CN115689100A - 一种基于数据同化的区域作物用水效率评估方法及系统 - Google Patents
一种基于数据同化的区域作物用水效率评估方法及系统 Download PDFInfo
- Publication number
- CN115689100A CN115689100A CN202210773881.5A CN202210773881A CN115689100A CN 115689100 A CN115689100 A CN 115689100A CN 202210773881 A CN202210773881 A CN 202210773881A CN 115689100 A CN115689100 A CN 115689100A
- Authority
- CN
- China
- Prior art keywords
- crop
- data
- remote sensing
- model
- water
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于数据同化的区域作物用水效率评估方法及系统,属于农业遥感及农业水资源管理技术领域。通过对作物模型进行标定;利用同化算法将采集到的遥感叶面积指数数据和遥感土壤水分数据融合到标定后作物模型中,得到同化后作物模型,有效提高了作物模型模拟的精度。利用同化后作物模型估算研究区域作物产量,并基于根据作物表面上的净辐射、土壤热通量、风速以及饱和水汽压差得到的研究区作物需水量,可计算得到研究区域作物用水效率,实现了区域尺度作物用水效率的高精度评估。
Description
技术领域
本发明涉及农业遥感及农业水资源管理技术领域,特别是涉及一种基于数据同化的区域作物用水效率评估方法及系统。
背景技术
作为农业大国,农业水资源短缺成为限制我国粮食安全的重要瓶颈之一,同时水资源时空变化不均匀也对农业用水造成不利影响,尤其是在我国北方的干旱和半干旱地区。准确量化农业生产过程用水效率可以明确作物生产过程中水资源消耗数量,对发展节水农业具有重要意义,可为大区域农业用水管理以及水资源高效利用提供参考。
目前对于作物用水效率评估的方法主要有基于作物蒸发蒸腾量的评估方法,其中基于作物蒸发蒸腾量的评估方法能反映田间尺度作物耗水特征,却无法反映区域尺度作物的真实水分消耗和用水效率。
因此,亟需一种高精度的区域尺度作物用水效率评估方法及系统。
发明内容
本发明的目的是提供一种基于数据同化的区域作物用水效率评估方法及系统,利用数据同化技术将遥感数据同化到作物模型中,充分利用区域作物生长在时间和空间上的连续性,可有效提高作物模型的模拟精度,实现区域尺度作物用水效率的高精度评估。
为实现上述目的,本发明提供了如下方案:
一种基于数据同化的区域作物用水效率评估方法,包括:
基于敏感性分析方法对作物模型的参数进行标定,得到标定后作物模型;
利用遥感产品采集研究区域内作物的叶面积指数数据和土壤水分数据,获得遥感叶面积指数数据和遥感土壤水分数据;
采用同化算法将所述遥感叶面积指数数据和所述遥感土壤水分数据融合到所述标定后作物模型中,得到同化后作物模型;
根据所述同化后作物模型估算研究区域作物产量;
根据作物生育期内的气象数据计算研究区作物需水量;
根据所述研究区域作物产量和所述研究区作物需水量得到研究区域作物用水效率。
一种基于数据同化的区域作物用水效率评估系统,包括:
标定模块,用于基于敏感性分析方法对作物模型的参数进行标定,得到标定后作物模型;
遥感数据获取模块,用于利用遥感产品采集研究区域内作物的叶面积指数数据和土壤水分数据,获得遥感叶面积指数数据和遥感土壤水分数据;
同化模块,用于采用同化算法将所述遥感叶面积指数数据和所述遥感土壤水分数据融合到所述标定后作物模型中,得到同化后作物模型;
产量计算模块,用于根据所述同化后作物模型估算研究区域作物产量;
需水量计算模块,用于根据作物生育期内的气象数据计算研究区作物需水量;
用水效率计算模块,用于根据所述研究区域作物产量和所述研究区作物需水量得到研究区域作物用水效率。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种基于数据同化的区域作物用水效率评估方法及系统,通过对作物模型进行标定;利用同化算法将采集到的遥感叶面积指数数据和遥感土壤水分数据融合到标定后作物模型中,得到同化后作物模型,有效提高了作物模型模拟的精度。利用同化后作物模型估算研究区域作物产量,并根据作物表面上的净辐射、土壤热通量、风速以及饱和水汽压差得到的研究区作物需水量,可计算得到研究区域作物用水效率,实现了区域尺度作物用水效率的高精度评估。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见的,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的基于数据同化的区域作物用水效率评估方法的流程图;
