搜索
专业文献综述题目:遥感信息与作物生长模型的耦合应用研究进展姓名:学院:专业:班级:学号:指导教师:职称:教授2012年5月28日南京农业大学教务处制遥感信息与作物生长模型的耦合应用研究进展作者：指导教师：摘要：遥感信息与作物生长模型的耦合应用可以解决作物长势监测和产量预测等一系列农业问题，越来越受到相关研究人员的关注。本文首先介绍了农业遥感技术和作物模型的发展状况，并在分析遥感数据和作物模型在农业应用中各自优缺点的基础上，阐明二者结合的必要性，综述了遥感信息与作物生长模型的耦合应用的2种方式—强迫法和同化法；其次介绍了遥感数据与作物模型结合的应用领域和目前国内外的应用状况，并分析了其在农业生产各领域的应用潜力；最后提出了二者耦合存在的问题以及未来研究的展望。关键词：遥感；作物生长模型；耦合应用；研究进展ResearchprogressonapplicationofremotesensinginformationcoupledwiththecropmodelAuthor:Instructor:Abstract:Remotesensinginformationandcropgrowthmodelcansolvethecouplingapplicationofcropgrowthmonitoringandyieldforecastingandaseriesofproblemsofagriculture,moreandmoreresearchers'attention.Thispaperfirstintroducestheagriculturalremotesensingtechnologyandcropmodeldevelopment,andintheanalysisofremotesensingdataandcropmodelinagriculturalapplicationadvantagesanddisadvantagesonthebasisofthecombinationofthetwo,clarifythenecessity,reviewstheremotesensingdataandcropgrowthmodelofcoupledapplicationin2ways-forcedandassimilationmethod;secondlythepaperintroducedtheremotesensingdataandcropmodelcombinedwiththeapplicationdomainandapplicationstatusathomeandabroad,andanalysesitsapplicationinagriculturalproductionpotential;finallyproposedthetwocouplingproblemsandfutureresearchprospects.Keywords:Remotesensing;Cropmodels;Coupledapplications;ResearchProgress1遥感技术与作物模型的发展遥感技术是20世纪60年代以来,在现代物理学(包括光学技术、红外技术、微波雷达技术、激光技术和全息技术等)、空间科学、电子计算机技术、数学方法和地球科学理论的基础上发展起来的一门新兴的、综合性的边缘学科,是一门先进的、实用的探测技术[1]。卫星遥感技术具有快速、宏观、准确、客观、及时、动态等特点，在农作物种植面积监测，作物叶面积指数、生物量、光合有效辐射估测，作物物候监测，产量估测，干旱监测，作物营养诊断等领域广泛应用[2-3]。但其应用也有一定的局限性，一方面遥感监测常常受卫星遥感数据空间分辨率、时间分辨率等因素的影响,且遥感信息大多反映的是瞬间物理状况，所以农业遥感应用在时间维上的拓展受到很大限制；另一方面因缺乏相关农学机理和农学知识的支持，农业遥感应用精度有待提高[4-5]。作物生长模型是对作物生长、发育、产量形成过程中的一系列生理生化过程进行数学描述,是一种面向过程、机理性的动态模型，能动态地定量描述作物生长、发育、籽粒形成及产量的计算机模拟程序[6]。自deWit于1965年提出作物生长模拟理论以来[7]作物生长模型研究取得了巨大进展。如荷兰Wageningen农业大学开发的SUCROS模型系列[8]，美国农业科技转换决策支持系统DSSAT（包含禾本科作物CERES等）[9]等。在我国也建立了小麦、水稻、玉米、棉花等作物生长模型[10]。但当作物模拟从单点研究发展到区域应用时，由于随空间尺度的增大导致模型中一些宏观资料的获取和参数的区域化方面出现很多困难。例如地表和作物状况的非均匀性导致区域性模拟时初始条件（出苗期、初始生物量、初始土壤水分状况等）难以确定，这影响了作物生长模型的区域应用[11]。因此，在遥感农业应用中集成作物生长模型，通过利用作物生长模型的机理性，以增加遥感农业监测、预报的普适性，提高遥感产品精度。利用遥感数据同步大面积获取作物信息的能力，解决作物生长模型从单点向区域扩展的数据难获取问题，扩大作物生长模型应用范围，所以二者的结合是必然的[12]。2遥感信息和作物生长模型集成方法目前国内外关于遥感数据与作物生长模型结合方法的研究归纳起来主要有“强迫法”和“同化法”两种。2.1强迫法强迫法是指直接利用遥感数据反演作物生长模型初始参数的值或利用遥感反演值直接更新作物生长模型的某个输出参数值,以提高作物生长模型的模拟精度，也称为驱动法（图1）。这种替代是基于遥感“观测值”比相应的从模型出来的模拟值更加准确的假设。作物模型通常以固定的时间步长运行（如1d），但遥感信息由于没有这么高的时间分辨率而无法满足模型的需要。通常的做法是用仅有的遥感“观测值”做一模拟曲线，然后用该模拟曲线和遥感数据按照模型要求的时间步长进行内插获得。