基于遥感及作物生长模型同化之水稻生长参数时空概述
第 1章 绪论
1.1 研究背景
观测与模拟是获取地表参数并描述地表状况的两种基本手段，同时也是获取农业信息的主要手段，二者缺一不可。在农业生态系统中，常用的观测手段有地面观测和遥感观测，而作为数值动力模式的作物生长模型是模拟的主要方式之一。但二者各有其优势和缺点，如何结合观测与模拟各自优势并弥补各自缺陷，对实现农业信息的大尺度动态实时获取具有重要的现实意义。
传统的农业信息获取是采用地面观测的方法。虽然地面观测获取信息的精度较高，但这种方法不但观测尺度小、费时、费力，而且时效性差。遥感是描述植被生态系统功能和过程的强有力工具，其探测地表植被生化性质具有便捷、实时、有效、无破坏性和低成本等特点(Gamon and Qiu, 1999)。目前,通过遥感数据获取农业植被信息的方法基本上分为三大类：经验方法、半经验统计方法和理论模型反演方法。经验统计方法主要是利用统计回归方法建立光谱反射率或其变化形式与植被生化参数的回归方程来预测生化参数(Sims D A and Gamon A, 2003; 董晶晶等, 2006; 袁金国和牛铮, 2007; Darvishzadeha et al., 2008),半经验统计方法是发展与某一生化参数含量高度相关而对其他干扰因子较不敏感的植被指数(Penuelas et al., 1995; Penuelas et al., 1997; Borge and Leblanc, 2001; 关丽和刘湘南, 2009)。考虑到经验和半经验统计方法缺乏鲁棒性和可移植性,因此研究人员逐渐考虑基于物理模型的植被生化参数的反演方法(沈艳等, 2005; 黄春林等, 2006; 杨曦光等, 2021; 吴伶等, 2021a)。但是，利用这些方法获取植被信息会受到遥感数据时空分辨率以及云雨等气候因素的影响，同时这些模型基本上为静态模型，缺乏动态性，其反映的只是植被冠层的瞬间物理状况，还不能真正揭示作物生长发育和产量形成的内在机理以及个体生长发育状况及其环境气象条件对其的影响机理。因此，要进一步发展农业信息卫星遥感获取模式，应当引入基于作物生长机理和过程的作物生长动力模式，获取更多的土壤-作物-大气系统中能量转换及生物量形成的信息，促进农业卫星遥感监测的机理化和精确化。
1.2 国内外研究现状
1.2.1 作物生长模型研究进展
作物生长模型是一种通过给定一系列作物参数和相应的环境参数，用来预测作物的生长、发育和产量的具有很强机理性和时间连续性的定量模拟系统(Montieth, 1996)。荷兰瓦赫宁根农业大学的 de Wit 和美国佛罗里达大学的Duncan 是作物生长动态模拟研究的先行者。1965 年，荷兰人 de Wit 基于前人关于作物对光截获和转化、叶片光合作用的研究，构造了作物冠层的光合作用模式(de Wit, 1965)，并定义了 4 种作物模拟水平(潜在生产力水平、水分胁迫水平、养分胁迫水平以及病虫害限制产量水平)。之后美国人Duncan 建立了玉米叶面积与叶片角度对群体光合作用影响的模式(Duncan et al., 1967)。这些开创性研究得到相关学科的高度关注，并随着计算机科学技术的飞速发展，引发了对作物光合作用、呼吸作用、生长过程等模式的广泛研究，出现了了大量模拟作物生长发育和产量形成过程的模型。其中，美国和荷兰是目前对作物生长模型研究比较系统且深入透彻的两个国家。
作为最早研究作物生长模型的国家，荷兰的作物生长模型研究主要以瓦赫宁根（Wageningen）农业大学的研究影响最大。瓦赫宁根农业大学的De Wit作为作物生长模型研究的先行者，其研究成果自成体系，影响极大，故被称为De Wit学派(De Wit, 1978; Stroosnijder, 1982; Bouman et al., 1996)。荷兰模型的研制起步于20世纪60～70年代。在1970年，De Wit构建了第一个作物生长动力学模型ELCROS (De Wit, 1970)，之后基于ELCROS模型，荷兰又研制出了描述作物生长过程较ELCROS模型更详细的BACROS模型(Penning de Vries and van Laar, 1982)，其特色在于对潜在生产管理条件下田间作物的生长和蒸腾作用进行了模拟。20世纪80年代荷兰作物生长模型进入初步应用阶段。在BACROS模型基本框架基础上，构建了第一个概要模型SUCROS模型(Spitters et al., 1989)，其优势在于普适性强。