基于长短期记忆网络的冬小麦连续时序叶面积指数预测

发布时间：2021-08-07 13:50

　　连续时序的叶面积指数（LAI）可反映冬小麦长势的变化情况,预测冬小麦未来时段的LAI对指导田间管理决策具有重要作用。以WOFOST（World Food Studies）为代表的作物生长模型可通过模拟冬小麦的生长发育过程对未来LAI曲线进行预测,但其预测过程依赖于未来的气象数据等难以获取的输入参数。由于冬小麦的LAI时序变化具有连续性和规律性的特点,可通过深度学习方法仅以历史LAI为输入参数对未来LAI进行预测,但深度学习方法需要大量样本参与训练,训练样本的稀缺性限制了其在LAI预测方面的实际应用。针对上述问题,通过数据同化方法将遥感数据与WOFOST模型相结合,采用SCE（Shuffled Complex Evolution）算法最小化校正后的MODIS LAI产品与模型模拟LAI之间差值来优化作物模型初始参数,从而构建出京津冀地区15年的逐日冬小麦LAI数据集。在该数据集基础上,利用长短期记忆网络（LSTM）分别建立了不同输入历史LAI天数的多个冬小麦预测模型,探究了不同预测模型表达冬小麦生育期中LAI变化规律的能力。结果表明:基于LSTM网络的预测模型都能较好进行冬小麦LAI未来... 

【文章来源】：光谱学与光谱分析. 2020,40(03)北大核心EISCICSCD

【文章页数】：7 页

【部分图文】：

研究区以及气象站点和采样点分布

通过所提取的247组校正后的MODIS LAI加入WOFOST进行同化, 并以每组所对应的当年站点气象数据来驱动模型, 从而得到优化后的LAI曲线数据。 如图3(a)所示, 未同化生成的LAI曲线中LAI最高值达到8, 最低值仅为2, 部分曲线不符合冬小麦生长规律特征。 如图3(b)所示, 同化后生成的LAI曲线中的均值线最大值为5且在轮廓线内分布较均匀, 更符合冬小麦LAI曲线变化规律。表1 需优化参数的定义与校准值范围Table 1 Description and range of parameters to be optimized 参数名称 定义 校准值范围 来源 TSUM1 出苗至开花有效积温/(℃·d) 0.9*TSUM1～1.1*TSUM1 计算 TSUM2 开花至成熟有效积温/(℃·d) 0.9*TSUM2～1.1*TSUM2 计算 SPAN 叶片衰老系数/d 17～50 调整 TDWI 初始生物量/(kg·hm-2) 50～300 调整

表1 需优化参数的定义与校准值范围Table 1 Description and range of parameters to be optimized 参数名称 定义 校准值范围 来源 TSUM1 出苗至开花有效积温/(℃·d) 0.9*TSUM1～1.1*TSUM1 计算 TSUM2 开花至成熟有效积温/(℃·d) 0.9*TSUM2～1.1*TSUM2 计算 SPAN 叶片衰老系数/d 17～50 调整 TDWI 初始生物量/(kg·hm-2) 50～300 调整1.3 LAI预测模型

【参考文献】：
期刊论文
[1]叶面积指数遥感反演研究进展与展望[J]. 刘洋,刘荣高,陈镜明,程晓,郑光.  地球信息科学学报. 2013(05)



本文编号：3327910