同化小麦产量估算的叶面积指数和土壤湿度的遥感观测：观测系统模拟实验外文翻译资料

 2022-02-25 10:02

英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料

水资源研究，VOL。48, w05525, Doi:10.1029\ 2011 wr011420, 2012

同化小麦产量估算的叶面积指数和土壤湿度的遥感观测：观测系统模拟实验

GS Nearing，1 WT Crow，2 KR Thorp，3 MS Moran，4 RH Reichle，5 和HV Gupta1

2011年9月18日收到;2012年1月23日修订;2012年3月26日接受;2012年5月17日发布。

[1] 观测系统模拟实验用于研究集合贝叶斯状态更新数据同化叶面积指数（LAI）和土壤湿度（theta;）的观测，以便通过农业技术转让决策支持系统改善单季小麦产量估算（ DSSAT）CropSim-Ceres模型。同化是在能量有限的环境和水限制的环境中进行的。对天气输入，土壤参数和初始条件，品种参数以及模型状态转移方程的扰动规定了建模不确定性。对集合卡尔曼滤波器和序列重要性重采样滤波器进行了测试，以验证这些类型的不确定性对产量估计的影响。根据现有遥感数据的特征合成了LAI和观测值，并测试了观测误差的影响。结果表明，同化提高季末产量估计的可能性很低。限制是由于根区土壤水分信息缺乏，LAI观测误差以及叶片和籽粒生长之间缺乏相关性。

引文：Nearing，GS，WT Crow，KR Thorp，MS Moran，RH Reichle和HV Gupta（2012），同化小麦产量估算的叶面积指数和土壤湿度的遥感观测：观测系统模拟实验，Water Resour.Res., 48, W05525, doi:10.1029/2011WR011420.

1 介绍

  1. 动态作物模型，如农业技术转让作物模拟模型决策支持系统（DSSAT）[Hoogenboom等，2004]，用于帮助在不确定性下做出决策[Jones et al.，2003]。例如，保险业使用DSSAT来预测季节性区域作物产量。作物模拟模型比农业生产力的经验模型具有优势，因为它们能够以物理和生物学上有意义的方式动态地响应当地条件的变化。然而，由于现实世界系统的模型表示存在不确定性，并且由于土壤，品种遗传和天气等输入数据中固有的不确定性，任何基于模型的农业产量估算都会出错。减轻这类误差的一种方法是通过数据同化过程，利用遥感观测来约束模型模拟[Liu and Gupta，2007]。
  2. 与农业有关的遥感测量通常包含有关天气，植被或土壤的信息。有关天气的信息用于直接强制进行作物模拟。关于植被的遥感信息通常以叶面积指数（LAI（m2m—2）[例如，Knyazikhin等，1999]）的形式出现，其是与冠层覆盖相关的作物模型组分。同样，土壤湿度是一个模型状态变量，作为植物水分胁迫的主要控制和体积水分含量的观测（＆（m3m—3））在土壤的顶部几厘米（＆1）可从遥感源获得（AMSR-E [Njoku等，2003]，SMOS [Kerr等，2010]和SMAP [Entekhabi等，2010]）。LAI和SW观测结合起来为农业监测提供了补充信息。
  3. 有许多类型的数据同化在农学中很常见[Moulin et al.，1998;Pre#39;vot et al。，2003]。这项工作研究了集合贝叶斯状态更新过滤器的可能性[McLaughlin，2002]，以减轻季末小麦产量估算的模型不确定性。从概念上讲，集合贝叶斯滤波器的工作原理是，表示模型状态不确定性的概率密度函数（pdf）可以通过一组离散的模型模拟来近似，并且可以使用蒙特卡罗积分来估计模型预测的pdf以边缘化不确定性在模型状态。从贝叶斯的角度来看，物理模型提供了用于解释遥感数据中包含的信息的上下文（先验和可能性）。
  4. 目前，仍然缺乏对基于物理的农业产量估算对国家更新同化的响应的充分理解。该过程的第一步是进行受控的合成数据研究，也称为观测系统模拟实验（OSSE）[Arnold和Dey，1986]，它将允许分析不确定性，观测和模型之间的相互作用。虽然Pauwels等人都有。[2007]和Pellenq和Boulet [2004]提出的OSSE研究了LAI和/或theta;1 对作物模拟模型的同化，这些研究评估了同化对模型状态的影响;既没有研究数据同化对产量估算的影响。de Wit和van Diepen [2007]提出了关于同化和1 观察对产量估计的影响的案例研究;然而，这并没有提供足够的统计和方法控制来区分模型，同化算法和模型输入和观察中的不确定性所施加的限制。
  5. 我们提出了一套评估LAI和theta;的OSSE同化用于在受控合成环境中改进DSSAT CropSim-Ceres小麦产量估算。这样可以了解模型对状态更新的响应，并描述建模不确定性，滤波器误差和观察误差的影响。该调查为解释案例研究的结果提供了基准[例如，de Wit和van Diepen，2007]，以及指导农业模型和遥感算法发展的基础，旨在预测产量。

