基于作物多模型遥感数据同化的区域冬小麦生长模拟研究
发布时间：2023-04-23 09:56
利用数据同化的方法融合作物模型和遥感数据,为解决区域作物生长模拟提供了可行和有效手段。目前作物模型与遥感数据同化系统大多基于单一作物模型,模型结构的误差存在被低估的问题,导致同化结果的不确定及在不同区域的适用性较差。因此,本研究结合数据同化方法和多模型集合预报方法发展多模型数据同化方法,并将其用于构建作物多模型与遥感数据同化系统,以提高区域作物生长模拟和估产的精度及稳健性。本研究从同化变量LAI遥感反演、不同作物模型的比较、多模型数据同化算法开发、作物多模型与遥感数据同化方案的构建及其在区域冬小麦生长模拟和估产的应用等方面展开深入研究和讨论。主要的研究结论包括:(1)研究利用Landsat-7 ETM+、Landsat-8 OLI和Sentinel-2 MSI数据,结合EVI时序数据变化特征,使用循环神经网络方法LSTM实现了冬小麦的自动识别,识别总体精度为93.67%,Kappa系数为0.82。利用PROSAIL辐射传输模型和人工神经网络方法,建立了冬小麦LAI反演模型,实现了区域冬小麦LAI反演,经过地面实测数据的验证,LAI反演结果的RMSE为0.45和RRMSE分别10.54%...
【文章页数】：126 页
【学位级别】：博士
【文章目录】：
摘要
abstract
主要符号对照表
第一章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 作物生长模型研究现状
1.2.2 作物生长模型与遥感数据同化研究现状
1.2.3 作物多模型比较及集合预报研究现状
1.3 存在的科学问题
1.4 研究目标、内容和技术路线
1.5 论文结构
第二章 研究区、数据及作物模型
2.1 研究区概况
2.2 田间观测试验
2.3 模型驱动数据
2.3.1 气象数据
2.3.2 土壤数据
2.3.3 田间管理数据
2.4 遥感数据及预处理
2.4.1 遥感数据获取
2.4.2 遥感数据预处理
2.5 作物生长模型
2.5.1 SAFY-WB模型
2.5.2 WOFOST模型
2.5.3 CERES-Wheat模型
2.6 本章小结
第三章 区域冬小麦遥感信息提取及分析
3.1 基于遥感时序数据的区域冬小麦种植区提取
3.1.1 EVI时序数据SG滤波
3.1.2 冬小麦种植区提取方法循环神经网络RNN
3.1.3 冬小麦种植区提取结果
3.2 基于人工神经网络的冬小麦叶面积指数反演
3.2.1 PROSAIL模型
3.2.2 人工神经网络LAI反演方法
3.2.3 冬小麦LAI反演结果验证与分析
3.3 本章小结
第四章 不同作物模型的冬小麦生长模拟结果比较分析
4.1 研究方法
4.1.1 模型参数敏感性分析方法EFAST
4.1.2 模型参数不确定性研究方法GLUE
4.2 结果与分析
4.2.1 作物模型参数敏感性和不确定性
4.2.2 冬小麦LAI模拟结果比较
4.2.3 冬小麦产量模拟结果比较
4.3 本章小结
第五章 基于贝叶斯模型平均的作物多模型数据同化研究
5.1 研究方法
5.1.1 四维变分算法4DVar
5.1.2 集合卡尔曼滤波EnKF
5.1.3 贝叶斯模型平均BMA
5.1.4 多模型数据同化算法的构建
5.2 单点尺度冬小麦多模型数据同化试验
5.2.1 基于传统数据同化算法的单一作物模型同化模拟
5.2.2 基于BMA方法的作物多模型集合模拟
5.2.3 基于多模型数据同化算法的冬小麦多模型同化模拟
5.3 结果与分析
5.3.1 基于单一作物模型的冬小麦同化模拟结果评价
5.3.2 基于作物多模型的冬小麦集合预报结果评价
5.3.3 基于作物多模型的冬小麦同化模拟结果评价
5.4 本章小结
第六章 作物多模型数据同化在区域冬小麦生长模拟中的应用
6.1 数据与方法