图2为本发明实施例1中研究区域作物产量的空间分布图;
图3为实施例1中研究区域作物需水量的时空分布图;
图4为实施例1中研究区域作物用水效率的时空分布图;
图5为本发明实施例2提供的基于数据同化的区域作物用水效率评估系统的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于数据同化的区域作物用水效率评估方法及系统,利用数据同化技术将遥感数据同化到作物模型中,充分利用区域作物生长在时间和空间上的连续性,可有效提高作物模型的模拟精度,实现区域尺度作物用水效率的高精度评估。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1:
目前对于作物用水效率评估的方法主要有基于作物蒸发蒸腾量的评估方法、基于作物模型的评估方法和基于遥感数据的评估方法。基于作物蒸发蒸腾量的评估方法能反映田间尺度作物耗水特征,却无法反映区域尺度真实水分消耗和用水效率。基于作物模型的评估方法主要基于站点尺度,虽然采用实测数据较为准确,但数据较疏散,只关注田间尺度的水分消耗,难以支撑其在区域尺度的应用。基于遥感数据的评估方法虽然满足大区域作物用水效率的量化,但是其空间分辨率较低而且时间不连续,即使使用不同时间和空间分辨率数据进行融合,其获得结果的精度在精细研究中还需要进一步提升。总体而言,已有研究对于作物用水效率的评估多数采用站点数据,在评估区域尺度作物用水效率时,存在空间分辨率低和结果精度低等缺陷。基于此,本实施例为克服上述技术缺陷,提供了一种基于数据同化的区域作物用水效率评估方法,参阅图 1,包括:
S1:基于敏感性分析方法对作物模型的参数进行标定,得到标定后作物模型,其中,所述作物模型为WOFOST模型。S1具体包括:
S11:将作物产量、叶面积指数LAI和土壤含水量SM作为敏感性分析指标;
S12:利用扩展傅里叶幅度检测法分析所述作物模型中的作物参数、土壤参数和田间场地参数对所述敏感性分析指标的全局敏感性和一阶敏感性,得到敏感性分析结果;
S13:根据所述敏感性分析结果对所述作物参数、所述土壤参数和所述田间场地参数进行调整,得到调整参数后作物模型,具体的对于敏感性分析结果为对作物产量、LAI和SM敏感性较大的模型参数,参考实测值对其进行人为校准,其中所述实测值包括实测作物产量、实测LAI和实测SM;对于敏感性分析结果为对作物产量、LAI和SM敏感性较小的参数,则将该参数值更改为 WOFOST模型默认值或相关的参考值;
S14:将气象数据、作物管理数据、作物数据和土壤数据输入至所述调整后作物模型中,输出模拟值,其中所述模拟值包括模拟作物产量、模拟LAI 和模拟SM;
S15:计算模拟值与实测值的标准均方根误差;
S16:若所述标准均方根误差小于或等于设定阈值,则将所述调整参数后的作物模型作为最终的所述标定后作物模型;
否则,返回S13步骤。
为了保证标定后作物模型的精确度,还需要利用实测的作物产量、叶面积指数LAI和土壤含水量SM对标定后作物模型进行验证。
S2:利用遥感产品采集研究区域内作物的叶面积指数数据和土壤水分数据,获得遥感叶面积指数数据和遥感土壤水分数据,具体包括:
获取所述叶面积指数数据;
利用反距离权重法对所述叶面积指数数据进行插值,得到叶面积指数的时间序列数据;
将所述叶面积指数的时间序列数据进行平滑和拟合处理,得到处理后时间序列数据;
将所述处理后时间序列数据作为所述遥感叶面积指数数据;
获取所述土壤水分数据;
利用反距离权重法对所述土壤水分数据进行插值,得到土壤水分的时间序列数据;
将所述土壤水分的时间序列数据作为所述遥感土壤水分数据。
S3:采用同化算法将所述遥感叶面积指数数据和所述遥感土壤水分数据融合到所述标定后作物模型中,得到同化后作物模型,其中所述同化算法为集合卡尔曼滤波算法;
S3具体包括:
S31:设定卡尔曼滤波的集合个数;
S32:根据上一时刻每一集合的状态变量,利用所述标定后作物模型预测得到下一时刻每一集合的状态变量,其中状态变量为根据所述标定后作物模型模拟得到的土壤水分和叶面积指数;
S33:将下一时刻的观测数据输入至所述标定后作物模型,优化下一时刻每一集合的状态变量,得到优化后的下一时刻每一集合的状态变量,其中观测数据包括所述遥感土壤水分数据和所述遥感叶面积指数数据;
