本發(fā)明涉及作物產(chǎn)量監(jiān)測及預測，特別涉及一種鹽漬化農(nóng)田作物產(chǎn)量預測方法。

背景技術(shù)：

1、監(jiān)測和預測作物產(chǎn)量是在全球范圍內(nèi)解決糧食安全問題的關(guān)鍵步驟。而作物產(chǎn)量會受到氣候變化、人口增長、土壤流失以及天氣的自然變化的綜合影響。因此，提供一種能夠及時準確地評估作物生長和產(chǎn)量的方法，對于提高農(nóng)業(yè)糧食生產(chǎn)的可持續(xù)性具有重要意義。

2、近些年來，基于物理過程的作物模型利用氣象、土壤、管理措施等多源數(shù)據(jù)定量模擬作物生長發(fā)育過程和產(chǎn)量形成，精準的作物產(chǎn)量預測，能夠為農(nóng)業(yè)管理者提供及時、可靠的決策依據(jù)。通常，作物模型在單點尺度應用效果較好，但由于在區(qū)域尺度上觀測數(shù)據(jù)的限制，區(qū)域尺度模擬效果還有待完善。遙感技術(shù)可用于獲取大范圍作物生長與土地利用信息，遙感數(shù)據(jù)產(chǎn)品類型豐富。數(shù)據(jù)同化算法能夠?qū)⒂^測結(jié)果有效融合到模擬過程中以提高模型模擬結(jié)果的準確性。通過作物模型與觀測數(shù)據(jù)的數(shù)據(jù)同化，提高模型在不同環(huán)境條件下的適用性和泛化能力，可以得到更加可靠的作物產(chǎn)量預測。因此，數(shù)據(jù)同化技術(shù)越來越多地被應用于提高作物模型在大空間尺度上的模擬能力。

3、然而在現(xiàn)有的數(shù)據(jù)同化與作物模型結(jié)合的研究中，多數(shù)采用的作物模型是wofost、dssat、aquacrop和safy等。此外，多數(shù)數(shù)據(jù)同化研究僅集中于單一狀態(tài)變量，較少探討多個變量的聯(lián)合同化，且在聯(lián)合同化的研究中，將土壤鹽分作為數(shù)據(jù)同化變量的研究更少。實際上，土壤鹽漬化問題是在干旱區(qū)制約作物生長的關(guān)鍵因素，及時準確地監(jiān)測和模擬土壤含鹽量是鹽漬化土壤治理與改良、農(nóng)業(yè)灌溉制度制定的基礎和關(guān)鍵。

4、為此，如何提供一種能夠?qū)Χ鄠€變量進行聯(lián)合同化，并在聯(lián)合同化的研究中，將土壤鹽分作為數(shù)據(jù)同化變量，有效提高耦合模型在鹽漬化地區(qū)模擬作物生長發(fā)育的精度，進而有效提高鹽漬化作物產(chǎn)量預測精度的鹽漬化農(nóng)田作物產(chǎn)量預測方法是本領(lǐng)域技術(shù)人員亟需解決的問題。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明提出了一種鹽漬化農(nóng)田作物產(chǎn)量預測方法。

2、為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

3、一種鹽漬化農(nóng)田作物產(chǎn)量預測方法，包括：

4、步驟1：基于植被指數(shù)和鹽分指數(shù)，利用偏最小二乘回歸法反演鹽分；基于條件植被溫度指數(shù)與實測土壤水分的經(jīng)驗關(guān)系模型反演土壤水分；基于歸一化植被指數(shù)與實測葉面積指數(shù)的經(jīng)驗關(guān)系模型反演葉面積指數(shù)；

5、步驟2：構(gòu)建考慮鹽分的hydrus-1d-epic耦合模型，并利用擴展傅里葉振幅靈敏度檢驗法進行敏感性分析，利用mcmc法對耦合模型進行參數(shù)標定以及后驗分布推斷，利用dream法對后驗分布進行采樣；

