本文關(guān)鍵詞： 冬小麥 產(chǎn)量 蛋白質(zhì)含量 DSSAT模型 植被指數(shù) 數(shù)據(jù)同化 氣象預(yù)報　出處：《浙江大學(xué)》2016年博士論文　論文類型：學(xué)位論文

【摘要】：隨著經(jīng)濟和科技水平的發(fā)展及人民生活水平的提高,在重視糧食產(chǎn)量的同時,農(nóng)產(chǎn)品品質(zhì)和質(zhì)量安全的關(guān)注日益增加。特別是加入WTO后,中國農(nóng)產(chǎn)品參與國際競爭所面臨的壓力越來越大,并且在國內(nèi)市場也日益受到國外農(nóng)產(chǎn)品的沖擊,農(nóng)產(chǎn)品質(zhì)量問題日益凸顯。對于小麥而言,發(fā)展優(yōu)質(zhì)專用小麥、實現(xiàn)優(yōu)質(zhì)高效的產(chǎn)業(yè)化生產(chǎn),已成為中國作物生產(chǎn)發(fā)展的亮點。如何實時、快速、大面積進(jìn)行籽粒品質(zhì)提前預(yù)報,進(jìn)而實現(xiàn)小麥調(diào)優(yōu)栽培,以及收割分類、分級貯存和按質(zhì)收購成為當(dāng)前研究的重要課題之一。具有快速、瞬時及空間連續(xù)監(jiān)測的遙感技術(shù)和具有時間連續(xù)監(jiān)測的作物生長模型技術(shù)為解決這一問題提供了可行及有效的手段。本研究圍繞遙感數(shù)據(jù)與作物生長模型同化這一關(guān)鍵問題,以冬小麥產(chǎn)量和籽粒蛋白質(zhì)含量(Grain protein content, GPC)預(yù)報為目的,特別是以GPC作為重點,選擇DSSAT (Decision Support System for Agrotechnology Transfer)作物生長模型作為冬小麥長勢動態(tài)監(jiān)測及產(chǎn)量和GPC預(yù)報的模型,并在模型參數(shù)敏感性、參數(shù)本地化、作物生化參數(shù)遙感反演、同化策略構(gòu)建、氣象預(yù)報節(jié)點確定等一系列問題上進(jìn)行探索研究。主要得到以下幾方面結(jié)論：(1)采用擴展傅里葉振幅敏感性檢驗(Extended Fourier Amplitude Sensitivity Test, EFAST)方法重點對模型中的作物遺傳參數(shù)(包括品種型參數(shù)和生態(tài)型參數(shù))和部分土壤參數(shù)進(jìn)行敏感性分析。除了分析參數(shù)對產(chǎn)量和GPC的敏感性外,同時還分析幾個關(guān)鍵生長過程變量[葉面積指數(shù)(LAI)、地上部生物量(AGB)和植株氮素累積量(AGN)]在時間序列上的參數(shù)敏感性。結(jié)果表明,與LAI較為敏感的作物及土壤參數(shù)包括PHINT、P1、LSPHS、 LAIS、SLAS、GN%S、SALB、VEFF和TDFAC;與AGB較為敏感的參數(shù)包括PHINT、 SLPF、PARUE、PARU2和P1；與AGN較為敏感的參數(shù)包括PHINT、P1、PARUE、RDGS、P1D和SLPF;不同生長過程變量的敏感性參數(shù)有異同之處,并且在時間序列上表現(xiàn)出差異性。與產(chǎn)量敏感的參數(shù)(PARUE、SLPF、G1、G2、P1和PARU2)和與GPC敏感的參數(shù)(G1、GN%S、P5、PARUE、PARU2、SLPF和G2)之間也表現(xiàn)差異性。有些對生長過程敏感的參數(shù)(PHINT, LSPHS, LAIS, SALB, VEFF, TDFAC, P1D和RDGS),在產(chǎn)量或GPC的敏感性中沒有體現(xiàn)出來,在應(yīng)用調(diào)試的過程中,需要兼顧收獲期產(chǎn)量和GPC的敏感性參數(shù)和生長過程變量的敏感性參數(shù)。(2)采用極大似然不確定性估計方法(Generalized likelihood uncertainty estimation, GLUE)并結(jié)合參數(shù)系統(tǒng)調(diào)試過程和敏感性分析結(jié)果進(jìn)行DSSAT模型的參數(shù)自動逐步系統(tǒng)調(diào)試,并進(jìn)行LAI、AGB、AGN、產(chǎn)量和GPC的模擬驗證。LAI、AGB和AGN的模擬值與實測值的均方根誤差(RMSE)、標(biāo)準(zhǔn)均方根誤差(NRMSE)、效率系數(shù)(E)和一致性系數(shù)(d)分別為0.42、0.17、0.64和0.87,1.77 ton ha-1、0.28、0.78和0.92,33.04 kg ha-10.28、0.41和0.79,其中以AGB的模擬結(jié)果最優(yōu)。產(chǎn)量和GPC的模擬值與實測值比較一致,其模擬值與實測值的RMSE、NRMSE.E和d分別為0.23 ton ha-10.05、0.77和0.94,1.91%、0.12、-19.85和0.28,產(chǎn)量的模擬精度高于GPC的模擬精度。