S34:根据所述优化后的下一时刻每一集合的状态变量得到下一时刻所述标定后作物模型的状态变量的最优值;
S35:将所述最优值作为新的上一时刻每一集合的状态变量,返回“根据上一时刻每一集合的状态变量,利用所述标定后作物模型预测得到下一时刻每一集合的状态变量”步骤,直至将所有时刻的观测数据全部输入至所述标定后作物模型,得到所述同化后作物模型。
作为一种可选的实施方式,S33具体包括:
根据所述下一时刻每一集合的状态变量计算得到下一时刻所述标定后作物模型的状态变量的误差协方差;
根据所述误差协方差计算得到下一时刻的卡尔曼增益矩阵;
根据所述下一时刻的卡尔曼增益矩阵和所述下一时刻的观测数据优化下一时刻每一集合的状态变量,得到所述优化后的下一时刻每一集合的状态变量。
S4:根据所述同化后作物模型估算研究区域作物产量,具体的:
根据所述同化后作物模型估算研究区域内每一网格单元中的作物产量,得到每一网格单元的同化产量;
根据每一网格单元的同化产量得到研究区域作物产量。
S5:根据作物生育期内的气象数据计算研究区作物需水量;
S6:根据所述研究区域作物产量和所述研究区作物需水量得到研究区域作物用水效率。
为了使本领域技术人员更加清楚上述区域作物用水效率评估方法的具体过程,下述采用具体示例进行解释。
本示例选择中国陕西省中部的主要粮食生产区-关中平原咸阳市为研究区域,总面积约为10196km2(107°38′-109°10′E,34°9′-35°34′N),平均海拔为578m,该区域属于温带季风气候,年均降水量为537-650mm,年均气温为9.0-13.2℃,土质疏松肥沃,光、热、水资源丰富,种植模式主要为冬小麦与夏玉米轮作,是我国以小麦为主的粮食主要产地之一,也是陕西省重要的粮仓。冬小麦播种期在10月上旬至中旬,返青期在3月上旬至3月中旬,拔节期在3月下旬至4月中旬,抽穗期和灌浆期在4月下旬至5月上旬,乳熟期在5月中旬至5月下旬,收获期在6月中旬至6月下旬。
所需数据主要包括:气象数据来源于国家气象信息中心,主要包括作物模型所需要的最高气温、最低气温、水汽压、太阳辐射、降水、风速等;土壤参数来源于世界土壤数据库,主要包括土壤饱和含水率、土壤导水率、田间持水量和凋萎系数;作物参数和田间管理参数通过模型默认值以及查阅文献获得,作物参数主要包括不同生育阶段所需要的积温、不同生育阶段最大二氧化碳同化效率和不同器官的同化物转化效率;田间管理数据来源于不同年份的实际田间管理数据,主要包括播种时间、灌水量等;场地参数包括初始土壤含水层深度、土壤剖面中初始水量等。SM时间序列数据来源于利用土壤湿度主动被动 (SMAP)任务获取时间分辨率为9km、时间分辨率为3小时的4级土壤湿度(L.4_SM)产品,LAI时间序列数据来源于MODIS-LAI数据产品中空间分辨率为500m,时间分辨率为4天的MCD15A3H,作物产量数据来源于官方统计数据。
为满足区域数据同化的需要,将气象数据以及土壤参数经过反距离权重法 (IDW)插值到1km×1km的网格。
步骤(1):利用敏感性分析对WOFOST模型中的参数进行分析,实现对模型参数的标定。
将作物产量、LAI和SM作为模型敏感性分析的指标,利用EFAST方法分析WOFOST模型作物参数、土壤参数和场地参数对作物产量、LAI和SM 的全局敏感性和一阶敏感性。根据敏感性分析结果,选择对作物产量、LAI 和SM敏感性较大的模型参数进行调整,对于其他敏感性较小的参数,则将其调整为WOFOST模型默认值或相关的参考值,结合实测值实现工作区 WOFOST模型参数的标定,其中田间实测值包括实测作物产量、实测LAI和实测SM。
步骤(2)从MCD15A3H中获取工作区覆盖冬小麦的LAI数据,从 SMAP_L4中获取覆盖工作区的SM数据,对LAI数据和SM数据分别进行修正后获得对应的时间序列数据。
从MCD15A3H中获取覆盖研究区的LAI数据,修正后获得LAI时间序列数据,具体为:利用反距离权重法对MCD15A3H数据进行插值,得到空间分辨率为1km的LAI数据;采用Savitzky-Golay滤波算法对LAI数据进行平滑处理,得到平滑处理后LAI数据;为了符合作物生育期内LAI的变化,使用 logistic函数对平滑处理后LAI数据的上升和下降阶段进行拟合,得到处理后的LAI时间序列数据。
从SMAP_L4中获取覆盖工作区的SM数据,修正后获得SM时间序列数据,具体为:按照反距离权重方法(IDW)对SMAP_L4数据进行插值,使其空间分辨率与MCD15A3H数据相同;对每3小时采集的SMAP_L4数据进行整合,即将每天、每3小时插值后获得的8个土壤水分数据取均值,将其作为每一天插值后的土壤水分数据;根据MCD15A3H的时间分辨率,对每一天插值后的土壤水分数据进行筛选,得到SM时间序列数据。
