买专利,只认龙图腾
首页 专利交易 科技果 科技人才 科技服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

【发明授权】同化卫星荧光数据与作物生长模型的区域冬小麦估产方法_中国农业大学_201910368534.2 

申请/专利权人:中国农业大学

申请日:2019-05-05

公开(公告)日:2021-02-23

公开(公告)号:CN110222870B

主分类号:G06Q10/04(20120101)

分类号:G06Q10/04(20120101);G06Q50/02(20120101);G06K9/62(20060101)

优先权:

专利状态码:有效-授权

法律状态:2021.02.23#授权;2019.10.08#实质审查的生效;2019.09.10#公开

摘要:本发明实施例提供一种同化卫星荧光数据与作物生长模型的区域冬小麦估产方法,包括:模型参数敏感性分析以及模型参数标定;在SIF数据同化系统的外层,根据参数标定结果将SIF卫星遥感数据与SCOPE模型进行同化,由同化后的模型得到日累积GPP;在SIF数据同化系统的内层,同化该系统外层所得的日累积GPP与WOFOST模型模拟的日累积GPP;耦合数值天气预报数据获得WOFOST模型输出的待估产区域的冬小麦产量预报结果。本发明实施例将SIF卫星遥感数据引入到过程模型,从光合作用的角度建立与产量的机理性联系,从优化农作物光合作用过程开展区域产量预报。

主权项:1.一种同化卫星荧光数据与作物生长模型的区域冬小麦估产方法,其特征在于,包括:将冬小麦种植区域划分为多个格网,选择冬小麦面积占比大于设定比例的格网作为待估产区域;根据环境指标数据将所述待估产区域划分为多个种植分区,获取种植分区的设定分辨率的日光诱导叶绿素荧光SIF遥感数据;对WOFOST模型进行全局敏感性分析,获得对GPP、产量敏感的参数集;对SCOPE模型进行全局敏感性分析,获得对SIF、GPP的敏感的参数集;按照种植分区对所述敏感参数集中的敏感参数进行参数标定和不确定性评估;在SIF数据同化系统的外层,将SIF遥感数据与参数标定后的SCOPE模型进行同化,由同化后的SCOPE模型得到日累积GPP;在SIF数据同化系统的内层,同化所述系统外层所得的日累积GPP与WOFOST模型模拟的日累积GPP,得到同化后的日累积GPP;基于同化后的GPP,以气象预报数据驱动WOFOST模型,获得WOFOST模型输出的所述待估产区域的冬小麦产量预报结果。