2 方法

  1. 提出了几个实验。首先，建模不确定性被划分为孤立的来源：天气输入，土壤参数和初始条件，品种参数和模型状态方程。使用集合卡尔曼滤波器（EnKF）[Evensen，2003]和序列重要性重采样滤波器（SIRF）[Gordon等，1993]同化合成的遥感观测，并评估来自这些滤波器的平均产量预测。此外，同化具有可变误差特征的观察结果以测试观察误差对EnKF和SIRF结果的影响。第2.1-2.4节描述了模型，数据同化过滤器和数值实验集。

2.1 DSSAT CropSim Ceres小麦模型

  1. DSSAT是由陆地过程包装机支持的独立作物生长模块的集合。集成在每日时间步骤进行，所需的强制数据是每日最高和最低温度，每日综合太阳辐射和每日累积降水。
  2. DSSAT土壤分层是用户定义的;我们使用了九层，其中一层表面层代表0-5厘米的土壤，通常认为L波段波长卫星可见，一组下层达到总深度1.8 m.DSSAT土壤水分使用里奇型土壤水平衡[Richie，1998]计算，该平衡采用曲线数法划分径流，并根据一组线性排水方程更新每个土壤层的含水量。土壤表面参数是：径流曲线数，蒸发上限，排水率参数和反照率。土壤层通过饱和水含量（孔隙度），排水上限（田间容量），下限，饱和水力传导率和根生长因子来参数化。与Mo等人类似et al.[2005]，我们使用土壤水平衡程序，但没有模拟土壤氮平衡或任何管理决策。之所以这样做，是因为不可能推测有关农业发展这些方面的信息可以在遥感尺度上获得。
  3. CropSim-Ceres模块（CC）模拟小麦作物。CC模型作为谷粒重量状态的函数产生。谷物生长在发育上依赖于日常发育单位，每日发育单位是平均日常温度和每日累积太阳辐射，温度控制因子，植被生物量（beta;（kg /植物））的函数，定义为大规模储存模型状态干重的总和，叶子重量和储备重量，以及模型参数。最重要的作物模型参数与品种有关：春化持续时间，它指定春化所需的最佳温度天数;光周期响应，指定光周期每10小时减少光合作用的百分比;籽粒灌浆期生长度持续时间（℃天）;每单位植物重量的籽粒数（数量g-1）;标准内核大小（mg）;标准分蘖重量（g）;和叶尖外观之间的光周期间隔。
  4. 与谷粒重量相比，LAI是模型状态植物叶面积的函数，其在发育上依赖于温度控制因子并且具有由植物叶子的数量设定的潜在值，其又在每个时间步骤由每日开发单位的累计总和。同样，与籽粒生长相反，潜在的每日叶片生长通过与水分胁迫成比例的附加因子Sw 属于[0,1]减弱;因此，应力因子0表示潜在生长，应力因子1表示没有生长。通过这种方式不会改变潜在的晶粒生长;生物量的其他组成部分受到植物碳储量的叶子同化胁迫的间接影响。水分胁迫是总根系吸水量与潜在蒸腾作用的比值，是根据Priestley-Taylor方法[Priestley和Taylor，1972]计算的潜在蒸散量的一部分。每层的根系吸水量是土壤水分状态和下限参数之间差异的函数。因此，当有足够的土壤水分供应蒸腾需求时，水分胁迫为零。鉴于模型开发小麦植物的植被和谷物成分的方式，我们知道LAI和theta;将通过告知beta;来告知产量。
  5. 模型状态向量包含所有内部将模拟从一个时间步骤转换到下一个时间步骤所需的动态模型变量，即所有马尔可夫信息。更具体地说，在给定时间t，状态（Xt）是前一时间状态（Xt -1），当前时间强制数据（Ut）和时间的函数的模型参数根据状态转换关系

组合的陆地过程包装器和CC马可夫状态向量具有97个组件（表1和表2），时间t的模型输出向量yt（这里我们使用术语输出来指代与观察直接对应的模型预测），根据关系计算作为当前状态的函数