步骤(3)利用集合卡尔曼滤波算法将遥感获取的LAI和SM作为状态变量同化到作物模型中。
该算法考虑了状态变量的不确定性,可以用于非线性系统的数据同化,并且有效降低了数据同化计算量。其基本方法是假设有N个集合,在k=0时刻对每个集合进行初始化,对选定的标定后作物模型参数添加高斯扰动,运行标定后作物模型,得到模型的初始状态变量,然后利用模型模拟得到所有集合的状态变量,算出集合的协方差矩阵,再使用状态变量和观测向量计算卡尔曼增益矩阵,由此得出对模型状态变量的后验估算,模型状态变量的后验估算的平均值就是集合的均值。该算法包括:
(3.1)预测:根据当前k时刻所述标定后作物模型的状态变量预测k+1时刻状态量,计算如公式(1):
此时模型的状态变量的均值和误差协方差分别以公式(2)(3)计算:
式中,N为集合的多少;Kk+1为卡尔曼增益矩阵;H为观测算子,用单位矩阵表示;为第i个集合在k+1时刻的状态变量值;vi,k为观测误差,假设其服从均值为零和方差为Rk的高斯分布;为k+1时刻的观测数据,即遥感获取的LAI和SM值;Hk+1为k+1时刻的观测算子,用单位矩阵表示;为状态变量的最优估计值。
(3.3)利用k+1时刻状态变量的最优估计值重新初始化作物模型,重复上述步骤(3.1)和(3.2),直至所有具有观测数据的时刻都完成状态变量的预测和更新。
步骤(4)根据同化后作物模型对工作区每一网格单元逐一模拟,完成工作区每一个覆盖冬小麦的网格单元估算,最终得到整个工作区作物的同化产量以及空间分布图,如图2所示。
步骤(5)根据作物生育期气象资料,得到整个工作区中冬小麦在整个生育期内的需水量ETc的时空分布图,如图3所示。
计算区域作物用水效率需要明确作物在整个生育期的需水量ETc,每个网格单元的作物需水量ETc以公式(7)(8)计算:
ETc=ET0×Kc (8)
式中,ETc为作物蒸散发总量(mm/d);ET0为参考腾发速率(mm/d);Kc为作物系数,无量纲,本实施例参考FAO推荐的标准作物系数,基于单作物系数进行校正,得到冬小麦各生育阶段的作物系数;Rn为作物表面上的净辐射 (MJ/m2d);G为土壤热通量(MJ/(m2d));T为2m高处日平均气温(℃); u2为2m高处的风速(m/s);es为饱和水汽压(kPa);ea为实际水汽压(kPa); es-ea为饱和水汽压差(kPa);Δ为饱和水汽压曲线的倾率;γ为湿度计常数 (kPa/℃)。
其中,饱和水汽压曲线的倾率Δ以公式(9)计算:
式中,Δ为气温T下的饱和水汽压曲线斜率(kPa℃-1);T为气温(℃);exp[···]为底数是2.7183的指数函数。
其中,饱和水汽压es和实际水汽压ea以公式(10)(11)(12)计算:
式中,eo(T)为空气温度T时的水汽压(kPa);T为大气温度(℃);ea为实际水汽压(kPa);eo(Tmin)为日最低温度时的饱和水汽压(kPa);eo(Tmax)为日最高温度时的饱和水汽压(kPa);RHmean为平均相对湿度(%),定义为最小相对湿度RHmin和最大相对湿度RHmax的平均值。
其中,湿度计常数γ以公式(13)(14)计算:
式中,γ为湿度计常数(kPa℃-1);P为大气压(kPa);z为海拔高度(m);λ为汽化潜热,2.45(MJkg-1);Cp为常压下的比热,1.013×10-3(MJkg-1℃-1);ε为水蒸汽分子量与干燥空气分子量的比,其值为0.662。
其中,作物表面上的净辐射Rn以公式(15)~(23)计算:
Rs0=(0.75+210-5Z)Ra (20)
Rns=(1-α)Rs (21)
Rn=Rns-Rnl (23)
式中,Ra为太阳天顶辐射(MJm-2day-1);Gsc为太阳常数Gsc=0.0820(MJ m-2min-1);dr为日地间相对距离的倒数;ωs为太阳时角(rad);为地理纬度 (rad);δ为太阳磁偏角(rad);Rs为太阳或太阳短波辐射(MJm-2day-1);n为实际日照持续时间(hour);N为最大可能的日照持续时间或日照时数(hour); n/N为相对日照持续时间(-);as为回归常数,在多云的天气天顶辐射到达地面那部分(n=0);as+bs为在晴天天顶辐射到达地面的部分(n=N);Z为测站的海拔高程(m);Rns为净太阳或短波辐射(MJm-2day-1);α为反射率或冠层反射系数,以草为假想的参考作物时,α值为0.23(无量纲);Rnl为净输出长波辐射(MJm-2day-1);σ为Stefan-Boltzmann常数(4.903×10-9MJK-4m-2day -1);Tmax,k为24小时内最高绝对温度值(K=℃+273.6);Tmin,k为24小时内最低绝对温度值(K=℃+273.6);Rs/Rso为相对短波辐射值(其值小于等于1.0);Rso为计算出的晴空辐射(MJm-2day-1)。