全文数据:同化卫星荧光数据与作物生长模型的区域冬小麦估产方法技术领域本发明实施例涉及农业技术领域,更具体地,涉及一种同化卫星荧光数据与作物生长模型的区域冬小麦估产方法。背景技术为了对冬小麦的产量进行估算,现有技术中发展了一系列基于叶面积指数、土壤水分、反射率或植被指数为同化变量的遥感与机理过程模型数据同化系统,在区域冬小麦长势、灾害监测和产量预报上取得了重要成果。但是,现有技术中的这些同化变量无法从光合作用的角度建立与产量的机理性联系,因此,在定量监测冬小麦生长过程和产量预报方面存在局限性。发明内容为了解决上述问题,本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的同化卫星荧光数据与作物生长模型的区域冬小麦估产方法。本发明实施例提供一种同化卫星荧光数据与作物生长模型的区域冬小麦估产方法,该方法包括:将冬小麦种植区域划分为多个格网,选择冬小麦面积占比大于设定比例的格网作为待估产区域;根据环境指标数据将所述待估产区域划分为多个种植分区,获取种植分区的设定分辨率的日光诱导叶绿素荧光Sun-InducedchlorophyllFluorescence,SIF遥感数据;对WOFOST模型进行全局敏感性分析,获得对植被总初级生产力GrossPrimaryProductivity,GPP、产量敏感的参数集;对SCOPE模型进行全局敏感性分析,获得对SIF、GPP的敏感的参数集;按照种植分区对所述敏感参数集中的敏感参数进行参数标定和不确定性评估;在SIF数据同化系统的外层,将SIF遥感数据与参数标定后的SCOPE模型进行同化,由同化后的模型得到日累积GPP;在SIF数据同化系统的内层,同化所述系统外层所得的日累积GPP与WOFOST模型模拟的日累积GPP,得到优化后的日累积GPP;基于优化后的GPP,以气象预报数据驱动WOFOST模型,获得WOFOST模型输出的所述待估产区域的冬小麦产量预报结果。本发明实施例提供的同化卫星荧光数据与作物生长模型的区域冬小麦估产方法,通过SIF遥感数据与机理过程模型同化的方法,将SIF遥感数据引入到过程模型,从光合作用的角度建立与产量的机理性联系,从优化农作物光合作用过程开展区域产量预报。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些图获得其他附图。图1为本发明实施例提供的同化卫星荧光数据与作物生长模型的区域冬小麦估产方法的流程示意图;图2为本发明实施例提供的区域产量集合预报示意图;图3为本发明实施例提供的产量高于8000kgha概率预报示意图。具体实施方式为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。近年来,与植被的生理过程有紧密联系的SIF遥感产品的出现和快速发展,以及动态模拟冠层叶绿素荧光的过程模型的日趋成熟,给遥感数据同化产量预报带来了新的机遇——将SIF遥感数据引入到过程模型,从优化农作物光合作用过程开展区域产量预报。基于此,本发明实施例提供一种同化卫星荧光数据与作物生长模型的区域冬小麦估产方法,参见图1,该方法包括但不限于如下步骤:步骤101、将冬小麦种植区域划分为多个格网,选择冬小麦面积占比大于设定比例的格网作为待估产区域。具体地,在步骤101之前,可获得冬小麦生育期内冬小麦种植区域的多时相陆地卫星八号陆地成像仪Landsat8OLI数据和哨兵二号Sentinel2AB光学数据。基于上述光学数据,采用决策树分类获得研究区即冬小麦种植区域一定分辨率例如30m的冬小麦空间分布图。然后将冬小麦空间分布图划分为多个预定分辨率例如1km的格网,计算每个格网中冬小麦所占的面积比即冬小麦面积占比,选择面积占比大于设定比例例如80%的格网进行估产。其中,选择出的格网即为待估产区域。通过进行上述处理,格网具有较高的纯度,估产结果较为准确。步骤102、根据环境指标数据将所述待估产区域划分为多个种植分区,获取种植分区的设定分辨率的SIF遥感数据。