之后在SUCROS模型基础上又进一步衍生出了具有较大影响的WOFOST模型。WOFOST模型是由一系列基本模块组成，这些基本模块包括模拟作物生产潜力模块、水分限制条件下的作物生长模块、土壤水分模块和营养元素平衡模块等。荷兰作物生长模型在20世纪90年代进入实际可操作阶段。LINTUL模型是针对空间尺度扩展的简化模型(Spitters and Schapendon, 1990)。LINTUL类模型大大减少了所需输入数据种类,简化了模型参数化工作。随着日益增加的应用需求，针对不同的应用目的，荷兰的作物生长模型体系中出现了一些已经被标准化、软件化的成熟稳重模型。另外，瓦赫宁根农业大学与国际水稻所(IRRI)合作研制了基于水稻生理生态过程的ORYAZ系列模型。系列模型中的ORYZA1用于模拟潜在生产力水平下的水稻生长，其特点在于对冠层光能截获与分布、光合作用、呼吸作用以及同化物积累等方面的描述与量化较为细致。上世纪90年代，在ORYZA1 模型的基础上又进一步分别构建了氮限制和水分限制条件下的ORYZA-N和ORYZA-W等模型。通过将这些模型进行组装和改进，就发展成为综合性的水稻生长模型ORYZA2000 (Bouman et al., 2001)。
第 2章 实验设计、数据及模型
2.1 研究对象及研究区选择
水稻是全球人类赖以生存的主要粮食之一，其生长状况及产量对于保证粮食安全、缓解日益膨胀的人口数量和逐渐减少的农用土地面积这一矛盾至关重要。水稻也是我国的主要粮食作物之一，据2021年中国农村统计年鉴统计结果可知，2009 年中国水稻种植面积占全国粮食作物种植面积比重的 27%，其产量更是达到全国粮食总产量比重的36.8% (国家统计局农村社会经济调查司, 2021)。因此，本研究选择水稻作为遥感信息与作物生长模型同化的研究对象。
研究区位于吉林省长春市辖区，此区域地处东北平原，其地理位置范围为125°03′-125°34′E，43°26′-44°05′N，是我国水稻的主产区之一。研究区属亚欧大陆寒温带大陆性气候，光照较充足，热量适中，年平均气温 4.9℃；年平均降水量594mm，多集中在 7、8月，最多可达311mm；土壤以土质肥沃的黑土为主，土壤有机质质量分数介于 2%~4%之间；研究区水稻属于东北早熟单季粳稻，品种以早粳稻中的吉粳系列为主。本研究选取市辖区内的4个水稻种植区(A、B、C、D)作为研究区，其分别位于长春的东南西北四个位置，能体现气候对水稻生长影响的差异，同时也选取了1个实测样本区 E(125°09′E, 43°51′N)。研究区及样本区位置如图2-1所示。
2.2 光谱和卫星遥感数据
2.2.1 ASD 数据
2009 年在水稻生长季节的 5 月到 9 月间，选择晴朗(或少量云)无风的天气，于北京时间10:00 ~14:00之间进行光谱测量。测量时间分别为5月20日(日序为140，下同)，6 月 20 日(171)，6 月 25 日(176)，7 月 8 日(189)，7 月 19 日(200)，7 月 29 日(210)，8 月 4 日(216)，8 月 12 日(224)，8 月 30 日(242)，9 月 4 日(247)，9 月 10 日(253)，9 月 16 日(259)，这些光谱测量时间涵盖了水稻整个生长期。光谱反射率采用FieldSpec光谱仪(美国ASD公司生产)进行测定。光谱仪测量波段范围为350~2500nm，其中 350～1000 nm 光谱采样间隔为1.4 nm，1000～2500 nm光谱采样间隔为2 nm，光谱分辨率为10 nm。测量前用标准白板进行校正，视场角(FOV)为10?，传感器探头垂直向下，距离水稻冠层顶部高度约为1m。每个测试点采集 10 个光谱数据，取其平均值作为一个样本结果。每个时期在样本区E共采集40个样本，取其平均值作为这个时期的光谱测量值。
2.2.2 CCD 数据