步骤(6)根据步骤(4)和(5)的结果计算得到冬小麦的用水效率WFP的时空分布图,如图4所述。
每个网格单元的作物用水效率WFP以公式(24)计算:
式中,WFP为作物用水效率(m3/kg);Y为作物单位面积产量(kg/hm2); 10为单位转化系数,将单位由水深(mm)转化为单位面积水量(m3/hm2); ETc为作物生育期内(从播种到收获)需水量(mm)。
本实施例提供的基于数据同化的区域作物用水效率评估方法,选取多种变量代替单一变量进行数据同化,充分发挥遥感观测在空间上和模型模拟在时间上的优势,建立基于多源观测变量的作物模型与遥感数据同化模型,通过数据同化技术,建立区域尺度作物用水效率评估方法,提高作物用水效率评估精度,为区域农业用水管理以及水资源高效利用提供参考。本实施例也可以用于量化区域尺度上其他作物用水效率评估。
实施例2:
参阅图5,本实施例还提供了一种基于数据同化的区域作物用水效率评估系统,包括:
标定模块M1,用于基于敏感性分析方法对作物模型的参数进行标定,得到标定后作物模型;
遥感数据获取模块M2,用于利用遥感产品采集研究区域内作物的叶面积指数数据和土壤水分数据,获得遥感叶面积指数数据和遥感土壤水分数据;
同化模块M3,用于采用同化算法将所述遥感叶面积指数数据和所述遥感土壤水分数据融合到所述标定后作物模型中,得到同化后作物模型;
产量计算模块M4,用于根据所述同化后作物模型估算研究区域作物产量;
需水量计算模块M5,用于根据作物生育期内的气象数据计算研究区作物需水量;
用水效率计算模块M6,用于根据所述研究区域作物产量和所述研究区作物需水量得到研究区域作物用水效率。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于数据同化的区域作物用水效率评估方法,其特征在于,包括:
基于敏感性分析方法对作物模型的参数进行标定,得到标定后作物模型;
利用遥感产品采集研究区域内作物的叶面积指数数据和土壤水分数据,获得遥感叶面积指数数据和遥感土壤水分数据;
采用同化算法将所述遥感叶面积指数数据和所述遥感土壤水分数据融合到所述标定后作物模型中,得到同化后作物模型;
根据所述同化后作物模型估算研究区域作物产量;
根据作物生育期内的气象数据计算研究区作物需水量;
根据所述研究区域作物产量和所述研究区作物需水量得到研究区域作物用水效率。
2.根据权利要求1所述的区域作物用水效率评估方法,其特征在于,所述作物模型为WOFOST模型。
3.根据权利要求1所述的区域作物用水效率评估方法,其特征在于,所述基于敏感性分析方法对作物模型的参数进行标定,得到标定后作物模型,具体包括:
将作物产量、叶面积指数和土壤含水量作为敏感性分析指标;
利用扩展傅里叶幅度检测法分析所述作物模型中的作物参数、土壤参数和田间场地参数对所述敏感性分析指标的全局敏感性和一阶敏感性,得到敏感性分析结果;
根据所述敏感性分析结果对所述作物参数、所述土壤参数和所述田间场地参数进行调整,得到调整参数后作物模型;
将气象数据、作物管理数据、作物数据和土壤数据输入至所述调整后作物模型中,输出模拟值,其中所述模拟值包括模拟作物产量、模拟叶面积指数和模拟土壤含水量;
计算所述模拟值与实测值的标准均方根误差,其中所述实测值包括实测作物产量、实测叶面积指数和实测土壤含水量;
若所述标准均方根误差小于或等于设定阈值,则将所述调整参数后的作物模型作为最终的所述标定后作物模型;
否则,返回“根据所述敏感性分析结果对所述作物参数、所述土壤参数和所述田间场地参数进行调整,得到调整参数后作物模型”步骤。
4.根据权利要求1所述的区域作物用水效率评估方法,其特征在于,所述利用遥感产品采集研究区域内作物的叶面积指数数据和土壤水分数据,获得遥感叶面积指数数据和遥感土壤水分数据,具体包括:
获取所述叶面积指数数据;
利用反距离权重法对所述叶面积指数数据进行插值,得到叶面积指数的时间序列数据;
将所述叶面积指数的时间序列数据进行平滑和拟合处理,得到处理后时间序列数据;
将所述处理后时间序列数据作为所述遥感叶面积指数数据;
获取所述土壤水分数据;
利用反距离权重法对所述土壤水分数据进行插值,得到土壤水分的时间序列数据;
将所述土壤水分的时间序列数据作为所述遥感土壤水分数据。
5.根据权利要求1所述的区域作物用水效率评估方法,其特征在于,所述同化算法为集合卡尔曼滤波算法。
