基于4DVAR和EnKF的遥感信息与作物模型冬小麦估产

刘正春 徐占军 毕如田 王 超 贺 鹏 杨武德

(1.山西农业大学资源环境学院， 太谷 030801； 2.山西农业大学农学院， 太谷 030801)

0 引言

作物生长监测及产量预测对农业管理和国家粮食安全至关重要[1]。根据作物品种特性、气象条件、土壤条件以及田间管理措施，作物生长模型能够准确模拟作物在单点尺度的生长发育及作物产量[2]。然而，当作物模型应用到区域尺度时，由于地表环境的异质性，导致模型在参数获取以及区域化方面存在困难[3]。遥感在大面积获取地表信息方面具有优势，能够有效地解决作物模型区域参数获取困难的问题[4-5]。因此，利用数据同化技术将遥感信息与作物模型相融合是当前提高区域作物生长模拟和产量估测精度的重要途径[6]。而同化算法的性能直接影响遥感信息与作物模型同化系统的精度[7]。

目前，应用广泛且较为成熟的数据同化算法主要有2类：以四维变分(Four-dimensional variation，4DVAR)为主的变分同化算法和以集合卡尔曼滤波(Ensemble Kalman filtering，EnKF)为主的顺序同化算法[7-8]。4DVAR和EnKF算法同化遥感信息和作物模型均能有效提高区域作物估产精度[9-10]，但已有研究中对两种同化算法性能的对比分析较少。

作物模型同化常用的遥感数据为Landsat和MODIS，其时间或空间分辨率较低。MODIS低空间分辨率(0.25～1 km)会出现混合像元现象，导致MODIS-LAI值较实测值偏低，对作物模型同化估产精度的提高有限[3,11]。Landsat影像低的时间分辨率(16 d)，在冬小麦生育期不能提供足够频率的观测数据，对于模型模拟轨迹的调整有限[5,12]。欧洲航天局哥白尼计划(GMES)中的地球观测卫星Sentinel多源数据，因其高空间和时间分辨率而成为作物模型同化的理想数据[13-14]。……