基于多时相叶面积指数的作物生长模型在区域高产小麦上的应用.docxVIP

基于多时相叶面积指数的作物生长模型在区域高产小麦上的应用 0 对作物产量和水分利用效率的半经验半机理模型 在早期的植物单链测量方法中，简单地建立了植物单链和时间间隔内的点谱植物数之间的线性或非线性相关性。例如,Rasmussen应用多时相AVHRR影像的累积归一化植被指数(iNDVI),在非洲的Burkina Faso准确估测了粟单产。Domenikiotis等以10天合成AVHRR NDVI数据为基础,发展了新的植被条件指数VCI,并应用于希腊棉花单产预测。王长耀等则利用MODIS的增强型植被指数EVI估测了美国2004年的冬小麦产量。这类遥感经验模型不讨论作物产量形成的复杂过程,因此结构简单,但其经验关系难以实现跨时间和跨空间的应用,在极端情况如灾害年份,预测结果更容易出现显著偏差。 其后,很多研究人员也探讨了应用Monteith提出的光能效率模型概念为基础的遥感半经验半机理模型。例如,任建强等通过建立植被净初级生产力模型,在黄淮海平原估测了冬小麦单产。Lobell等在墨西哥Yaqui区域利用多时相Landsat TM/ETM+影像的光谱指数计算了作物吸收光合有效辐射比例系数fAPAR,并进一步模拟了春小麦的单产。这些半经验半机理模型尽管对作物单产机理已经有一定描述,但由于模型中的部分关键系数如光能利用效率系数和收获指数等的时空分布仍难以准确定量计算,所以还主要应用于地面生物量AGB (Above-Ground Biomass),尤其是环境胁迫相对较少的森林AGB的研究。 完全依赖遥感信息的作物单产机理模型虽然还未能实现,但大量基于作物光合、呼吸、蒸腾、营养等机理过程的作物生长模型已经被成功应用于田间尺度的单产研究。这些作物生长模型要求大量的输入数据和参数校正,因此限制了其从田间尺度到区域尺度的扩展应用。而多时相、多波段、多角度的遥感数据可以实时获取作物和土壤的空间状况信息,所以集成作物生长模型和遥感影像的方法被认为是定量遥感的重要发展方向之一。本研究的目的就是探讨通过最优化算法,实现空间作物生长模型与多时相遥感影像反演得到的叶面积指数信息同化,以校正模型关键参数,提高模型区域作物单产模拟精度的方法。 1 土地概况及年生长状况 研究区位于E114°15′~115°40′、N36°30′~38°20′,包括河北省石家庄市和邢台市的28个区县,土地面积21470km2(图1)。该区属于温带半湿润季风气候,年平均温度13.0℃,年平均总辐射量5370MJ/m2。年平均降水550mm,但主要集中在夏季的7~9月。主要耕作制度为冬小麦-夏玉米的一年两熟制。冬小麦生育期从10月上旬到第二年6月上中旬,而玉米生育期为6月中下旬到9月底。 2 作物生长模型及数据化学模型 本研究主要包括田间观测、遥感影像及其处理、作物生长模型、数据同化,以及精度验证等五个部分。研究流程图(图2)简单介绍了各部分之间的相关关系。 2.1 观测样区和位置 田间叶面积指数的观测只在冬小麦地进行。在研究区域的28个区、县中,充分考虑代表性和分布均匀性后,共布设85个田间观测样区(图1),每个样区不小于30m×30m。样区位置均采用差分GPS系统精确定位。各样区内的采集点不少于3个,每个点的叶面积指数全部采用直接收割法量测,所有采集点的平均值作为该样区值。 2.2 tm影像分类方法 三景Landsat TM影像(轨道号:124/34)被用于本研究,时相分别为2004年3月7日、4月8日和6月11日。精确的几何纠正、辐射校正,以及基于6S模型标准参数的大气校正被应用于所有影像。其后,为得到研究区冬小麦分布图,对TM影像(除第6波段外)实施了缨帽变换。三景TM影像的亮度、绿度和湿度分量,被合并为一个文件用于非监督分类。两次实地考察数据和18景同时期的ASTER影像被用于分类结果的精度评价。 2.3 对lai与相关植的比较分析 尽管从遥感影像上反演植被叶面积指数(LAI)的方法有经验模型、辐射传输模型、查表法,以及神经网络法等,但基于回归分析的经验模型仍是被应用得最广泛的方法。本研究采用SPSS软件的曲线估计模块,比较分析了田间观测LAI值与五种常见植被指数间的相关关系,包括比值植被指数RVI、归一化植被指数NDVI、差值植被指数DVI、再归一化差值植被指数RDVI,以及土壤调节植被指数MSAVI2。通过比较调整型R2和RMSE系数得到最优经验模型。由于交叉验证程序(Cross-Validation Procedure)被认为可以为模型预测误差提供无偏差估计,因此被应用于LAI反演最优经验模型的精度评价。其中,偏差系数(Bias)被采用模型预测平均值减去田间观测平均值,变化率系数(Variance Ratio)则被采用模型预测值的标准差除以田间观测值的标准差。 2.4