6、步驟3：利用集合卡爾曼濾波法將反演的鹽分、土壤水分以及葉面積指數(shù)同化到hydrus-1d-epic耦合模型，預測鹽漬化農(nóng)田作物產(chǎn)量。

7、可選的，步驟1中，植被指數(shù)，包括：歸一化植被指數(shù)、增強型植被指數(shù)、土壤調(diào)節(jié)植被指數(shù)、比值植被指數(shù)、差值植被指數(shù)。

8、可選的，步驟1中，鹽分指數(shù)，包括：；

9、

10、其中，為藍波段反射率；為紅波段反射率；為近紅外波段反射率；為綠波段反射率。

11、可選的，步驟1中，利用決定系數(shù)、均方根誤差以及平均絕對誤差來判斷偏最小二乘回歸法的反演精度；

12、決定系數(shù)，如下：

13、

14、均方根誤差，如下：

15、

16、平均絕對誤差，如下：

17、

18、其中，為決定系數(shù)；為均方根誤差；為平均絕對誤差；為樣本數(shù)量；為第i個觀測值；為根據(jù)模型預測的第i個觀測值；為的樣本均值。

19、可選的，步驟1中，條件植被溫度指數(shù)的計算，如下：

20、

21、其中，為條件植被溫度指數(shù)；為第i天的歸一化植被指數(shù)；為等于某一特定值時所有像素的lst最大值；為像素的ndvi為時的lst；為等于某一特定值時所有像素的lst最小值；和為干邊數(shù)據(jù)點擬合得到的系數(shù)；和為濕邊數(shù)據(jù)點擬合得到的系數(shù)。

