基于WOFOST模型与无人机图像同化的小麦产量估测

发布时间：2020-10-20 21:22

　　 目前,在“互联网+”农业的背景下,将信息技术与现代农业融合,以达到农业生产、栽培、管理的智能化、高效化,是我国现代农业发展的必然趋势。小麦是我国分布最广、产量最高的粮食作物之一,江苏省因其地形条件和气候条件的优势,成为我国南方冬小麦的主要种植区域。因此,提高江苏省冬小麦生长监测的准确性,对冬小麦有效估产有着十分重要的意义。本研究通过WOFOST作物模型模拟了冬小麦的生长发育,并利用最小二乘优化算法,展开基于无人机图像数据与作物模型的同化研究。最后结合冬小麦LAI和产量实际测量值进行同化结果的分析与评价,为农业估产提供依据,主要研究内容与结果如下:(1)为了使模型模拟符合研究区域内冬小麦生长规律,本研究采用2015-2017年本研究区域气象站点气象数据、土壤数据、作物数据等,利用OAT方法进行模型参数敏感性分析,结合最小二乘、“试错法”并借鉴前人研究结果,基于不同密度和氮肥处理水平,针对冬小麦发育参数TSUM1(出苗到开花的积温)、TSUM2(开花到成熟的积温)以及生长参数SLATB(比叶面积)、AMAXTB(最大CO2同化速率)进行冬小麦参数调整,实现WOFOST模型本地化。结果表明,WOFOST模型能够较好的模拟研究区域冬小麦的生长发育状况,模拟冬小麦LAI的R2、RMSE、NRMSE(%)分别为0.8178、0.58、27.9,模拟生物量的 R2、RMSE(kg·hm-2)、NRMSE(%)分别为 0.7832～0.9531、315.55～986.15、10.1～29.8,模拟产量的 R2、RMSE(kg·hm-2)、NRMSE(%)分别为 0.5852、799.96、15.9。(2)为了构建最佳的无人机反演LAI模型,本研究选取利用R、G、B构建的11种颜色特征指数,从整个生育期、种植密度、施氮量、各生育期四个角度,进行颜色指数与冬小麦LAI的相关性分析,选出显著相关颜色指数构建反演模型。结果表明,通过拔节期前、拔节期、开花期、灌浆期进行模型构建效果最佳,模型构建R2分别为0.795、0.784、0.746、0.625,模型验证 R2 分别为 0.781、0.807、0.718、0.697,RMSE 分别为0.325、0.470、0.364、0.256。(3)在WOFOST模型本地化的基础上,应用最小二乘优化算法,基于无人机反演LAI数据进行模型同化研究,通过调整、修正敏感参数比叶面积(SLATBO、SLATB0.5、SLATB2)和最大CO2同化速率(AMAXTBI、AMAXTB1.3),使得模型模拟LAI与无人机数据反演LAI误差最小。结果表明,同化后的模型能够更好地评价研究区域冬小麦的生长发育状况,同化后WOFOST模型模拟冬小麦LAI的R2、RMSE、NRMSE(%)分别为 0.8812、0.49、23.5,模拟产量的 R2、RMSE(kg.hm-2)、NRMSE(%)分别为 0.9489、327.06、6.5,模型模拟冬小麦的精度有所提高,证明了作物模型与无人机数据同化的可行性。
【学位单位】：扬州大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：S512.11;TP751
【部分图文】：

Ｒｅａｍｓ模块反复修改作物参数后调用模型运行模块，记录下不同参数值的模拟结??果，与实测值进行对比分析，选择ＲＭＳＥ最小的一套参数作为最优参数，校准??结果如图３－３、图３－４所示，结果表明基于密度和氮肥校准后的模型模拟曲线能??够反应实测值的趋势，ＳＬＡＴＢ０、ＳＬＡＴＢ０．５、?ＳＬＡＴＢ１取值分别为??０．００１?？０．００２１２、０．００１２５？０．００２１５、０．０００７？０．００１２，?ＡＭＡＸＴＢ０、ＡＭＡＸＴＢ１、??ＡＭＡＸＴＢ１．３、ＡＭＡＸＴＢ２?取值分另ＩＪ为?３５＿８３、３８＿８３、３０？６０、４．４８。其余己经??过大量研究公认的参数及敏感性低的参数采用文献中的公认值或模型默认值。??