具体地,在步骤101中获得了待估产区域后,可将待估产区域进行进一步划分,获得多个种植分区。其中,环境指标数据用于反映待估产区域的环境情况,环境指标可包括气象条件、种植模式、灾害频率、产量水平等,本发明实施例对此不作限定。因此,可根据待估产区域中各区域的环境情况将整个待估产区域划分为不同的种植分区。获取待估产区域的SIF遥感数据。其中,SIF数据与植被的生理过程有紧密联系,能够直接反映冬小麦的光合作用情况。步骤103、对WOFOST模型进行全局敏感性分析,获得对GPP、产量敏感的参数集;对SCOPE模型进行全局敏感性分析,获得对SIF、GPP的敏感的参数集。其中,WOFOST模型为作物生长模型,SCOPE模型能够模拟冠层SIF数据。可采用EFAST敏感性分析方法研究WOFOST模型对GPP、产量的全局敏感性,以及SCOPE模型对SIF、GPP的全局敏感性。取WOFOST模型对GPP、产量敏感的参数集的并集为WOFOST模型的敏感参数集,以SCOPE模型对SIF、GPP敏感的参数集的并集为SCOPE模型的敏感参数集。步骤104、按照种植分区对所述敏感参数集中的敏感参数进行参数标定和不确定性评估。具体地,基于待估产区域中农业气象站点观测数据、通量塔数据、实测SIF等数据,对于每个种植分区,采用马尔科夫链蒙特卡洛MarkovChainMonteCarlo,MCMC方法对敏感参数进行参数标定和不确定性评估。步骤105、在SIF数据同化系统的外层,将SIF遥感数据与参数标定后的SCOPE模型进行同化,由同化后的模型得到日累积GPP;在SIF数据同化系统的内层,同化所述系统外层所得的日累积GPP与WOFOST模型模拟的日累积GPP,得到优化后的日累积GPP。具体地,依据内外嵌套和参数传递的SIF数据同化系统,分两步进行同化:在外层,可利用四维变分4Dvar数据同化方法同化步骤102中获得的SIF数据和SCOPE模型,由同化后的SCOPE模型获得日累积GPP及其不确定性。在内层,利用集合卡尔曼滤波EnKF同化方法同化外层所得的日累积GPP与WOFOST模拟的日累积GPP,得到同化后的日累积GPP。步骤106、基于优化后的GPP,以气象预报数据驱动WOFOST模型,获得WOFOST模型输出的所述待估产区域的冬小麦产量预报结果。其中,气象预报数据是进行产量预报时段内的气象数据。具体地,将同化后的GPP代入WOFOST模型后,可以气象预报数据驱动WOFOST模型进行产量预报,获得冬小麦产量预报结果。本步骤中,产量预报主要依据气象数据驱动进行,但前提是WOFOST模型的参数、状态变量已经过标定、同化。在预报期内如成熟期前2个月,WOFOST模型每代入同化后的GPP更新一次,即可带入气象预报数据进行预报。预报所采用的气象数据依据预报时刻分为两部分:对于预报时刻之前的气象数据可使用地面气候资料日值数据集生成的数据,而对于当前时刻之后预报期内的气象数据,又分为近15天预报TIGGER气象数据集和近15天之后的预报与1979-2016年份的再分析数据进行匹配,找出与气象数据集最相似历史气象数据。由于气象数据是以集合形式输入WOFOST模型,其输出为产量预报集,可选择预报集合的中值作为输出的冬小麦产量预报结果。另外,还可设定一定标准,例如8000kgha为单位面积产量单产标准,依据预报集合,统计单产高于此标准的概率。本发明实施例提供的同化卫星荧光数据与作物生长模型的区域冬小麦估产方法,通过采用SIF遥感数据与机理过程模型数据同化的方法研究,将SIF遥感数据引入到过程模型,从光合作用的角度建立与产量的机理性联系,从优化农作物光合作用过程开展区域产量预报。基于上述实施例的内容,作为一种可选实施例,提供一种根据环境指标数据将所述待估产区域划分为多个种植分区的方法,包括:以农气站点为结点构建泰森多边形,并依据农气站点记录数据;根据记录的数据将环境指标相近的站点对应的泰森多边形合并,得到分区结果;其中,环境指标包括气象条件、种植模式、灾害频率和产量水平。