22、可選的，步驟1中，歸一化植被指數(shù)的計算，如下：

23、

24、其中，為歸一化植被指數(shù)；為紅波段反射率；為近紅外波段反射率。

25、可選的，步驟2中，構(gòu)建考慮鹽分的hydrus-1d-epic耦合模型，具體為：

26、水分運動，如下：

27、采用一維的richards方程描述水分運動情況：

28、

29、其中，為體積含水率；為時間；為壓力水頭；為空間坐標，取向上為正；為土壤水力傳導度；為根系源匯項；

30、作物根系吸水，如下：

31、作物根系在單位時間內(nèi)從單位體積的土壤中所吸收的土壤水：

32、

33、其中，為土壤水分脅迫系數(shù)；為土壤鹽分脅迫系數(shù)；為某一深度的潛在根系吸水速率；

34、土壤水分脅迫系數(shù)：

35、

36、其中，為作物厭氧點；為作物最適水分點；為水分脅迫點；為作物凋零點；

37、土壤鹽分脅迫系數(shù)：

38、

39、其中，為土壤溶液鹽分濃度；為根系吸水速率減少50%?時對應的土壤溶液鹽分濃度；為經(jīng)驗常數(shù)；

40、某一深度的潛在根系吸水速率：

41、

42、

43、

44、其中，為正態(tài)根系吸水分布項；為根系深度；為土層深度；

45、土壤水力特性參數(shù)，如下：

46、

47、其中，為飽和含水率；為殘余含水率；為飽和導水率；為擬合參數(shù)；為有效飽和度；為空氣進氣值的導數(shù)；為孔隙大小分布指數(shù)；

48、作物潛在蒸騰速率，如下：

49、

50、其中，為太陽輻射消光系數(shù)；為作物葉面積指數(shù)；為參考作物蒸散量；

51、采用對流-彌散方程描述土壤中鹽分遷移轉(zhuǎn)化過程，如下：

52、

53、其中，為土壤溶液鹽分濃度；為土壤干容重；為土壤水分通量；為土壤顆粒對溶質(zhì)的吸附量；為土壤溶質(zhì)的水動力彌散系數(shù)；

54、

55、其中，為吸附分配系數(shù)；為徑向彌散度；為流速；為自由水的分子擴散系數(shù)；為液相中的扭曲系數(shù)；

56、epic模型以每天為步長進行計算和模擬產(chǎn)量；

57、積溫計算，如下：

58、

59、其中，為第i天的積溫；、分別為第i天的最高溫度和最低溫度；為作物生長的基點溫度；

60、采用熱量單元系數(shù)表示作物生長發(fā)育所處階段：

61、

62、其中，為第i天的熱量單元系數(shù)；為作物成熟所需的最大熱量單元；

63、葉面積變化，如下：

64、

65、其中，為第i天的葉面積指數(shù)；為最小作物生長脅迫因子值；為最大葉面積指數(shù)；、為作物參數(shù)；

66、從葉面積開始下降到整個生長季結(jié)束的：

67、

68、其中，為lai衰減速率的參數(shù)；為實際最大葉面積指數(shù)；為葉面積指數(shù)下降時對應的熱量單元系數(shù)；

69、潛在生物量增長，如下：

70、采用比爾定律對作物獲得的太陽輻射進行計算：

71、

72、其中，為第i天的接獲光合作用有效輻射量；為第i天的總太陽輻射；

73、

74、其中，為逐日生物量潛在增長量；為作物把能量轉(zhuǎn)換為生物量的轉(zhuǎn)換因子；

75、株高，如下：

76、

77、其中，為第i天的作物高度；為最大植株高度；

78、根系生長，如下：

79、逐日最大根重變化：

80、

81、根系深度：

82、

83、其中，為第i天的根系深度變化量；為第i天的根系深度；為最大根系深度；

84、作物產(chǎn)量，如下：

85、采用收獲指數(shù)計算作物產(chǎn)量：

86、

87、其中，為籽粒產(chǎn)量；為地上部累積生物量；為收獲指數(shù)；

88、

89、其中，為第i天的收獲指數(shù)；為影響收獲指數(shù)的熱量單元因子；

90、

91、其中，為作物實際收獲指數(shù)；為作物對干旱的敏感指數(shù)；

92、作物實際產(chǎn)量：；為考慮環(huán)境脅迫后得到的作物真實產(chǎn)量；

93、環(huán)境脅迫，包括：

94、水鹽分脅迫：

95、

96、其中，為水鹽脅迫系數(shù)；為作物潛在蒸騰速率；為作物實際蒸騰速率；

97、溫度脅迫：

98、

99、其中，為植株溫度脅迫因子；為日平均溫度；為作物生長的最佳溫度；為作物生長的基礎溫度；

100、環(huán)境脅迫對作物生長的影響：

101、

102、其中，為實際生物量；為環(huán)境影響因子；

103、

104、可選的，步驟2中，利用dream法對后驗分布進行采樣，具體為：

105、在利用dream法進行采樣之前，明確參數(shù)先驗分布和似然函數(shù)以計算后驗分布概率密度，并設定：采樣所需鏈條總數(shù)；采樣收斂前的最大采樣總次數(shù)，，為收斂前單鏈最大采樣次數(shù)；采樣收斂后的繼續(xù)采樣總次數(shù)，，為收斂后單鏈采樣次數(shù)；

106、隨機地從先驗分布中為各鏈選擇初始采樣點，構(gòu)成初始采樣集，并從當前狀態(tài)的所有馬爾可夫鏈中隨機選擇一條，通過dream法的突變、交叉更新狀態(tài)；

107、計算每個候選狀態(tài)的似然函數(shù)，并根據(jù)似然函數(shù)計算每個候選狀態(tài)的后驗概率分布；后驗概率分布用于比較不同狀態(tài)的相對概率大小，以確定是否接受該狀態(tài)；

108、判斷是否接收提議點；

109、計算接受率，如下：

110、

111、其中，為第i條鏈參數(shù)的第t+1次迭代的后驗概率；表示提議；為第i條鏈參數(shù)的第t次迭代的后驗概率；為第i條鏈的第t次采樣結(jié)果；

