[發(fā)明專利]同化衛(wèi)星熒光數(shù)據(jù)與作物生長模型的區(qū)域冬小麥估產(chǎn)方法

有效

• 申請?zhí)枺?/td>: 201910368534.2
• 申請日: 2019-05-05
• 公開（公告）號(hào): CN110222870B
• 公開（公告）日: 2021-02-23
• 發(fā)明（設(shè)計(jì)）人: 黃健熙;黃海;蘇偉;朱德海;卓文;高欣然
• 申請（專利權(quán)）人: 中國農(nóng)業(yè)大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/02;G06K9/62
• 代理公司: 北京路浩知識(shí)產(chǎn)權(quán)代理有限公司 11002
• 代理人: 王慶龍;苗曉靜

1.一種同化衛(wèi)星熒光數(shù)據(jù)與作物生長模型的區(qū)域冬小麥估產(chǎn)方法，其特征在于，包括：

將冬小麥種植區(qū)域劃分為多個(gè)格網(wǎng)，選擇冬小麥面積占比大于設(shè)定比例的格網(wǎng)作為待估產(chǎn)區(qū)域；

根據(jù)環(huán)境指標(biāo)數(shù)據(jù)將所述待估產(chǎn)區(qū)域劃分為多個(gè)種植分區(qū)，獲取種植分區(qū)的設(shè)定分辨率的日光誘導(dǎo)葉綠素?zé)晒釹IF遙感數(shù)據(jù)；

對WOFOST模型進(jìn)行全局敏感性分析，獲得對GPP、產(chǎn)量敏感的參數(shù)集；對SCOPE模型進(jìn)行全局敏感性分析，獲得對SIF、GPP的敏感的參數(shù)集；

按照種植分區(qū)對所述敏感參數(shù)集中的敏感參數(shù)進(jìn)行參數(shù)標(biāo)定和不確定性評估；

在SIF數(shù)據(jù)同化系統(tǒng)的外層，將SIF遙感數(shù)據(jù)與參數(shù)標(biāo)定后的SCOPE模型進(jìn)行同化，由同化后的SCOPE模型得到日累積GPP；在SIF數(shù)據(jù)同化系統(tǒng)的內(nèi)層，同化所述系統(tǒng)外層所得的日累積GPP與WOFOST模型模擬的日累積GPP，得到同化后的日累積GPP；

基于同化后的GPP，以氣象預(yù)報(bào)數(shù)據(jù)驅(qū)動(dòng)WOFOST模型，獲得WOFOST模型輸出的所述待估產(chǎn)區(qū)域的冬小麥產(chǎn)量預(yù)報(bào)結(jié)果。

2.根據(jù)權(quán)利要求1所述的區(qū)域冬小麥估產(chǎn)方法，其特征在于，所述根據(jù)環(huán)境指標(biāo)數(shù)據(jù)將所述待估產(chǎn)區(qū)域劃分為多個(gè)種植分區(qū)，包括：

以農(nóng)氣站點(diǎn)為結(jié)點(diǎn)構(gòu)建多個(gè)泰森多邊形；

建立環(huán)境指標(biāo)，將相近環(huán)境指標(biāo)的農(nóng)氣站點(diǎn)對應(yīng)的泰森多邊形進(jìn)行合并，獲得待估產(chǎn)區(qū)域分區(qū)結(jié)果。

3.根據(jù)權(quán)利要求1所述的區(qū)域冬小麥估產(chǎn)方法，其特征在于，所述獲取種植分區(qū)的設(shè)定分辨率的SIF遙感數(shù)據(jù)，包括：

將MODIS數(shù)據(jù)的分辨率設(shè)定為冬小麥產(chǎn)量預(yù)報(bào)所采用的分辨率，即設(shè)定分辨率，將生育期內(nèi)的原始分辨率為7km*3.5km的TROPOMI SIF遙感數(shù)據(jù)降尺度為所述設(shè)定分辨率；其中，所述MODIS數(shù)據(jù)包括葉面積指數(shù)LAI數(shù)據(jù)、蒸散發(fā)ET數(shù)據(jù)和地表溫度LST數(shù)據(jù)。

4.根據(jù)權(quán)利要求3所述的區(qū)域冬小麥估產(chǎn)方法，其特征在于，所述設(shè)定分辨率為1km*1km，將生育期內(nèi)的TROPOMI SIF遙感數(shù)據(jù)降尺度為設(shè)定分辨率的SIF數(shù)據(jù)，包括：

將生育期內(nèi)TROPOMI SIF遙感數(shù)據(jù)重采樣為空間分辨率為5km*5km的SIF數(shù)據(jù)；

將原始1km*1km的MODIS數(shù)據(jù)重投影為阿爾伯斯等面積投影，并通過線性聚合方法重采樣為5km*5km的MODIS數(shù)據(jù)；

為每個(gè)5km*5km的SIF數(shù)據(jù)的像元建立時(shí)空窗口，將位于該時(shí)空窗口內(nèi)的所述5km*5km的MODIS數(shù)據(jù)帶入式中，求解出式中的未知參數(shù)；

其中，b_i為待求解的未知參數(shù)，i＝1,2,3,4,5,6；

基于求解出的所述未知參數(shù)，將原始1km*1km的MODIS數(shù)據(jù)帶入式中，獲得5*5個(gè)分辨率為1km*1km的SIF數(shù)據(jù)。

5.根據(jù)權(quán)利要求1所述的區(qū)域冬小麥估產(chǎn)方法，其特征在于，對WOFOST模型進(jìn)行全局敏感性分析，獲得對GPP、產(chǎn)量敏感的參數(shù)集之前，還包括：

對所述待估產(chǎn)區(qū)域的地面氣象數(shù)據(jù)進(jìn)行時(shí)空插值，獲得時(shí)空連續(xù)分布的逐日的氣象數(shù)據(jù)和逐小時(shí)的氣象數(shù)據(jù)；

將所述逐日的氣象數(shù)據(jù)作為WOFOST模型的氣象驅(qū)動(dòng)數(shù)據(jù)，以及將所述逐小時(shí)的氣象數(shù)據(jù)作為SCOPE模型的氣象驅(qū)動(dòng)數(shù)據(jù)。

6.根據(jù)權(quán)利要求1所述的區(qū)域冬小麥估產(chǎn)方法，其特征在于，對所述敏感參數(shù)集中的敏感參數(shù)進(jìn)行參數(shù)標(biāo)定和不確定性評估，包括：

確定每個(gè)敏感參數(shù)的取值區(qū)間，并定義所述敏感參數(shù)的先驗(yàn)分布為區(qū)間上的均勻分布；

在此先驗(yàn)分布中進(jìn)行蒙特卡洛采樣，將每次采樣后獲得的采樣結(jié)果帶入模型得到對應(yīng)的模型輸出結(jié)果；

將該輸出結(jié)果帶入似然函數(shù)獲得每次采樣的似然概率，依據(jù)Metropolis準(zhǔn)則接受采樣值，并依據(jù)方差比法判斷馬爾科夫鏈?zhǔn)欠袷諗浚?/p>

在前一次采樣的基礎(chǔ)上不斷進(jìn)行新的采樣直至馬爾科夫鏈?zhǔn)諗浚@得所述敏感參數(shù)的后驗(yàn)樣本；

將后驗(yàn)樣本的中值作為所述參數(shù)標(biāo)定結(jié)果。