以农气站点为结点构建泰森多边形,并依据农气站点记录数据,将多年环境指标环境指标包括气象条件、种植模式、灾害频率、产量水平等相近站点对应的泰森多边形合并,得到分区结果。基于上述实施例的内容,作为一种可选实施例,提供一种获取种植分区的设定分辨率的SIF遥感数据的方法,包括但不限于如下步骤:将MODIS数据的分辨率设定为冬小麦产量预报所采用的分辨率,即设定分辨率,将生育期内的原始分辨率为7km*3.5km的TROPOMISIF遥感数据降尺度为所述设定分辨率;其中,所述MODIS数据包括叶面积指数LAI数据、蒸散发ET数据和地表温度LST数据。本步骤中,利用设定分辨率例如1km的MODIS叶面积指数LAI,蒸散发EvapoTranspiration,ET和地表温度LandSurfaceTemperature,LST数据,将生育期内的TROPOMI哨兵五号卫星的监测仪器日光诱导的叶绿素荧光Sun-InducedchlorophyllFluorescence,SIF数据降尺度为设定分辨率例如1km的SIF数据。基于上述实施例的内容,作为一种可选实施例,设定分辨率为1km*1km;相应地,提供一种将生育期内的TROPOMISIF遥感数据降尺度为设定分辨率的SIF数据的方法,包括但不限于如下步骤:步骤1、将生育期内的日光诱导的SIF数据重采样为空间分辨率为5km*5km的SIF数据。具体地,通过如下方式将TROPOMISIF数据按照如下方法重采样为空间分辨率为5km*5km的SIF时间序列影像:如果TROPOMISIF像元由像元四角点经纬度确定覆盖某格网单元格网所用投影为Albers等面积投影,大小为5km*5km的中心点,则该像元的SIF值将贡献于该格网SIF的平均值例如:某格网单元的中心点共被2个TROPOMISIF像元覆盖,其中一个像元的SIF值为0.1,另一个为0.3,则该格网单元的SIF值为0.1+0.32=0.2。步骤2、将原始1km*1km的MODIS数据重投影为阿尔伯斯等面积投影,并通过线性聚合方法重采样为5km*5km的MODIS数据。换言之,将所采用的MODIS产品LAI,ET,LST即原始MODIS数据重投影为阿伯斯等面积投影,空间分辨率为1km*1km。再通过线性聚合生成5km*5km的MODIS数据。其中,聚合时,若MODIS数据不足12个,则放弃聚合。步骤3、为每个5km*5km的SIF数据的像元建立时空窗口,将时空窗口内的MODIS数据带入式中,求解出式中的未知参数。其中,bi为未知参数,i=1,2,3,4,5,6。其中,通过假设SIF数据可由MODISLAI、ET、LST数据转换得到,即可获得上式1。步骤4、基于求解出的未知参数,将原始MODIS数据带入式中,获得5*5个分辨率为1km*1km的SIF数据。具体地,在步骤4前,可首先求解出上式1中的未知参数,求解可通过如下方式:首先,为每个5km*5kmSIF像元建立时空窗口。时间窗口设为1个月;空间窗口的设定分为两步:第一步,建立以该像元为中心的5*5个像元组成的矩形区域即25km*25km。第二步,从该矩形区域中挑选11个邻近该目标像素的像元,加上目标像元本身,共计12个像元对应的空间范围构成了该像元的空间窗口。然后,在建立好时空窗口后,将时空窗口内的MODIS数据带入公式1,其与SIF数据的残差平方和为代价函数,利用L-BFGS-B优化算法求解出公式1中的6个未知参数。求解获得了6个未知参数后,将聚合前的原始MODIS数据带入该公式1中,可直接得到5*5个分辨率为1km的SIF数据。基于上述实施例的内容,作为一种可选实施例,对WOFOST模型进行全局敏感性分析,获得对GPP、产量敏感的参数集之前,还包括:对所述待估产区域的地面气象数据进行时空插值,获得时空连续分布的逐日的气象数据和逐小时的气象数据;将所述逐日的气象数据作为WOFOST模型的气象驱动数据,以及将所述逐小时的气象数据作为SCOPE模型的气象驱动数据。具体地,对地面气象数据进行时空插值,获得时空连续分布的逐小时、逐日气象数据,分别作为WOFOST模型与SCOPE模型的气象驱动数据。