研究表明利用DSSAT模型對研究區(qū)域進(jìn)行作物長勢和營養(yǎng)監(jiān)測以及產(chǎn)量和GPC預(yù)測是一個有效工具。(3)以AGN作為狀態(tài)變量,采用粒子群算法(Particle swarm optimization,PSO)進(jìn)行遙感數(shù)據(jù)和DSSAT模型同化,嘗試同化方法應(yīng)用于冬小麥GPC預(yù)報的可行性。結(jié)果表明選擇與氮素相關(guān)的植被指數(shù)可以進(jìn)行AGN遙感反演,其中NDRE構(gòu)建的回歸模型精度最高,其AGN的模擬值與實測值的R2和RMSE分別為0.663和34.05 kg ha-1。數(shù)據(jù)同化方法得到AGN的結(jié)果(R2=0.729,RMSE=32.02 kg ha-1)優(yōu)于植被指數(shù)反演法。預(yù)測的冬小麥產(chǎn)量(R2=0.711,RMSE=0.63 ton ha-1)和GPC(R2=0.367,RMSE=1.95%)與實測產(chǎn)量和GPC也具有較好的一致性。對強筋小麥和中強筋小麥分別進(jìn)行模擬,對GPC的總體預(yù)測精度(R2=0.519,RMSE=1.53%)有明顯的提高。利用數(shù)據(jù)同化方法可以較好的實現(xiàn)冬小麥產(chǎn)量和GPC的預(yù)測。(4)進(jìn)一步分析遙感同化結(jié)果,以LAI和AGN同時作為同化狀態(tài)變量,開展雙狀態(tài)變量數(shù)據(jù)同化方法進(jìn)行冬小麥產(chǎn)量和GPC預(yù)測的研究�；贛SR構(gòu)建的LAI反演模型(R2 =0.829,RMSE=0.598)以及NDRE構(gòu)建的AGN反演模型(R2=0.794,RMSE=37.75 kg ha-1)精度最高。利用雙變量同化得到的LAI的模擬值與實測值之間的R2和RMSE為0.828和0.494；AGN的模擬值與實測值之間的R2和RMSE為0.808和30.26 kg ha-1,雙狀態(tài)變量同化可以很好的避免單一狀態(tài)變量在同化過程單一過程變量模擬精度較高,而非狀態(tài)變量模擬精度不高的現(xiàn)象。雙狀態(tài)變量同化方法得到的冬小麥產(chǎn)量(R2=0.698,RMSE =0.726 ton ha-1)和GPC(R2=0.758,RMSE=1.16%)預(yù)測精度也比較理想。利用雙變量同化方法較單一狀態(tài)變量同化結(jié)果更加可靠。(5)分析北京地區(qū)收獲前不同時間節(jié)點上冬小麥產(chǎn)量與GPC的預(yù)報精度,以此確定最佳生育時期產(chǎn)量和GPC預(yù)報節(jié)點。通過分析不同預(yù)報節(jié)點正常氣象條件和三種極端條件(極端光照條件、極端溫度條件和極端降水條件)下的產(chǎn)量和GPC預(yù)報結(jié)果。研究表明,前期進(jìn)行產(chǎn)量和GPC預(yù)報,由于未知氣象數(shù)據(jù)較多,產(chǎn)量和GPC預(yù)報結(jié)果與實際氣象條件的產(chǎn)量和GPC預(yù)報結(jié)果偏差較大,并且極端天氣條件造成的預(yù)報產(chǎn)量和GPC波動較大,預(yù)報結(jié)果的可靠性較差。根據(jù)本研究所設(shè)置的預(yù)報節(jié)點,開花期末(5月21日左右)進(jìn)行產(chǎn)量預(yù)報,預(yù)報的產(chǎn)量結(jié)果與實際氣象條件下的產(chǎn)量預(yù)報結(jié)果基本一致,并且后期極端天氣條件對最終產(chǎn)量的影響不大,產(chǎn)量預(yù)報結(jié)果的可靠性較高,可以確定為冬小麥產(chǎn)量預(yù)報的最佳預(yù)報節(jié)點。GPC預(yù)報的最佳預(yù)報節(jié)點較產(chǎn)量預(yù)報的最佳預(yù)報節(jié)點有所推遲,灌漿期初期(5月31日)作為北京地區(qū)GPC預(yù)報的最佳預(yù)報時期較為合理。(6)結(jié)合作物模型與遙感數(shù)據(jù)同化和氣象預(yù)報的研究結(jié)果開展區(qū)域冬小麥產(chǎn)量GPC預(yù)報研究。結(jié)果表明,利用波譜響應(yīng)函數(shù)將田間高光譜數(shù)據(jù)轉(zhuǎn)換為Landsat-5衛(wèi)星TM的多光譜數(shù)據(jù)進(jìn)行LAI和AGN反演模型構(gòu)建,反演LAI和AGN最優(yōu)的模型分別為MSR和GNVI;通過優(yōu)化迭代次數(shù)和粒子群數(shù)目、遙感影像重采樣處理和計算機并行計算方法可以提高同化算法的效率；將遙感數(shù)據(jù)同化和氣象預(yù)報結(jié)合,實現(xiàn)區(qū)域冬小麥產(chǎn)量和GPC預(yù)報,產(chǎn)量預(yù)報結(jié)果與實測值之間達(dá)到極顯著水平(p0.01),GPC預(yù)報結(jié)果與實測值之間達(dá)到顯著性水平(p0.05),兩者模擬值與實測值具有較好的一致性。DSSAT作物模型結(jié)合遙感同化和氣象預(yù)報在灌漿期能夠?qū)崿F(xiàn)區(qū)域尺度冬小麥產(chǎn)量和GPC預(yù)報。
