利用双变量同化与PCA-Copula法的冬小麦单产估测
为了进一步提高冬小麦产量估测的精度,基于集合卡尔曼滤波算法和粒子滤波(particle filter,PF)算法,对CERES-Wheat模型模拟的冬小麦主要生育期条件植被温度指数(vegetation temperature condition in-dex,VTCI)、叶面积指数(leaf area index,LAI)和中分辨率成像光谱仪(moderate-resolution imaging spectrora-diometer,MODIS)数据反演的VTCI、LAI进行同化,利用主成分分析与Copula函数结合的方法构建单变量和双变量的综合长势监测指标,建立冬小麦单产估测模型,并通过对比分析选择最优模型,对2017-2020年关中平原的冬小麦单产进行估测.结果表明,单点尺度的同化VTCI、同化LAI均能综合反映MODIS观测值和模型模拟值的变化特征,且PF算法具有更好的同化效果;区域尺度下利用PF算法得到的同化VTCI和LAI所构建的双变量估产模型精度最高,与未同化VTCI和LAI构建的估产模型精度相比,研究区各县(区)的冬小麦估测单产与实际单产的均方根误差降低了 56.25 kg/hm2,平均相对误差降低了 1.51%,表明该模型能有效提高产量估测的精度,应用该模型进行大范围的冬小麦产量估测具有较好的适用性.
同化、PCA-Copula、主成分分析、叶面积指数、条件植被温度指数、作物生长模型、冬小麦估产
47
P237;TP79(摄影测量学与测绘遥感)
国家自然科学基金;国家自然科学基金
2022-10-20(万方平台首次上网日期,不代表论文的发表时间)
共12页
1201-1212