利用數(shù)據(jù)同化的方法融合作物模型和遙感數(shù)據(jù),為解決區(qū)域作物生長模擬提供了可行和有效手段。目前作物模型與遙感數(shù)據(jù)同化系統(tǒng)大多基于單一作物模型,模型結(jié)構(gòu)的誤差存在被低估的問題,導(dǎo)致同化結(jié)果的不確定及在不同區(qū)域的適用性較差。因此,本研究結(jié)合數(shù)據(jù)同化方法和多模型集合預(yù)報方法發(fā)展多模型數(shù)據(jù)同化方法,并將其用于構(gòu)建作物多模型與遙感數(shù)據(jù)同化系統(tǒng),以提高區(qū)域作物生長模擬和估產(chǎn)的精度及穩(wěn)健性。本研究從同化變量LAI遙感反演、不同作物模型的比較、多模型數(shù)據(jù)同化算法開發(fā)、作物多模型與遙感數(shù)據(jù)同化方案的構(gòu)建及其在區(qū)域冬小麥生長模擬和估產(chǎn)的應(yīng)用等方面展開深入研究和討論。主要的研究結(jié)論包括:(1)研究利用Landsat-7 ETM+、Landsat-8 OLI和Sentinel-2 MSI數(shù)據(jù),結(jié)合EVI時序數(shù)據(jù)變化特征,使用循環(huán)神經(jīng)網(wǎng)絡(luò)方法LSTM實現(xiàn)了冬小麥的自動識別,識別總體精度為93.67%,Kappa系數(shù)為0.82。利用PROSAIL輻射傳輸模型和人工神經(jīng)網(wǎng)絡(luò)方法,建立了冬小麥LAI反演模型,實現(xiàn)了區(qū)域冬小麥LAI反演,經(jīng)過地面實測數(shù)據(jù)的驗證,LAI反演結(jié)果的RMSE為0.45和RRMSE分別10.54%...

【文章頁數(shù)】：126 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
abstract
主要符號對照表
第一章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 作物生長模型研究現(xiàn)狀
        1.2.2 作物生長模型與遙感數(shù)據(jù)同化研究現(xiàn)狀
        1.2.3 作物多模型比較及集合預(yù)報研究現(xiàn)狀
    1.3 存在的科學(xué)問題
    1.4 研究目標(biāo)、內(nèi)容和技術(shù)路線
    1.5 論文結(jié)構(gòu)
第二章 研究區(qū)、數(shù)據(jù)及作物模型
    2.1 研究區(qū)概況
    2.2 田間觀測試驗
    2.3 模型驅(qū)動數(shù)據(jù)
        2.3.1 氣象數(shù)據(jù)
        2.3.2 土壤數(shù)據(jù)
        2.3.3 田間管理數(shù)據(jù)
    2.4 遙感數(shù)據(jù)及預(yù)處理
        2.4.1 遙感數(shù)據(jù)獲取
        2.4.2 遙感數(shù)據(jù)預(yù)處理
    2.5 作物生長模型
        2.5.1 SAFY-WB模型
        2.5.2 WOFOST模型
        2.5.3 CERES-Wheat模型
    2.6 本章小結(jié)
第三章 區(qū)域冬小麥遙感信息提取及分析
    3.1 基于遙感時序數(shù)據(jù)的區(qū)域冬小麥種植區(qū)提取
        3.1.1 EVI時序數(shù)據(jù)SG濾波
        3.1.2 冬小麥種植區(qū)提取方法循環(huán)神經(jīng)網(wǎng)絡(luò)RNN
        3.1.3 冬小麥種植區(qū)提取結(jié)果
    3.2 基于人工神經(jīng)網(wǎng)絡(luò)的冬小麥葉面積指數(shù)反演
        3.2.1 PROSAIL模型
        3.2.2 人工神經(jīng)網(wǎng)絡(luò)LAI反演方法
        3.2.3 冬小麥LAI反演結(jié)果驗證與分析
    3.3 本章小結(jié)
第四章 不同作物模型的冬小麥生長模擬結(jié)果比較分析
    4.1 研究方法
        4.1.1 模型參數(shù)敏感性分析方法EFAST
        4.1.2 模型參數(shù)不確定性研究方法GLUE
    4.2 結(jié)果與分析
        4.2.1 作物模型參數(shù)敏感性和不確定性
        4.2.2 冬小麥LAI模擬結(jié)果比較
        4.2.3 冬小麥產(chǎn)量模擬結(jié)果比較
    4.3 本章小結(jié)
第五章 基于貝葉斯模型平均的作物多模型數(shù)據(jù)同化研究
    5.1 研究方法
        5.1.1 四維變分算法4DVar
        5.1.2 集合卡爾曼濾波EnKF
        5.1.3 貝葉斯模型平均BMA
        5.1.4 多模型數(shù)據(jù)同化算法的構(gòu)建
    5.2 單點尺度冬小麥多模型數(shù)據(jù)同化試驗
        5.2.1 基于傳統(tǒng)數(shù)據(jù)同化算法的單一作物模型同化模擬
        5.2.2 基于BMA方法的作物多模型集合模擬
        5.2.3 基于多模型數(shù)據(jù)同化算法的冬小麥多模型同化模擬
    5.3 結(jié)果與分析
        5.3.1 基于單一作物模型的冬小麥同化模擬結(jié)果評價
        5.3.2 基于作物多模型的冬小麥集合預(yù)報結(jié)果評價
        5.3.3 基于作物多模型的冬小麥同化模擬結(jié)果評價
    5.4 本章小結(jié)
第六章 作物多模型數(shù)據(jù)同化在區(qū)域冬小麥生長模擬中的應(yīng)用
    6.1 數(shù)據(jù)與方法
        6.1.1 區(qū)域冬小麥多模型遙感同化數(shù)據(jù)
        6.1.2 作物模型
        6.1.3 區(qū)域冬小麥多模型遙感同化方法
    6.2 結(jié)果與分析
        6.2.1 不同作物模型同化的區(qū)域冬小麥模擬結(jié)果對比
        6.2.2 作物多模型集合同化的區(qū)域冬小麥模擬結(jié)果分析
        6.2.3 不同生育期觀測同化的區(qū)域冬小麥估產(chǎn)結(jié)果對比
        6.2.4 不同空間尺度觀測同化的區(qū)域冬小麥估產(chǎn)結(jié)果對比
    6.3 本章小結(jié)
第七章 討論與展望
    7.1 主要研究結(jié)論
    7.2 研究創(chuàng)新點
    7.3 存在的問題與展望
參考文獻
致謝
作者簡歷



本文編號：3799484