒸散发全遥感反演方法及系统 |
| US8924031B1 (en) * | 2011-08-01 | 2014-12-30 | The United States Of America, As Represented By The Secretary Of Agriculture | Irrigation scheduling and supervisory control and data acquisition system for moving and static irrigation systems |
| CN104765981A (zh) * | 2015-05-07 | 2015-07-08 | 中国科学院地理科学与资源研究所 | 一种基于分布式时变增益水文模型的蒸散发数据同化方法 |
| CN105321120A (zh) * | 2014-06-30 | 2016-02-10 | 中国农业科学院农业资源与农业区划研究所 | 同化蒸散发和叶面积指数的区域土壤水分监测方法 |
| CN108509836A (zh) * | 2018-01-29 | 2018-09-07 | 中国农业大学 | 双极化合成孔径雷达与作物模型数据同化的作物估产方法 |
| CN108875237A (zh) * | 2018-06-28 | 2018-11-23 | 中国科学院地理科学与资源研究所 | 基于GF-1和Landsat-8结合的作物蒸散发遥感反演方法和系统 |
| CN108984867A (zh) * | 2018-06-28 | 2018-12-11 | 中国科学院地理科学与资源研究所 | 基于gf-4和modis结合的蒸散发遥感反演方法和系统 |
| US20190230875A1 (en) * | 2015-08-05 | 2019-08-01 | Clearag, Inc. | Customized land surface modeling in a soil-crop system using satellite data to detect irrigation and precipitation events for decision support in precision agriculture |
| CN110599360A (zh) * | 2019-09-20 | 2019-12-20 | 福州大学 | 一种干旱区农作物生长季蒸散发高分辨率遥感估算方法 |
| CN111999251A (zh) * | 2020-08-14 | 2020-11-27 | 中国水利水电科学研究院 | 基于热红外遥感的区域植被蒸腾和土壤蒸发反演的遥感模型方法 |
| CN112052988A (zh) * | 2020-08-18 | 2020-12-08 | 中国农业大学 | 耦合多目标优化和集合同化的作物产量估测方法及应用 |
-
2021
- 2021-03-04 CN CN202110241983.8A patent/CN112991247B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102176002A (zh) * | 2010-12-30 | 2011-09-07 | 中国科学院地理科学与资源研究所 | 基于地表水热通量遥感反演的干旱监测方法及系统 |
| US8924031B1 (en) * | 2011-08-01 | 2014-12-30 | The United States Of America, As Represented By The Secretary Of Agriculture | Irrigation scheduling and supervisory control and data acquisition system for moving and static irrigation systems |
| CN103810387A (zh) * | 2014-02-13 | 2014-05-21 | 中国科学院地理科学与资源研究所 | 基于modis数据的地表蒸散发全遥感反演方法及系统 |
| CN105321120A (zh) * | 2014-06-30 | 2016-02-10 | 中国农业科学院农业资源与农业区划研究所 | 同化蒸散发和叶面积指数的区域土壤水分监测方法 |
| CN104765981A (zh) * | 2015-05-07 | 2015-07-08 | 中国科学院地理科学与资源研究所 | 一种基于分布式时变增益水文模型的蒸散发数据同化方法 |
| US20190230875A1 (en) * | 2015-08-05 | 2019-08-01 | Clearag, Inc. | Customized land surface modeling in a soil-crop system using satellite data to detect irrigation and precipitation events for decision support in precision agriculture |
| CN108509836A (zh) * | 2018-01-29 | 2018-09-07 | 中国农业大学 | 双极化合成孔径雷达与作物模型数据同化的作物估产方法 |
| CN108875237A (zh) * | 2018-06-28 | 2018-11-23 | 中国科学院地理科学与资源研究所 | 基于GF-1和Landsat-8结合的作物蒸散发遥感反演方法和系统 |
| CN108984867A (zh) * | 2018-06-28 | 2018-12-11 | 中国科学院地理科学与资源研究所 | 基于gf-4和modis结合的蒸散发遥感反演方法和系统 |
| CN110599360A (zh) * | 2019-09-20 | 2019-12-20 | 福州大学 | 一种干旱区农作物生长季蒸散发高分辨率遥感估算方法 |
| CN111999251A (zh) * | 2020-08-14 | 2020-11-27 | 中国水利水电科学研究院 | 基于热红外遥感的区域植被蒸腾和土壤蒸发反演的遥感模型方法 |
| CN112052988A (zh) * | 2020-08-18 | 2020-12-08 | 中国农业大学 | 耦合多目标优化和集合同化的作物产量估测方法及应用 |
Non-Patent Citations (22)
| Title |
|---|