具体地,基于敏感性分析结果,确定待标定参数集;依据模型定义或者实际情况确定每个敏感参数的取值区间,并定义参数先验分布为区间上的均匀分布;依据与模型输出对应的观测数据产量或叶面积指数计算其均值和标准差,并定义似然函数为以所得均值和标准差的高斯分布;从参数先验分布中进行蒙特卡洛采样,每次采样结果带入模型得到对应的模型输出,将输出带入似然函数得到每次采样的似然概率,依据Metropolis准则接受采样值,并依据方差比法判断马尔科夫链是否收敛,在前一次采样的基础上不断进行新的采样直至马尔科夫链收敛,从而得到参数后验样本。最后以参数后验样本的中值作为模型参数标定结果,同时计算参数样本的均方根误差RMSE以此作为不确定性的定量描述指标。基于上述实施例的内容,作为一种可选实施例,提供一种在SIF数据同化系统的外层,将所SIF遥感数据与参数标定后的SCOPE模型进行同化,由同化后的模型得到日累积GPP;在SIF数据同化系统的内层,同化所述系统外层所得的日累积GPP与WOFOST模型模拟的日累积GPP,得到优化后的日累积GPP的方法,包括但不限于如下步骤:步骤一、在SIF数据同化系统的外层,将每小时气象数据输入至SCOPE模型逐小时地模拟荧光,获得模拟SIF数据;建立模拟SIF数据与SIF遥感数据的四维变分代价函数,并利用SCE-UA算法对所述代价函数进行优化,得到优化后的SCOPE参数集,将其代入SCOPE模型得到同化后的SCOPE模型,基于同化后的SCOPE模型获得日累积GPP。具体地,该SIF数据同化系统分为内层与外层。在外层,将MCMC标定所得的敏感参数的最优估计值即参数标定结果、模型必要的其他参数,插值所得的每小时气象数据,输入SCOPE模型,逐小时地模拟荧光。建立TROPOMI降尺度所得的1km分辨率以设定分辨率为1km为例进行说明的SIF与模型模拟的卫星过境时段的SIF的4Dvar代价函数,利用SCE-UA算法对代价函数进行优化。将全局最优参数模拟的逐小时GPP,以此得到日累积GPP及其不确定性。步骤二、在SIF数据同化系统的内层,将日气象数据和所述敏感参数的高斯扰动的初始参数集输入至标定后WOFOST模型,逐日生成日累积GPP;将由同化后的SCOPE模型所得的不确定性小于设定阈值的日累积GPP与WOFOST模型模拟的日累积GPP进行同化,获得同化后的日累积GPP,将此输入至WOFOST模型以继续向前运行;在系统运行过程中,若当日由同化后的SCOPE模型所得的日累积GPP的不确定性大于所述阈值,则不进行同化,WOFOST模型继续向前预报,直至由SCOPE模型所得的日累积GPP的不确定性小于所述阈值再进行同化,得到同化后的日累积GPP。具体地,在内层,输入日气象数据、MCMC标定的一般敏感参数的最优值即参数标定结果、强敏感参数高于设定总敏感度的阈值指标,如0.05的高斯扰动的初始参数集以及模型所需的其他参数,输入WOFOST模型,逐日生成日累积GPP预报集。由于SCOPE能够输出同化后逐日的GPP,对WOFOST模型来说,相当于每天都有“观测值”,所以同化时不存在“观测值是否存在”这个问题。仅筛选SCOPE同化后的不确定性较小小于阈值的目标日累积GPP,即“有效观测”,与WOFOST模拟的日累积GPP进行EnKF同化,得到日累积GPP的分析集并代入WOFOST模型继续向前运行。如果当日SCOPE模型同化后的日累积GPP的不确定性较大大于阈值,则不进行同化,WOFOST模型继续向前预报,直至SCOPE模型同化得到较小不确定性小于阈值的GPP再进行同化。基于上述实施例的内容,作为一种可选实施例,获得WOFOST模型输出的所述待估产区域的冬小麦产量预报结果之后,还包括:逐格网运行,获得每个格网的预报集合以及单产高于单位产量阈值的概率,完成冬小麦估产空间制图。换言之,逐格网运行,输出预报集合以及单产高于8000kgha即单位产量阈值的概率,完成产量空间制图;参见图2和图3。最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