Ｆｉｇ．３－５?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｓｉｍｕｌａｔｅｄ?ａｎｄ?ｍｅａｓｕｒｅｄ?ｖａｌｕｅｓ?ｏｆ?ＬＡＩ（２０１６－２０１７）??４．２?ＷＯＦＯＳＴ模型模拟生物量的验证??图３－６分别显示了叶、茎、穗及地上部总干物重模拟值与实测值的比较，由??图可知叶、茎、穗及地上部总干物重模拟Ｒ２分别为０．７８３２、０．８６２９、０．８６４９、０．９５３１，??说明模拟值与实测值的相关性较好。ＲＭＳＥ分别为３１５．５５ｋｇ＿ｈｎｖ２、９８６．１５ｋｇ￣ｈｎｒ２、??４７６．６２ｋｇ．ｈｎｒ２、９９６．６５ｋｇ．ｈｍ—２，?ＮＲＭＳＥ?分别为?２７．６％、２９．８％、１０．１％、１７．３％，??均在可信区间，其中茎和地上部的生物量误差较大，茎干重模拟误差主要是由于??模型模拟的茎干重包括茎与鞘两部分，而实测茎不包含鞘重；地上部总干物重模??拟误差主要是在生育后期产生的，这是由于实际取样过程不包含老化和腐化的器??官，因此实际测量的地上部总生物量是先增加到某个时期开始下降，而模型模拟??的地上部总生物量是一直随生育期增加的。ＣＲＭ分别为０．３４、０．１９、－０．０８、０．２２，??除穗重相对实际值偏低外其余均偏高

ＴＡＧＰ（２０１６－２０１７）??４．３?ＷＯＦＯＳＴ模型模拟产量的验证??图３－７为冬小麦单产模拟值与实测值的对比。从图中可以看出，Ｒ２为０．５８５２、??ＲＭＳＥ?为?７９９．９６ｋｇ．ｈｎｒ２、ＮＲＭＳＥ?为?１５．９％、ＣＲＭ?为－０．０９，说明?ＷＯＦＯＳＴ?模型??能够较好的模拟研究区域的冬小麦发育状况，产量总体随施氮量的增加先增后??减，与产量实测值的规律相一致，产量模拟值总体较实测值偏低，尤其是施氮量??较高时
【相似文献】

相关期刊论文 前10条

1 董智强;王萌萌;李鸿怡;薛晓萍;潘志华;侯英雨;陈辰;李楠;李曼华;;WOFOST模型对山东省夏玉米发育期与产量模拟的适用性评价[J];作物杂志;2019年05期

2 张阳;王连喜;李琪;胡正华;郭春明;任景全;;基于WOFOST模型的吉林省中西部春玉米灌溉模拟[J];中国农业气象;2018年06期

3 谢松涯;张宝忠;;基于全局敏感性分析的WOFOST模型参数优化[J];中国农村水利水电;2018年12期

4 刘维;王冬妮;侯英雨;何亮;;基于吉林省观测土壤水分的WOFOST模型模拟研究[J];气象;2018年10期

5 蒙继华;程志强;王一明;;WOFOST模型与遥感数据同化的土壤速效养分反演[J];遥感学报;2018年04期

6 李琪;胡秋丽;朱大威;吴东丽;胡正华;李莹莹;;基于WOFOST模型的吉林省春玉米干旱复水模拟研究[J];农业现代化研究;2019年01期

7 马玉平,王石立,张黎;针对华北小麦越冬的WOFOST模型改进[J];中国农业气象;2005年03期

8 张淑杰;张玉书;王石立;马玉平;武晋雯;陈鹏狮;纪瑞鹏;冯锐;;基于作物生长模拟模式的玉米产量预报方法研究[J];安徽农业科学;2009年36期

9 刘维;侯英雨;吴门新;魏丽;;WOFOST模型在东北春玉米产区的验证与适应性评价[J];气象与环境科学;2017年03期

10 杨妍辰;王建林;宋迎波;;WOFOST作物模型机理及使用介绍[J];气象科技进展;2013年05期

相关硕士学位论文 前7条

1 周彤;基于WOFOST模型与无人机图像同化的小麦产量估测[D];扬州大学;2019年

2 范志宣;气候变化背景下基于作物模型的吉林省玉米潜在产量模拟[D];沈阳农业大学;2016年

3 方缘;基于作物生长模型的玉米干旱损失评估[D];沈阳农业大学;2016年

4 刘烽;基于时空尺度优化的遥感同化方法评估水稻重金属胁迫[D];中国地质大学(北京);2016年

5 张倩;长江中下游地区高温热害对水稻的影响评估[D];中国气象科学研究院;2010年

6 赵利婷;遥感同化WOFOST模型监测水稻重金属胁迫方法研究[D];中国地质大学(北京);2015年

7 张铁楠;WOFOST模型在东北春麦区生产中的应用研究[D];东北农业大学;2014年

本文编号：2849162