6.1.1 区域冬小麦多模型遥感同化数据
6.1.2 作物模型
6.1.3 区域冬小麦多模型遥感同化方法
6.2 结果与分析
6.2.1 不同作物模型同化的区域冬小麦模拟结果对比
6.2.2 作物多模型集合同化的区域冬小麦模拟结果分析
6.2.3 不同生育期观测同化的区域冬小麦估产结果对比
6.2.4 不同空间尺度观测同化的区域冬小麦估产结果对比
6.3 本章小结
第七章 讨论与展望
7.1 主要研究结论
7.2 研究创新点
7.3 存在的问题与展望
参考文献
致谢
作者简历
本文编号：3799484
【文章页数】：126 页
【学位级别】：博士
【文章目录】：
摘要
abstract
主要符号对照表
第一章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 作物生长模型研究现状
1.2.2 作物生长模型与遥感数据同化研究现状
1.2.3 作物多模型比较及集合预报研究现状
1.3 存在的科学问题
1.4 研究目标、内容和技术路线
1.5 论文结构
第二章 研究区、数据及作物模型
2.1 研究区概况
2.2 田间观测试验
2.3 模型驱动数据
2.3.1 气象数据
2.3.2 土壤数据
2.3.3 田间管理数据
2.4 遥感数据及预处理
2.4.1 遥感数据获取
2.4.2 遥感数据预处理
2.5 作物生长模型
2.5.1 SAFY-WB模型
2.5.2 WOFOST模型
2.5.3 CERES-Wheat模型
2.6 本章小结
第三章 区域冬小麦遥感信息提取及分析
3.1 基于遥感时序数据的区域冬小麦种植区提取
3.1.1 EVI时序数据SG滤波
3.1.2 冬小麦种植区提取方法循环神经网络RNN
3.1.3 冬小麦种植区提取结果
3.2 基于人工神经网络的冬小麦叶面积指数反演
3.2.1 PROSAIL模型
3.2.2 人工神经网络LAI反演方法
3.2.3 冬小麦LAI反演结果验证与分析
3.3 本章小结
第四章 不同作物模型的冬小麦生长模拟结果比较分析
4.1 研究方法
4.1.1 模型参数敏感性分析方法EFAST
4.1.2 模型参数不确定性研究方法GLUE
4.2 结果与分析
4.2.1 作物模型参数敏感性和不确定性
4.2.2 冬小麦LAI模拟结果比较
4.2.3 冬小麦产量模拟结果比较
4.3 本章小结
第五章 基于贝叶斯模型平均的作物多模型数据同化研究
5.1 研究方法
5.1.1 四维变分算法4DVar
5.1.2 集合卡尔曼滤波EnKF
5.1.3 贝叶斯模型平均BMA
5.1.4 多模型数据同化算法的构建
5.2 单点尺度冬小麦多模型数据同化试验
5.2.1 基于传统数据同化算法的单一作物模型同化模拟
5.2.2 基于BMA方法的作物多模型集合模拟
5.2.3 基于多模型数据同化算法的冬小麦多模型同化模拟
5.3 结果与分析
5.3.1 基于单一作物模型的冬小麦同化模拟结果评价
5.3.2 基于作物多模型的冬小麦集合预报结果评价
5.3.3 基于作物多模型的冬小麦同化模拟结果评价
5.4 本章小结
第六章 作物多模型数据同化在区域冬小麦生长模拟中的应用
6.1 数据与方法
6.1.1 区域冬小麦多模型遥感同化数据
6.1.2 作物模型
6.1.3 区域冬小麦多模型遥感同化方法
6.2 结果与分析
6.2.1 不同作物模型同化的区域冬小麦模拟结果对比
6.2.2 作物多模型集合同化的区域冬小麦模拟结果分析
6.2.3 不同生育期观测同化的区域冬小麦估产结果对比
6.2.4 不同空间尺度观测同化的区域冬小麦估产结果对比
6.3 本章小结
第七章 讨论与展望
7.1 主要研究结论
7.2 研究创新点
7.3 存在的问题与展望
参考文献
致谢
作者简历
本文编号：3799484
本文链接：https://www.wllwen.com/kejilunwen/nykj/3799484.html