6.根据权利要求5所述的区域作物用水效率评估方法,其特征在于,所述采用同化算法将所述遥感土壤水分数据和所述遥感叶面积指数数据融合到所述标定后作物模型中,得到同化后作物模型,具体包括:
设定卡尔曼滤波的集合个数;
根据上一时刻每一集合的状态变量,利用所述标定后作物模型预测得到下一时刻每一集合的状态变量,其中状态变量为根据所述标定后作物模型模拟得到的土壤水分和叶面积指数;
将下一时刻的观测数据输入至所述标定后作物模型,优化下一时刻每一集合的状态变量,得到优化后的下一时刻每一集合的状态变量,其中观测数据包括所述遥感土壤水分数据和所述遥感叶面积指数数据;
根据所述优化后的下一时刻每一集合的状态变量得到下一时刻所述标定后作物模型的状态变量的最优值;
将所述最优值作为新的上一时刻每一集合的状态变量,返回“根据上一时刻每一集合的状态变量,利用所述标定后作物模型预测得到下一时刻每一集合的状态变量”步骤,直至将所有时刻的观测数据全部输入至所述标定后作物模型,得到所述同化后作物模型。
7.根据权利要求6所述的区域作物用水效率评估方法,其特征在于,所述将下一时刻的观测数据输入至所述标定后作物模型,优化下一时刻每一集合的状态变量,得到优化后的下一时刻每一集合的状态变量,具体包括:
根据所述下一时刻每一集合的状态变量计算得到下一时刻所述标定后作物模型的状态变量的误差协方差;
根据所述误差协方差计算得到下一时刻的卡尔曼增益矩阵;
根据所述下一时刻的卡尔曼增益矩阵和所述下一时刻的观测数据优化下一时刻每一集合的状态变量,得到所述优化后的下一时刻每一集合的状态变量。
10.一种基于数据同化的区域作物用水效率评估系统,其特征在于,包括:
标定模块,用于基于敏感性分析方法对作物模型的参数进行标定,得到标定后作物模型;
遥感数据获取模块,用于利用遥感产品采集研究区域内作物的叶面积指数数据和土壤水分数据,获得遥感叶面积指数数据和遥感土壤水分数据;
同化模块,用于采用同化算法将所述遥感叶面积指数数据和所述遥感土壤水分数据融合到所述标定后作物模型中,得到同化后作物模型;
产量计算模块,用于根据所述同化后作物模型估算研究区域作物产量;
需水量计算模块,用于根据作物生育期内的气象数据计算研究区作物需水量;
用水效率计算模块,用于根据所述研究区域作物产量和所述研究区作物需水量得到研究区域作物用水效率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210773881.5A CN115689100A (zh) | 2022-07-01 | 2022-07-01 | 一种基于数据同化的区域作物用水效率评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210773881.5A CN115689100A (zh) | 2022-07-01 | 2022-07-01 | 一种基于数据同化的区域作物用水效率评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115689100A true CN115689100A (zh) | 2023-02-03 |
Family
ID=85060349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210773881.5A Pending CN115689100A (zh) | 2022-07-01 | 2022-07-01 | 一种基于数据同化的区域作物用水效率评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115689100A (zh) |
-
2022
- 2022-07-01 CN CN202210773881.5A patent/CN115689100A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11617313B2 (en) | Controlling agricultural production areas | |
CN109829234B (zh) | 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法 | |
Huang et al. | Assimilating a synthetic Kalman filter leaf area index series into the WOFOST model to improve regional winter wheat yield estimation | |