权利要求:1.一种同化卫星荧光数据与作物生长模型的区域冬小麦估产方法,其特征在于,包括:将冬小麦种植区域划分为多个格网,选择冬小麦面积占比大于设定比例的格网作为待估产区域;根据环境指标数据将所述待估产区域划分为多个种植分区,获取种植分区的设定分辨率的日光诱导叶绿素荧光SIF遥感数据;对WOFOST模型进行全局敏感性分析,获得对GPP、产量敏感的参数集;对SCOPE模型进行全局敏感性分析,获得对SIF、GPP的敏感的参数集;按照种植分区对所述敏感参数集中的敏感参数进行参数标定和不确定性评估;在SIF数据同化系统的外层,将SIF遥感数据与参数标定后的SCOPE模型进行同化,由同化后的SCOPE模型得到日累积GPP;在SIF数据同化系统的内层,同化所述系统外层所得的日累积GPP与WOFOST模型模拟的日累积GPP,得到同化后的日累积GPP;基于同化后的GPP,以气象预报数据驱动WOFOST模型,获得WOFOST模型输出的所述待估产区域的冬小麦产量预报结果。2.根据权利要求1所述的区域冬小麦估产方法,其特征在于,所述根据环境指标数据将所述待估产区域划分为多个种植分区,包括:以农气站点为结点构建多个泰森多边形;建立环境指标,将相近环境指标的农气站点对应的泰森多边形进行合并,获得待估产区域分区结果。3.根据权利要求1所述的区域冬小麦估产方法,其特征在于,所述获取种植分区的设定分辨率的SIF遥感数据,包括:将MODIS数据的分辨率设定为冬小麦产量预报所采用的分辨率,即设定分辨率,将生育期内的原始分辨率为7km*3.5km的TROPOMISIF遥感数据降尺度为所述设定分辨率;其中,所述MODIS数据包括叶面积指数LAI数据、蒸散发ET数据和地表温度LST数据。4.根据权利要求3所述的区域冬小麦估产方法,其特征在于,所述设定分辨率为1km*1km,将生育期内的TROPOMISIF遥感数据降尺度为设定分辨率的SIF数据,包括:将生育期内TROPOMISIF遥感数据重采样为空间分辨率为5km*5km的SIF数据;将原始1km*1km的MODIS数据重投影为阿尔伯斯等面积投影,并通过线性聚合方法重采样为5km*5km的MODIS数据;为每个5km*5km的SIF数据的像元建立时空窗口,将位于该时空窗口内的所述5km*5km的MODIS数据带入式中,求解出式中的未知参数;其中,bi为待求解的未知参数,i=1,2,3,4,5,6;基于求解出的所述未知参数,将原始1km*1km的MODIS数据带入式中,获得5*5个分辨率为1km*1km的SIF数据。5.根据权利要求1所述的区域冬小麦估产方法,其特征在于,对WOFOST模型进行全局敏感性分析,获得对GPP、产量敏感的参数集之前,还包括:对所述待估产区域的地面气象数据进行时空插值,获得时空连续分布的逐日的气象数据和逐小时的气象数据;将所述逐日的气象数据作为WOFOST模型的气象驱动数据,以及将所述逐小时的气象数据作为SCOPE模型的气象驱动数据。6.根据权利要求1所述的区域冬小麦估产方法,其特征在于,对所述敏感参数集中的敏感参数进行参数标定和不确定性评估,包括:确定每个敏感参数的取值区间,并定义所述敏感参数的先验分布为区间上的均匀分布;在此先验分布中进行蒙特卡洛采样,将每次采样后获得的采样结果带入模型得到对应的模型输出结果;将该输出结果带入似然函数获得每次采样的似然概率,依据Metropolis准则接受采样值,并依据方差比法判断马尔科夫链是否收敛;在前一次采样的基础上不断进行新的采样直至马尔科夫链收敛,获得所述敏感参数的后验样本;将后验样本的中值作为所述参数标定结果。7.根据权利要求1所述的区域冬小麦估产方法,其特征在于,所述在SIF数据同化系统的外层,将所SIF遥感数据与参数标定后的SCOPE模型进行同化,由同化后的SCOPE模型得到日累积GPP;在SIF数据同化系统的内层,同化所述系统外层所得的日累积GPP与WOFOST模型模拟的日累积GPP,得到同化后的日累积GPP,包括:在SIF数据同化系统的外层,将每小时气象数据输入至SCOPE模型逐小时地模拟荧光,获得模拟SIF数据;建立模拟SIF数据与SIF遥感数据的四维变分代价函数,并利用SCE-UA算法对所述代价函数进行优化,得到优化后的SCOPE参数集,将其代入SCOPE模型得到同化后的SCOPE模型,基于同化后的SCOPE模型获得日累积GPP;在SIF数据同化系统的内层,将日气象数据和所述敏感参数的高斯扰动的初始参数集输入至标定后WOFOST模型,逐日生成日累积GPP;将由同化后的SCOPE模型所得的不确定性小于设定阈值的日累积GPP与WOFOST模型模拟的日累积GPP进行同化,获得同化后的日累积GPP,将此输入至WOFOST模型以继续向前运行;在系统运行过程中,若当日由同化后的SCOPE模型所得的日累积GPP的不确定性大于所述阈值,则不进行同化,WOFOST模型继续向前预报,直至由SCOPE模型所得的日累积GPP的不确定性小于所述阈值再进行同化,得到同化后的日累积GPP。8.根据权利要求1所述的区域冬小麦估产方法,其特征在于,所述获得WOFOST模型输出的所述待估产区域的冬小麦产量预报结果之后,还包括:逐格网运行,获得每个格网的预报集合以及单产高于设定阈值的概率,完成冬小麦估产空间制图。

百度查询: 中国农业大学 同化卫星荧光数据与作物生长模型的区域冬小麦估产方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。