[Abstract]:With the development of economy and the level of science and technology and the improvement of people's living standard, the importance of grain yield and quality of agricultural products quality and safety concern is increasing. Especially after joining the WTO, more and China pressure agricultural products to participate in international competition faced more, and in the domestic market has been the impact of foreign agricultural products and the quality of agricultural products is becoming increasingly prominent. For wheat, wheat development, realize the industrial production of high quality, has become the highlight of the development of Chinese crop production. How to real-time, fast, large area for grain quality forecast in advance, so as to realize the optimization of wheat cultivation, harvesting and grading classification, storage and quality become the acquisition one of the important topics of current research. The model is fast, instantaneous and space remote sensing technology of continuous monitoring and continuous monitoring of crop growth with time for solution To solve this problem provides a feasible and effective method. This study focused on remote sensing data and crop growth model assimilation is the key problem, with winter wheat yield and grain protein content (Grain protein, content, GPC) for the purpose of forecasting, especially to GPC as the key, select DSSAT (Decision Support System for Agrotechnology Transfer) crops as a growth model of winter wheat growth monitoring and yield and GPC prediction model, and the model parameter sensitivity, parameter inversion localization, biochemical parameters of crops remote sensing, assimilation strategy construction, to explore a series of problems such as weather forecast. The main node determines the following conclusions: (1) using Extended Fourier amplitude sensitivity test (Extended Fourier Amplitude Sensitivity Test, EFAST) of the key parameters of crop genetic model (including types and parameters 鎬佸瀷鍙傛暟)鍜岄儴鍒嗗湡澹ゅ弬鏁拌繘琛屾晱鎰熸，

本文編號：1490899