Cui et al. | Estimation of actual evapotranspiration and its components in an irrigated area by integrating the Shuttleworth-Wallace and surface temperature-vegetation index schemes using the particle swarm optimization algorithm | |
Ma et al. | Estimating regional winter wheat yield by assimilation of time series of HJ-1 CCD NDVI into WOFOST–ACRM model with Ensemble Kalman Filter | |
Yuping et al. | Monitoring winter wheat growth in North China by combining a crop model and remote sensing data | |
Vazifedoust et al. | Assimilation of satellite data into agrohydrological models to improve crop yield forecasts | |
CN111898922B (zh) | 一种多尺度农作物产量评估方法及系统 | |
Mhizha et al. | Use of the FAO AquaCrop model in developing sowing guidelines for rainfed maize in Zimbabwe | |
CN108802728B (zh) | 双极化合成孔径雷达与作物模型同化的作物灌溉指导方法 | |
CN113361191A (zh) | 基于多情景模拟的像元尺度冬小麦单产遥感估算方法 | |
AU2023203307A1 (en) | Controlling Agricultural Production Areas | |
CN110599360A (zh) | 一种干旱区农作物生长季蒸散发高分辨率遥感估算方法 | |
CN112699621A (zh) | 一种考虑下垫面条件变化的潜在蒸散发估算方法 | |
CN111062526A (zh) | 一种冬小麦单产预测方法及系统 | |
CN116415704A (zh) | 一种基于多数据融合与同化的区域精量灌溉方法及系统 | |
CN110008621B (zh) | 基于双重流依赖集合平方根滤波同化算法的作物模型遥感同化估产方法 | |
Ma et al. | Estimation of regional actual evapotranspiration based on the improved SEBAL model | |
CN116362402A (zh) | 一种基于天气预报与表型信息监测的灌溉制度优化系统 | |
Kumar et al. | Use of a decision support system to establish the best model for estimating reference evapotranspiration in sub-temperate climate: Almora, Uttarakhand. | |
CN115326721A (zh) | 一种作物水分胁迫估算的方法 | |
CN115689100A (zh) | 一种基于数据同化的区域作物用水效率评估方法及系统 | |
Kumar et al. | Evapotranspiration mapping for agricultural water management: An overview | |
Liu et al. | Estimation of land surface evapotranspiration over complex terrain based on multi‐spectral remote sensing data | |
Song et al. | Application of a two source energy balance model coupled with satellite based soil moisture and thermal infrared data |
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 |