图1驱动法早期的遥感数据与作物生长模型的结合方法研究中，强迫法使用得较多，Mass对玉米进行地面辐射测量，利用获得的光学遥感数据反演叶面积指数(LAI)，利用近红外和热红外数据反演地表温度以确定水分胁迫系数，并将这些遥感反演值作为作物生长模型的输入，结果表明：结合遥感信息后,作物生长模型对玉米地上生物量的模拟结果得到有效改善[13]。宇振荣等[14]利用遥感信息估算作物冠层温度，通过冠气温差计算作物水分胁迫系数，并引入作物生长模型，实现动态和连续的作物监测及产量预报的研究；辛景峰[15]利用NOAA/AVHRR获得NDVI和地表温度数据，结合地面实测资料以及GPS定位数据,在GIS环境下，建立了遥感生育期模式，在PS-123作物生长模型基础上，发展并建立了PS-X遥感一作物生长复合模型，并利用该模型进行了区域产量估测；林忠辉[16]以SUCROS模型和改进的冠层蒸腾和土壤蒸发的双源模型为基础，建立了水分胁迫下的夏玉米生长动态的模拟，并用AVHRR数据反演夏玉米的LAI，利用常规气象要素通过空间插值获取空间气象要素场，在GIS背景数据库的支持下，实现区域尺度的叶面积指数的模拟，并以河北平原为例进行了研究。2.2同化法同化法是直接用遥感数据（如光谱反射率、植被指数或雷达），通过辐射传输模型与作物模型的耦合，直接比较遥感观测的光谱反射率与耦合后的模型模拟的反射率，来调整那些控制作物生长发育和产量形成的关键参数或初始值，从而确定它们的值（图2）。图2同化法如：Maas[17-18]利用卫星数据反演高粱(1988b)和冬小麦(1991)的LAI，以此调整作物生长模型GRAMI的相关参数和初始值，包括出苗时的LAI值等，使模型重新初始化和数化。Dente等[19]将由ENVISATASAR和MERIS数据提取得到的LAI同化进入CERES-Wheat来改善小麦产量预报的精度，同化结果显示由MERIS和ASAR提取的LAI数据在被同化进入作物生长模型后有效的改善了产量预报精度。Fang等则实现了区域尺度的同化算法，在这项研究中，MODISLAI被同化进入作物生长模型，同化算法的输出包括产量、LAI等数据[20]。而在我国采用的大多是驱动法，王人潮等[21]研究了水稻LAI及叶片含氮量与光谱变量的相关性，并将光谱参数引入水稻生长模拟模型。目前国内也已经对同化方法引起重视，杨鹏等[22]将作物生长模型EPIC扩展到区域尺度，将EPIC与从TM影像提取得到的多时相LAI数据结合来同化区域单产，并将其应用于石家庄地区冬小麦的单产估算。结果表明：通过数据同化校正部分关键参数后的空间作物模型单产模拟精度得到有效提高，但要达到业务运行精度仍有待进一步改善。因此，上述2种方法各有优缺点，驱动法比较简单，但前提是反演得出的状态变量要准确，而且观测次数越多越好，有利于建立合理的状态变量统计模型，从而确保其内插值准确。而同化法由于通过直接比较反射率对作物模型进行初始化和参数化，因此没有作物参数反演环节带来的误差，从理论上讲是最好的。但是，由于辐射传输模型对土壤和作物的特性很敏感，如果缺乏这方面的准确信息，该方法的准确性也难以保证。3遥感信息与作物模型的耦合的应用进展遥感数据和作物模型集成起源于20世纪的80年代。从1974年到1977年美国利用遥感进行了“大面积农作物估产实验（LACIE）”项目，遥感在农业的应用上取得了重要进展[12]。遥感数据和作物模型集成主要用于作物参数估测和粮食估产。如在作物生长发育进程的估测方面：马玉平等基于WSPFRS模型（引入遥感信息后的WO-FOST模型）对华北冬麦区的冬小麦生长发育进行监测，并与直接用WOFOST模型模拟出的结果进行对比分析，认为前者更加准确的模拟了华北地区冬小麦生长季内的生物量的变化[23]。闫岩等基于遥感数据与CERES－Wheat模型同化监测冬小麦长势，结果表明，能够较好的模拟冬小麦主要生育期的生物量变化[24]。Singh等分别使用了CERES－Wheat和Cropsyst两种作物生长模型估算了小麦的地上生物量，使用地面观测数据对模型模拟结果进行了验证，认为Cropsyst比CERES－Wheat模型在小麦生物量估算上更具有优势[25]。Confalonieri等分别对WARM，Cropsyst和WO-FOST三种模型对水稻的监测进行评估，结果表明三种模型的模拟结果都与实测数据保持较好的一致性[26]。在作物估产方面：美国于1986年建立了全球级的农情监测运行系统，该系统集成遥感数据和作物模型监测农作物长势、粮食产量，不仅实现美国本土的作物监测和估产，而且还对加拿大、墨西哥、阿根廷、巴西、前苏联、中国、印度、中东地区、澳大利亚等全球粮食主产国进行监测。该系统的成功运行，使美国在全球粮食贸易中不仅占据了主导地位，而且每年都能获取数亿美元的经济效益[27]。而在国内也有很多科研学者在从事遥感数据与作物模型结合进行作物估产的研究。如勒华安，王锦地等将时间序列中分辨率成像光谱仪（moderateresolutionimagingspectroradiometer，MODIS）数据和高空间分辨率LandsatTM遥感观测数据相结合，以叶面积指数（LAI）作为耦合作物生长模型（cropenvironmentresourcesynthesis-Maize,CERES-Maize）和植被冠层反射率模型（scatteringbyarbitrarilyinclinedleaves，SAIL）的关键参数，提出了将耦合模型与时间序列遥感观测数据同化进行区域玉米产量估算的方案[28]。莫兴国，林忠辉等通过建立基于遥感数据的冬小麦动力生长模拟模型,用1km分辨率NOAA-AVHRRNDVI数据对河北省平原地区的冬小麦生长状况和产量进行了研究,给出了冬小麦产量、蒸散量和水分利用效率的空间分布[29]。4遥感数据和作物模型结合的潜力及应用前景集成遥感数据和作物模型，即增加了农业遥感监测的机理性，又将作物生长模型的应用扩展到区域范围，有着广阔的应用前景。4.1农作物产量预测及时、准确、大范围地对作物长势进行监测