| LI YING等: ""Research on remote sensing information and WheatSM model-based winter wheat yield estimation"", 《SPIE ASIA-PACIFIC REMOTE SENSING》 * |
| LI YING等: ""Research on remote sensing information and WheatSM model-based winter wheat yield estimation"", 《SPIE ASIA-PACIFIC REMOTE SENSING》, 22 October 2018 (2018-10-22), pages 1 - 9, XP060113430, DOI: 10.1117/12.2324395 * |
| WEN ZHUO等: ""Prediction of Winter Wheat Maturity Dates through Assimilating Remotely Sensed Leaf Area Index into Crop Growth Model"", 《REMOTE SENSING》 * |
| WEN ZHUO等: ""Prediction of Winter Wheat Maturity Dates through Assimilating Remotely Sensed Leaf Area Index into Crop Growth Model"", 《REMOTE SENSING》, 7 September 2020 (2020-09-07), pages 1 - 19 * |
| XIN TIAN等: ""Simulation of Forest Evapotranspiration Using Time-Series Parameterization of the Surface Energy Balance System (SEBS) over the Qilian Mountains"", 《REMOTE SENSING》 * |
| XIN TIAN等: ""Simulation of Forest Evapotranspiration Using Time-Series Parameterization of the Surface Energy Balance System (SEBS) over the Qilian Mountains"", 《REMOTE SENSING》, 26 November 2015 (2015-11-26), pages 15822 - 15843 * |
| 李庆敏: ""基于SEBS模型的地表蒸散发估算研究"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
| 李庆敏: ""基于SEBS模型的地表蒸散发估算研究"", 《中国优秀硕士学位论文全文数据库 基础科学辑》, 15 January 2020 (2020-01-15), pages 009 - 31 * |
| 李颖等: ""同化遥感信息与WheatSM模型的冬小麦估产"", 《生态学杂志》 * |
| 李颖等: ""同化遥感信息与WheatSM模型的冬小麦估产"", 《生态学杂志》, 31 July 2019 (2019-07-31), pages 2258 - 2264 * |
| 李颖等: ""基于冬小麦农业气候分区的WOFOST模型参数标定"", 《应用气象学报》 * |
| 李颖等: ""基于冬小麦农业气候分区的WOFOST模型参数标定"", 《应用气象学报》, 31 January 2021 (2021-01-31), pages 38 - 51 * |
| 李颖等: ""遥感与作物模型融合的省级农情监测关键技术研究与应用"", 《科技成果》 * |
| 李颖等: ""遥感与作物模型融合的省级农情监测关键技术研究与应用"", 《科技成果》, 3 March 2021 (2021-03-03), pages 1 - 4 * |
| 王万同: ""基于遥感技术的区域地表蒸散估算研究——以伊洛河流域为例"", 《中国博士学位论文全文数据库 信息科技辑》 * |
| 王万同: ""基于遥感技术的区域地表蒸散估算研究——以伊洛河流域为例"", 《中国博士学位论文全文数据库 信息科技辑》, 15 December 2012 (2012-12-15), pages 140 - 37 * |
| 王治海: ""基于遥感信息的区域农业干旱模拟技术研究"", 《中国优秀硕士学位论文全文数据库 农业科学辑》 * |
| 王治海: ""基于遥感信息的区域农业干旱模拟技术研究"", 《中国优秀硕士学位论文全文数据库 农业科学辑》, 15 October 2013 (2013-10-15), pages 046 - 1 * |
| 陈怀亮等: ""农作物长势遥感监测业务化应用与研究进展"", 《气象与环境科学》 * |
| 陈怀亮等: ""农作物长势遥感监测业务化应用与研究进展"", 《气象与环境科学》, 28 February 2015 (2015-02-28), pages 95 - 102 * |
| 陈怀亮等: ""利用亚像元尺度信息改进区域冬小麦生长的模拟"", 《生态学杂志》 * |
| 陈怀亮等: ""利用亚像元尺度信息改进区域冬小麦生长的模拟"", 《生态学杂志》, 31 July 2018 (2018-07-31), pages 2221 - 2228 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113642191A (zh) * | 2021-08-25 | 2021-11-12 | 中国水利水电科学研究院 | 一种基于短波红外的遥感蒸散模型构建方法 |
| CN114925326A (zh) * | 2022-05-15 | 2022-08-19 | 中国科学院地理科学与资源研究所 | 多目标约束下旱区地下水位的迭代同化测量方法 |
| CN116076339A (zh) * | 2022-11-11 | 2023-05-09 | 广西壮族自治区水利科学研究院 | 一种田间智能灌溉系统 |
| CN116076339B (zh) * | 2022-11-11 | 2024-06-07 | 广西壮族自治区水利科学研究院 | 一种田间智能灌溉系统 |
| CN116071644A (zh) * | 2022-12-20 | 2023-05-05 | 中化现代农业有限公司 | 逐日叶面积指数数据反演方法、装置、设备及存储介质 |
| CN116071644B (zh) * | 2022-12-20 | 2023-08-08 | 中化现代农业有限公司 | 逐日叶面积指数数据反演方法、装置、设备及存储介质 |