研究主要采用的遥感数据为环境与灾害监测预报小卫星 CCD 数据。环境星数据自公布以来，已在农业方面得到广泛的应用(郭琳等, 2021; 张竞成等, 2021; 钟仕全等, 2021; 代玉丽, 2021; 刘睿等, 2021; 尹芳等, 2021)。环境与灾害监测预报小卫星星座A、B星(H-1A/1B星)于2008 年9月6日成功发射，H-1-A星搭载了 CCD 相机和超光谱成像仪（HSI），H-1-B 星搭载了 CCD 相机和红外相机（IRS）。其中 CCD 载荷的主要参数如表 2-1 所示。H-1-A 卫星和 H-1-B 卫星的轨道参数如表 2-2 所示。相比 TM 数据的高空间分辨率和 MODIS 数据的高时间分辨率，CCD数据同时具有高空间分辨率(30 m)、高时间分辨率(2 天)以及大成像幅宽(360或720 m)等特点，这对于提高地表状况的大尺度动态监测的准确性具有很大优势。本研究选取了与地面光谱测量时间准同步的 12 景数据质量较好的CCD数据。另外，还选取了1景5月14日的CCD数据用于水稻种植面积的提取。
第3章 遥感信息与作物生长模型同化研究............... 36
3.1 同化算法................ 37
3.2 优化参数选择....................... 40
3.3 同化观测量选择 ........................ 40
第4章 区域尺度遥感-作物模拟同化框架............. 54
4.1 水稻种植面积提取............. 54
4.2 天气参数区域化............. 56
4.3 作物参数区域化............................ 57
第5章 水稻生长参数时空分析 ....... 64
5.1 生长参数时空域连续模拟.................... 64
第 5章 水稻生长参数时空分析
5.1 生长参数时空域连续模拟
利用本研究构建的区域尺度遥感-作物生长模型同化框架，可实现水稻生长参数的大尺度动态模拟，解决了作物生长模型模拟生长参数在空间尺度上和遥感信息反演生长参数在时间尺度上的不连续性问题。通过同化遥感信息，作物生长模型实现了从点模型到面模型的升尺度过程。遥感信息反演水稻生长参数受云、雨等天气因素以及遥感影像时间分辨率等影响，当水稻生长期内某一时期受云雨影响而导致遥感信息不准确或因时间分辨率过低而导致遥感信息出现空白期;时，遥感反演精度则会受到影响。同化模型降低了云雨等天气因素的影响，同时其时间分辨率也达到1天，避免了遥感反演空白期;问题的出现。另外，相比遥感信息统计反演，基于机理性强的作物生长模型和辐射传输模型构建的区域尺度RS-WOPROSAIL 同化框架机理性和普适性也更高。因此，基于本研究构建的区域尺度 RS-WOPROSAIL 同化框架，我们可获得水稻生长周期内任一时期(以 1天为步长)的区域水稻生长参数空间分布(图 5-1)，从而了解水稻在某个时期某个区域的生长状况，为水稻生产以及田间管理提供有效信息。
第 6章 结论与展望
6.1 结论
论文的研究工作及结论如下：
(1) 借助辐射传输模型 PROSPECT+SAIL 进行植被指数敏感性分析，选择对耦合模型WOFOST+PROSPECT+SAIL中的耦合参数LAI最敏感而对其他干扰因子最不敏感的植被指数，并将其作为遥感与作物生长模型同化的同化观测量。结果表明：选择的同化观测量 MCARI1 能较好地反映 LAI 的变化，且将其作为同化观测量的同化框架运行效率较全波段反射率有大幅度提高。
(2) 通过设置不同步长的融合遥感观测值的同化时间尺度，利用模拟的同化观测量MCARI1在不同时间尺度下同化作物生长模型WOFOST，比较不同时间尺度下的同化精度和效率，选择合理的同化时间尺度。结果表明：随着同化时间尺度的逐步增大，同化效率逐渐提高，但同化精度逐渐降低。基于各时间尺度同化效率和精度差异的考虑，在平衡精度和效率的前提下，认为选择步长介于 10天~20 天之间的时间尺度作为遥感信息与模拟水稻生长过程的 WOFOST 模型同化的同化时间尺度是较合适的。
(3) 采用敏感性分析方法选择和改进现有植被指数，并利用CCD和MODIS数据反演具有空间异质性特点的参数，获取其区域分布值。结果表明：植被指数GNDVI和改进的植被指数NDWI2能较好地反演水稻叶绿素和水分含量，R2都在80%以上。
(4) 在上述研究工作的基础上，基于同化算法-微粒群算法(PSO)建立潜在生产力水平下的区域尺度遥感-作物生长模型同化框架，利用样地观测数据及相关统计资料对同化框架的准确性进行了验证，并基于此同化框架对长春地区的水稻生长参数进行时空分析。结果表明：构建的区域尺度RS-WOPROSAIL同化框架实现了水稻生长参数在时空域上的连续模拟，同化框架模拟的叶面积指数(LAI)、穗重(WSO)、地上总生物量(TAGP)等生长参数较好地体现了水稻生长状况时空域变化特征。
参考文献（略）