遥感数据与作物生长模型同化方法及其应用研究

论文摘要

地表植被叶面积指数（LAI）是进行作物长势监测的重要指标,准确估算LAI是卫星遥感数据定量应用的一个重要需求。目前,从卫星遥感数据获取地表植被LAI的主要手段有经验公式法、物理模型反演方法、查找表法（LUT）和非参数方法。其中经验公式法和非参数方法由于缺乏物理背景,从而导致其应用受到限制;LUT由于计算效率高则在卫星遥感产品中得到应用;物理模型反演方法是将描述卫星遥感观测信号与LAI之间关系的物理模型进行反演,从而得到LAI的估计值。由于作物（可以广义扩展到植被）在不同生育阶段的LAI往往具有时间关联性,如果能够充分利用这种作物生长时间相关信息,将会极大改善LAI反演效果。这种时间相关信息的表达是利用这种信息的基本问题,而作物生长模型恰恰可以描述这种信息。作物生长模型可以用于模拟作物生长过程和生长参数随生育期的变化,也揭示了环境因素对作物生长的影响原因。因此,在作物生长模型渐趋成熟、遥感技术迅速发展的今天,将两个具有互补性的先进技术结合起来,进行地表作物生长参数遥感提取方法研究,是一个既具有一定理论意义又具有广阔应用前景的课题,也是国际上近年来陆地表面参数遥感提取研究的新理念。数据同化技术的发展则为综合这两种信息提供了必要的手段,目前普遍采用的数据同化技术主要包括集合卡尔曼滤波算法（ENKF-Ensemble Kalman Filter）和变分同化算法,但近几年兴起的粒子滤波算法在模型参数的同化反演中也具有较大的应用潜力。针对目前国内外在LAI遥感反演研究和遥感数据产品应用中存在的主要问题,考虑国内现有的技术资料条件,本文的研究内容集中在将遥感信息与作物生长模型相结合同化反演LAI算法方面,同时也尝试利用建立的算法实现区域尺度时间序列LAI变化信息提取,及其在农作物产量预报中的应用。本文的主要研究工作和结论是:1.同化遥感数据和作物生长模型的集合卡尔曼滤波算法采用简化的作物生长模型LOGISTIC和时序遥感数据,研究采用集合卡尔曼滤波算法对农作物LAI进行同化反演的方法,以地面冠层实测二向反射率数据为例,验证了这种方法对改进LAI遥感产品质量的可行性;2.遥感数据与作物生长模型结合的变分同化算法及其效果验证采用简化的作物生长模型LOGISTIC来描述作物LAI随作物生长积温的变化趋势,以作物生长发育过程中LAI最大值作为待优化参数,发展了对LAI进行反演的变分同化算法,验证了算法的可行性,并初步阐述了将其推广应用到区域尺度的LAI遥感估算方法;3.遥感数据与作物生长模型结合的变分同化算法在区域尺度上的应用研究由于变分同化算法在结合作物生长模型和时序遥感数据方面具有较大的潜力,本文进一步采用机理化的作物生长模型CERES-Wheat对顺义地区的冬小麦LAI进行遥感数据同化反演;并针对研究中LAI同化结果的缺陷,采用对“中国典型地物标准波谱数据库”中冬小麦生长参数数据的统计结果,将LAI地面观测先验信息引入到变分数据同化算法。4.遥感数据与作物生长模型结合的粒子滤波算法研究及其在区域尺度上的应用研究考虑到各种同化算法对被反演参数后验概率的高斯性假设,或在算法中采用后验概率分布高斯性处理对算法的限制,本文最后引入能够对被反演参数后验概率进行合理评估的粒子滤波算法,对其在遥感同化反演LAI方面进行了方法论探讨。提出了估算同化反演模型中观测算子和遥感观测数据所涉及的观测项误差方法,改进了区域尺度LAI同化反演结果;同时将构建的粒子滤波算法应用于吉林省榆树地区玉米LAI反演研究,也初步探讨了其在产量评估方面的应用。论文最后对遥感数据同化反演地表参数进行了展望,讨论了各种同化算法在实际应用于区域尺度时的潜在发展空间以及局限性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 选题意义
• 1.2 研究现状
• 1.2.1 叶面积指数遥感反演研究进展
• 1.2.2 作物生长模型研究进展
• 1.2.3 遥感信息与作物生长模型结合研究现状
• 1.2.3.1 国际研究现状
• 1.2.3.2 我国的研究现状