| CN116502050A (zh) * | 2023-06-25 | 2023-07-28 | 中国农业科学院农业资源与农业区划研究所 | 全球通量站点蒸散发观测缺失的动态插补方法与系统 |
| CN116502050B (zh) * | 2023-06-25 | 2023-09-15 | 中国农业科学院农业资源与农业区划研究所 | 全球通量站点蒸散发观测缺失的动态插补方法与系统 |
| CN116958814A (zh) * | 2023-07-24 | 2023-10-27 | 河北工程大学 | 一种湿地典型植物生长情况实时监测方法及系统 |
| CN117131313A (zh) * | 2023-10-23 | 2023-11-28 | 沈阳仪表科学研究院有限公司 | 一种中药材土壤墒情参数计算方法、计算机设备及介质 |
| CN118366059A (zh) * | 2024-06-20 | 2024-07-19 | 山东锋士信息技术有限公司 | 一种基于光学和sar数据融合的作物需水量计算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112991247B (zh) | 2022-06-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112991247B (zh) | 冬小麦蒸散遥感反演及与作物模型同化方法 | |
| Huang et al. | Jointly assimilating MODIS LAI and ET products into the SWAP model for winter wheat yield estimation | |
| CN106918816B (zh) | 农作物长势监测系统及其数据处理方法和模块 | |
| CN110909933B (zh) | 一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法 | |
| CN107014753B (zh) | 作物长势监测方法和系统 | |
| CN103810387A (zh) | 基于modis数据的地表蒸散发全遥感反演方法及系统 | |
| Ahmad et al. | Agro-ecological zones of Punjab, Pakistan | |
| CN105046242A (zh) | 一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法 | |
| CN102194127A (zh) | 一种多频率sar数据农作物遥感分类方法 | |
| Dehkordi et al. | Yield gap analysis using remote sensing and modelling approaches: Wheat in the northwest of Iran | |
| CN109211791A (zh) | 作物长势监测方法及系统 | |
| Li et al. | A comparative review of the state and advancement of Site-Specific Crop Management in the UK and China | |
| CN116519913B (zh) | 基于星载和地基平台融合的gnss-r数据土壤水分监测方法 | |
| CN112667955B (zh) | 基于遥感估算区域尺度玉米潜在产量与产量差的方法与应用 | |
| Li et al. | BESSv2. 0: A satellite-based and coupled-process model for quantifying long-term global land–atmosphere fluxes | |
| Bandaru et al. | Geo-CropSim: A Geo-spatial crop simulation modeling framework for regional scale crop yield and water use assessment | |
| CN115375036A (zh) | 遥感、光能利用率模型与气象融合的作物成熟期预测方法 | |
| CN112380497B (zh) | 用于区域玉米的秸秆系数估算方法及系统 | |
| Tian et al. | Comparison of two optimization algorithms for estimating regional winter wheat yield by integrating MODIS leaf area index and world food studies model | |
| Duan et al. | A benchmark dataset of diurnal-and seasonal-scale radiation, heat and CO 2 fluxes in a typical East Asian monsoon region | |
| Duveiller et al. | Optical remote sensing requirements for operational crop monitoring and yield forecasting in Europe | |
| CN116114450A (zh) | 基于遥感的玉米氮素立体调控方法 | |
| Xie et al. | TAVIs: Topographically adjusted vegetation index for a reliable proxy of gross primary productivity in mountain ecosystems | |
| Argento | Combined digital and standard methods to optimize nitrogen (N) management and reduce N surplus in winter wheat (T. aestivum) production | |
| Yang et al. | Integrating remotely sensed data with an ecosystem model to estimate crop yield in north China |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |