本發(fā)明屬于農(nóng)業(yè)遙感領(lǐng)域，具體涉及一種基于遙感數(shù)據(jù)同化、作物模型的土壤、氣象及多作物參數(shù)快速確定方法。

背景技術(shù)：

1、葉面積指數(shù)（lai）的估計(jì)長(zhǎng)期以來(lái)一直是農(nóng)業(yè)遙感研究的重點(diǎn)。因?yàn)閘ai是表征光攔截和吸收、植被生長(zhǎng)條件和生產(chǎn)力的重要參數(shù)。傳統(tǒng)方法獲得lai主要是通過(guò)田間測(cè)量，但是很難獲取大區(qū)域上連續(xù)的lai數(shù)據(jù)；而作物生長(zhǎng)模型則可以在給定的試驗(yàn)點(diǎn)或小區(qū)域內(nèi)精確地模擬作物lai，然而，在大區(qū)域應(yīng)用中，它們受到某些輸入?yún)?shù)的空間異質(zhì)性的限制，因此實(shí)現(xiàn)作物模型作物參數(shù)的快速標(biāo)定是一個(gè)亟待解決的問(wèn)題。

2、使用適當(dāng)?shù)耐椒ㄊ惯b感信息和作物模型結(jié)合起來(lái)可以在大區(qū)域尺度上有效改善小麥產(chǎn)量模擬精度，現(xiàn)有的同化算法包括卡爾曼濾波（kf）、擴(kuò)展卡爾曼濾波（ekf）、集合卡爾曼濾波（enkf）、savitzky-golay濾波（sg）、變分同化（var）、粒子濾波、機(jī)器學(xué)習(xí)同化等，雖然這些方法在特定區(qū)域或特定結(jié)果應(yīng)用中各具優(yōu)勢(shì)，但它們往往缺乏在不同地區(qū)的多種同化方法的對(duì)比與結(jié)合，由于在大區(qū)域尺度上結(jié)合遙感信息與作物模型進(jìn)行小麥產(chǎn)量預(yù)報(bào)需要適合的數(shù)據(jù)同化方法，因此開(kāi)發(fā)一種結(jié)合各種同化方法對(duì)提升在不同地區(qū)遙感數(shù)據(jù)同化作物模型模擬的精度是非常必要的。

3、此外，在使用遙感數(shù)據(jù)同化到作物模型以確定作物模型參數(shù)取值的過(guò)程是非常復(fù)雜的，其難點(diǎn)在于如何快速確定不同地區(qū)的作物模型參數(shù)取值以改進(jìn)模型在不同地區(qū)的模擬精度。常規(guī)方法是將待確定的所有作物參數(shù)按敏感度排列順序逐一確定，這極大地增加了對(duì)于多參數(shù)模型的校正難度，限制了作物模型的實(shí)際應(yīng)用。因此，本發(fā)明開(kāi)發(fā)了一種同時(shí)確定多參數(shù)取值的方法，有效減少了傳統(tǒng)逐個(gè)參數(shù)確定方法中重復(fù)的工作，提高了使用遙感數(shù)據(jù)同化作物模型以確定模型作物參數(shù)確定的速率，有助于提高多參數(shù)作物模型的參數(shù)校準(zhǔn)速率來(lái)提高區(qū)域上作物模擬的精度。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提供一種基于貝葉斯優(yōu)化的遙感數(shù)據(jù)同化作物模型方法，包括下述步驟：

2、s1：提取整理作物模型中待分析的作物參數(shù)并按參數(shù)上下限范圍取樣，排列組合為作物參數(shù)集，將生成的所述作物參數(shù)集寫(xiě)入對(duì)應(yīng)的作物參數(shù)文件中，運(yùn)行模型并整理特征年份的lai和產(chǎn)量模擬結(jié)果；

3、s2：根據(jù)s1結(jié)果進(jìn)行作物參數(shù)敏感性分析，設(shè)定調(diào)參范圍并取樣，形成作物參數(shù)文件，運(yùn)行模型并整理多年lai和產(chǎn)量模擬結(jié)果；

4、s3：選擇作物生育期內(nèi)landsat8產(chǎn)品中的高質(zhì)量數(shù)據(jù)提取種植分布區(qū)域，設(shè)置取樣點(diǎn)，根據(jù)取樣點(diǎn)經(jīng)緯度提取modislai在作物生育期內(nèi)的數(shù)據(jù)，得到初始modis?lai；

5、s4：應(yīng)用同化算法處理初始modis?lai，得到各同化方法處理后的lai變化；

6、s5：根據(jù)s2中的模擬結(jié)果中的lai變化選擇與各同化方法處理后的lai變化最接近的一組模擬作為各同化方法的同化結(jié)果，根據(jù)實(shí)測(cè)產(chǎn)量或lai變化建立目標(biāo)函數(shù)；

7、s6：以各優(yōu)化結(jié)果作為輸入變量，使用貝葉斯優(yōu)化算法計(jì)算各輸入變量權(quán)重，根據(jù)實(shí)際需求調(diào)整迭代次數(shù)，使輸出結(jié)果與目標(biāo)函數(shù)之間的rmse最小，確定各變量權(quán)重，計(jì)算各作物參數(shù)取值、同化產(chǎn)量和lai變化。

8、進(jìn)一步的，所述s1中：

9、根據(jù)參數(shù)上下限及蒙特卡羅隨機(jī)取樣法進(jìn)行取樣，取樣分布為正態(tài)分布，采樣次數(shù)大于參數(shù)個(gè)數(shù)的65倍。

10、進(jìn)一步的，所述s1中：

11、根據(jù)特點(diǎn)年份基礎(chǔ)逐日氣象數(shù)據(jù)計(jì)算得到數(shù)據(jù)，寫(xiě)入模型氣象文件；根據(jù)土壤數(shù)據(jù)提取土壤條件進(jìn)行計(jì)算，得到土壤參數(shù)寫(xiě)入模型土壤文件；根據(jù)各地區(qū)作物多年平均生育期調(diào)整模型管理模式，運(yùn)行模型并整理模擬結(jié)果，根據(jù)模擬結(jié)果進(jìn)行敏感度分析。

12、進(jìn)一步的，所述s2中：

13、選擇敏感性指數(shù)超過(guò)0.1的參數(shù)，設(shè)定調(diào)參范圍并取樣。

14、進(jìn)一步的，所述s2中：

15、使用蒙特卡羅隨機(jī)取樣法進(jìn)行取樣，取樣分布為平均分布，采樣次數(shù)大于參數(shù)個(gè)數(shù)的65倍。

16、進(jìn)一步的，所述s3中：

17、采用landsat8高質(zhì)量數(shù)據(jù)，根據(jù)提取的連續(xù)種植區(qū)域設(shè)置取樣點(diǎn)，使用隨機(jī)森林方法對(duì)研究區(qū)多年種植區(qū)域進(jìn)行提取，提取生育期內(nèi)初始modis?lai數(shù)據(jù)。

18、進(jìn)一步的，所述s4中：

19、使用集合卡爾曼濾波、卡爾曼濾波、sg濾波、循環(huán)神經(jīng)網(wǎng)絡(luò)、一維變分同化處理初始modis?lai數(shù)據(jù)。

20、進(jìn)一步的，所述s5中：

21、根據(jù)s2中的模擬結(jié)果中的lai變化，計(jì)算與每種同化方法得到的lai之間的r2，最大r2的一組模擬即為對(duì)應(yīng)同化方法的同化結(jié)果，這組模擬的參數(shù)取值即為該同化方法的同化作物參數(shù)。

22、進(jìn)一步的，所述s6中：

23、根據(jù)實(shí)測(cè)lai或產(chǎn)量變化形成目標(biāo)函數(shù)，設(shè)定所述s5中各同化方法的同化結(jié)果為輸入變量，使用貝葉斯優(yōu)化算法進(jìn)行迭代計(jì)算，使輸出結(jié)果與目標(biāo)函數(shù)之間的rmse最小，得到各變量權(quán)重，根據(jù)不同方法的同化作物參數(shù)權(quán)重計(jì)算最終的作物參數(shù)取值、同化產(chǎn)量和lai變化。

24、進(jìn)一步的，所述s1中：

25、所述作物模型的氣象和土壤參數(shù)計(jì)算方法如下：

26、特征年份的逐日氣象數(shù)據(jù)輻射量按下列公式（1）至（6）計(jì)算得到：

27、(1)；

28、(2)；

29、(3)；

30、式中，為逐日太陽(yáng)天頂輻射(mjm-2day-1)；為太陽(yáng)常數(shù)=0.0820?(mjm-2min-1)?；為日地間相對(duì)距離的倒數(shù)；為太陽(yáng)時(shí)角(rad)；為地理緯度(rad)；為太陽(yáng)磁偏角(rad)；是某天的日序數(shù)；

31、太陽(yáng)輻射、蒸汽壓力由以下方程求得：

32、(4)；

33、?(5)；

34、(6)；

35、式中，為相對(duì)日照持續(xù)時(shí)間；、為回歸常數(shù)；為空氣溫度t時(shí)的水汽壓(kpa)；為底數(shù)是2.7183的指數(shù)函數(shù)；

36、其中，逐日平均飽和水汽壓，以那個(gè)時(shí)段日平均最高和最低氣溫的平均值來(lái)計(jì)算；

37、模型運(yùn)行所需的土壤參數(shù)數(shù)據(jù)基于van?genuchten模型確定，模型參數(shù)利用土壤基礎(chǔ)理化性質(zhì)采用rosetta模型推求，與mualem模型結(jié)合得到土壤導(dǎo)水率函數(shù)，按下式推求：

38、(7)；

39、式中，為有效含水量，為土壤吸力為h（kpa）時(shí)的土壤含水量（cm3/cm3）；為飽和含水量（cm3/cm3）；為滯留含水量（cm3/cm3）；為尺度參數(shù)（1/kpa）；m、n為形狀參數(shù)。

40、本發(fā)明的有益效果：

41、為了優(yōu)化區(qū)域上遙感數(shù)據(jù)同化作物模型模擬的精度以及作物參數(shù)的確定，基于遙感數(shù)據(jù)及多種同化方法，使用貝葉斯優(yōu)化算法確定各同化結(jié)果的權(quán)重，同時(shí)校準(zhǔn)多作物參數(shù)的取值，實(shí)現(xiàn)作物模型參數(shù)的快速確定，有助于提高對(duì)區(qū)域作物模擬的精度。

技術(shù)特征：

1.一種基于貝葉斯優(yōu)化的遙感數(shù)據(jù)同化作物模型方法，其特征在于，包括下述步驟：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述s1中：

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述s1中：

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述s2中：

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述s2中：

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述s3中：

7.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述s4中：

8.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述s5中：

9.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述s6中：

技術(shù)總結(jié)
本發(fā)明提出一種基于貝葉斯優(yōu)化的遙感數(shù)據(jù)同化作物模型方法，包括：提取整理作物模型中作物參數(shù)并取樣；將生成參數(shù)集寫(xiě)入對(duì)應(yīng)的作物參數(shù)文件、運(yùn)行模型并整理模擬結(jié)果，分析作物參數(shù)敏感度；選擇敏感度大于0.1的參數(shù)設(shè)定調(diào)參范圍，根據(jù)調(diào)參范圍取樣，重復(fù)并整理多年LAI和產(chǎn)量模擬結(jié)果；使用Landsat8數(shù)據(jù)提取小麥種植區(qū)，設(shè)置取樣點(diǎn)提取作物生育期內(nèi)的MODIS?LAI數(shù)據(jù)；處理得到各同化方法處理后的LAI變化，與處理后LAI變化最接近的一組模擬為同化結(jié)果；根據(jù)實(shí)測(cè)產(chǎn)量或LAI建立目標(biāo)函數(shù)，使用貝葉斯優(yōu)化算法迭代計(jì)算各同化結(jié)果的權(quán)重，得到最終的數(shù)學(xué)模型并計(jì)算作物參數(shù)取值、同化產(chǎn)量和LAI變化。

技術(shù)研發(fā)人員：丁日升,李鑫龍,董志多,高佳,張博越,王若樸,曹荷莉,康紹忠,杜太生,佟玲,康健
受保護(hù)的技術(shù)使用者：中國(guó)農(nóng)業(yè)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/8