112、從均勻分布隨機取樣，假設取值為，并將接受率與進行比較，若，則接受作為第i條鏈的第t+1次采樣結(jié)果，否則，則以的值作為第i條鏈的第t+1次采樣結(jié)果；

113、重復以上步驟，直至n條鏈均完成第t+1次采樣；

114、當所有鏈條都完成第t+1次采樣后進行判斷采樣是否收斂；

115、計算統(tǒng)計量，如下：

116、

117、其中，、、分別為參數(shù)的第j維的鏈內(nèi)、鏈間方差，以及后驗估計標準差；為取整運算符；為當前第i條鏈所采第n個參數(shù)樣本的第j維的值；為當前第i條鏈所采的所有參數(shù)樣本的第j維的均值；為當前所有鏈所采得的所有參數(shù)樣本的第j維的均值；為統(tǒng)計量的第j項；

118、判斷采樣是否收斂，若的每一項分量均小于等于1.2，則采樣達到收斂，直至達到預先設定的采樣收斂前的最大采樣總次數(shù)。

119、可選的，步驟3中，利用集合卡爾曼濾波法將反演的鹽分、土壤水分以及葉面積指數(shù)同化到hydrus-1d-epic耦合模型，具體為：

120、對模型模擬的狀態(tài)變量進行初始化，生成初始模擬集；

121、生成觀測集與預報集:當模型運行到t-1時刻時存在t時刻狀態(tài)變量的觀測，則對觀測添加均值為0、協(xié)方差矩陣為的高斯擾動，生成與模型狀態(tài)變量模擬集維度一致的觀測集；繼續(xù)將模型模擬集運行一個時間步長，生成t時刻的預報集,如下：

122、

123、其中，為耦合模型基于當前時刻的模擬狀態(tài)對一下時刻的狀態(tài)進行的預報；為t時刻的預報集；為模擬集在t-1時刻第j個元素的模擬結(jié)果;為t時刻第j個元素對應的預報集;

124、依據(jù)觀測誤差與預報誤差更新預報集，如下：

125、

126、進一步簡化為：

127、其中，為t時刻預報集中的第j個元素更新后的結(jié)果；為卡爾曼增益；為與相對應的觀測；為單位矩陣；為預報誤差；為觀測誤差；為分析誤差，用于計算更新后狀態(tài)變量的誤差，量化模型的不確定性；

128、以更新后的預報集替換模型模擬集，如下：

129、

130、其中，為模型模擬集；為模型更新后的預報集；為t時刻預報集中的第j個元素更新后的結(jié)果；

131、繼續(xù)運行模型，直至下一時刻出現(xiàn)新的觀測，則重復上述的生成、更新、替換、運行操作，直至模型模擬結(jié)束。

132、經(jīng)由上述的技術(shù)方案可知，與現(xiàn)有技術(shù)相比，本發(fā)明提出了一種鹽漬化農(nóng)田作物產(chǎn)量預測方法。通過構(gòu)建考慮鹽分的hydrus-1d-epic耦合模型，并利用擴展傅里葉振幅靈敏度檢驗法進行敏感性分析，利用mcmc法對耦合模型進行參數(shù)標定以及后驗分布推斷，利用dream法對后驗分布進行采樣，利用集合卡爾曼濾波法將反演的鹽分、土壤水分以及葉面積指數(shù)同化到hydrus-1d-epic耦合模型，預測鹽漬化農(nóng)田作物產(chǎn)量，實現(xiàn)了多個變量的聯(lián)合同化，并在聯(lián)合同化的研究中，將土壤鹽分作為了數(shù)據(jù)同化變量，有效提高了耦合模型在鹽漬化地區(qū)模擬作物生長發(fā)育的精度，進而有效提高了本發(fā)明的鹽漬化作物產(chǎn)量預測精度。