• 1.2.4 遥感信息与作物生长模型结合存在的问题
• 1.3 研究内容及实施方案
• 1.3.1 论文组织结构
• 1.3.2 论文研究实施方案
• 参考文献
• 第二章 叶面积指数遥感模型与反演方法
• 2.1 获取叶面积指数的经验公式法
• 2.2 物理模型反演法
• 2.2.1 植被冠层辐射传输模型
• 2.2.2 植被冠层辐射传输模型反演方法
• 2.3 小结
• 参考文献
• 第三章 遥感反演叶面积指数的集合卡尔曼滤波方法
• 3.1 集合卡尔曼滤波基本原理与算法
• 3.2 集合卡尔曼滤波算法中LOGISTIC 模型和辐射传输模型SAIL 处理
• 3.2.1 LOGISTIC 模型在集合卡尔曼滤波算法中的处理
• 3.2.2 集合卡尔曼滤波算法中 SAIL 模型的处理
• 3.3 集合卡尔曼滤波算法反演冬小麦LAI
• 3.3.1 实验数据
• 3.3.2 数据分析与LAI 同化反演结果
• 3.4 小结
• 参考文献
• 第四章 同化遥感数据与作物生长模型的 LAI 变分同化反演
• 4.1 变分数据同化技术的基本原理
• 4.1.1 待优化参数u 先验信息更新方式
• 4.1.2 观测算子的伴随模式
• 4.2 采用简单作物生长模型LOGISTIC同化反演LAI的算法验证
• 4.2.1 实验数据和误差处理
• 4.2.1.1 实验数据
• 4.2.1.2 误差处理
• 4.2.2 反演结果分析
• 4.2.2.1 LAI 反演结果分析
• 4.2.2.2 先验信息对反演结果的影响
• 4.2.2.3 测量误差对反演结果的影响
• 4.3 区域尺度同化时序遥感观测数据反演LAI
• 4.3.1 作物生长模型CERES-Wheat模型
• 4.3.2 实验区描述
• 4.3.3 CERES-Wheat参数敏感度分析
• 4.3.4 顺义地区2004年区域尺度冬小麦LAI遥感数据同化结果
• 4.4 引入LAI地面先验廓线信息改进冬小麦LAI同化反演方法
• 4.4.1 LAI先验信息的获取
• 4.4.2 引入地面LAI 先验廓线信息的变分同化算法改进
• 4.4.3 引入地面LAI 先验廓线信息的LAI 同化反演结果
• 4.5 小结
• 参考文献
• 第五章 粒子滤波方法在叶面积指数反演及产量估算中的应用
• 5.1 各种滤波算法的局限性
• 5.2 粒子滤波算法的主要思想
• 5.2.1 非线性贝叶斯滤波
• 5.2.2 序贯重要性抽样算法（SIS）
• 5.2.3 粒子滤波退化问题及Bootstrap算法
• 5.3 作物生长模型参数数据收集
• 5.3.1 实验区地理概况
• 5.3.2 榆树实验区土壤特性
• 5.3.2.1 土壤形态参数收集
• 5.3.2.2 土壤理化特性参数收集
• 5.3.3 实验区玉米管理参数收集
• 5.4 CERES-Maize 模型与辐射传输模型SAIL 的处理
• 5.4.1 滤波算法观测项误差估算方法
• 5.4.2 CERES-Maize模型处理
• 5.5 粒子滤波算法在榆树地区玉米叶面积数反演以及产量估算中的应用
• 5.5.1 玉米叶面积指数地面调查
• 5.5.2 玉米产量数据地面调查
• 5.5.3 叶面积指数反演
• 5.5.3.1 CERES－Maize 模型校正
• 5.5.3.2 叶面积指数粒子滤波反演
• 5.5.3.3 叶面积指数滤波结果验证
• 5.5.4 产量估算结果分析
• 5.6 小结
• 参考文献
• 第六章 结论与展望
• 6.1 主要研究内容与研究成果
• 6.1.1 集合卡尔曼滤波算法同化反演叶面积指数
• 6.1.2 构建了时序遥感观测和作物生长模型的变分数据同化算法
• 6.1.3 构建了时序遥感观测和作物生长模型的粒子滤波数据同化算法
• 6.2 创新点
• 6.3 存在问题及进一步研究展望
• 6.3.1 遥感空间相关信息在数据同化中的利用
• 6.3.2 在遥感数据同化中融入多源信息
• 6.3.3 变分数据同化算法与滤波算法的结合
• 攻读博士学位期间完成论文
• 致谢