就我们的目的而言，输出向量包含数量theta;1:9 （9个土壤层中的土壤水分）和LAI;theta;1:9 也是状态变量，因此 只是通过身份关系保留这些值。LAI不是状态变量，因为其值在每个时间步骤独立地计算为状态植物叶面积的函数。

2.2合奏卡尔曼滤波器

[13] EnKF通常用于中等非线性地球物理模型中的状态更新[Reichle，2008]。它通过在模型参数上绘制联合不确定性pdf的N恩斯 样本，强制数据和状态扰动来估计模型状态pdf，然后使用模型方程将该样本传播到时间。这组模型模拟是整体。在每个观察时间，EnKF根据所有模型状态与模型输出线性相关的假设更新状态pdf，并且模型状态，模型输出和观测的不确定性可以通过二阶量化pdf近似值。由于该方法已被广泛讨论，我们仅提供一个简要的概述，并遵循Houtekamer和Mitchell [2001]的公式的变化。

表1.农业技术转让决策支持系统（DSSAT）马尔可夫状态向量（33个组成部分）

表2. CropSim-Ceres小麦模块马尔可夫状态向量（64个组成部分）

[14] 时间t的模型状态预测集合存储在中;其大小为其中是xt的维数。类似地，模型输出的集合是其具有尺寸其中是观察矢量的维数。观察误差协方差Rt需要先验和观察样本

根据生成

EnKF更新模型状态集合Xt计算为基于模型预测和观测结果的最小二乘估计

c

其中

是整个偏差交叉协方差平均模型状态和平均输出和偏差

是与平均模型输出的集合偏差的协方差矩阵。Pt 和Qt 都直接从整体中采样。

  1. 当Xt 包含与Y的分量t不近似或局部线性相关的分量时，不确定性的集合表示的有限性可导致虚假更新。DSSAT状态分析观察相关性产生了一系列重要的局部近似的马可夫状态分量与一个或多个输出的线性关系（表3，除了阶段定时状态）。此列表包括所有CC植物大容量存储组件，植物叶面积和根体积（根累积存储为体积分数而不是质量）以及冠层高度。我们的EnKF采用了一个阈值滤波器，它丢弃了模型状态和模拟观测分量之间的任何关系，并且Pearson乘积矩相关系数|p| lt;0.3。这减少了拾取虚假相关的可能性。

表3.由EnKF更新的状态向量和由等式（5a）扰动的状态向量以模拟模型结构误差a

[16] 值得注意的是，CC是一组阶梯函数，它们根据当前的发展阶段以根本不同的方式计算作物属性。由于这些和其他非线性，EnKF不会保证每次更新后相互一致的模型状态，因为它使用单个相关关系来更新每个集合成员，而不管每个特定模拟的当前增长阶段。

2.3 顺序重要性重采样过滤器

[17] SIRF在每个时间步骤提供模型状态不确定性的近似贝叶斯估计，条件是过去的观察，而不假设线性和二阶统计。在每个观察时间，每个集合成员的状态向量被赋予重要性权重，其与后验可能性成比例。该状态向量的引擎以所有过去的观察为条件蒸发散

上标索引整体成员。假设观测值在模型输出条件下是独立的，模型输出是根据（1b）的模型状态的确定性函数，因此似然函数将观测值与模型状态向量相关联。

由观测不确定性pdf模拟，在这种情况是高斯平均值yt和协方差Rt。该

状态先验，由整体以与EnKF相同的方式由Xt 离散估计;这是通过在时间步骤t重新采样整体并且具有与之成比例的概率来实现时间步长 t 1，通过在时间步长重新采样系统替换和概率成正比测试导致后部的iid离散表示，根据Xt公式计算（1a），因此先验的iid离散表示时间步长t 1，。.比例概率权重简单地计算为

在我们的例子中，通过用来自不同模拟的状态向量替换每个成员的状态向量（表1和表2）的所有97个组件来更新模拟集合（用替换进行采样）。每个模型都保留了自己的参数和强制数据。

2.4 观测系统仿真实验

[18] OSSE，如图1所示，用于评估LAI和theta;同化潜力。一组模拟（集合大小在2.4.3节中讨论）是从建模不确定性pdf中抽样。其中一个模拟随机选择为真实系统（图1中的上部路径），留下N恩斯 - 成员预测集合，用于估计有和没有数据同化的产量。通过从真实系统输出周围的观测不确定性分布中采样并由EnKF和SIRF（图1中的中间路径）同化来生成综合观测。没有数据同化的模型模拟集合称为开环（图1中的底部路径）。开环，EnKF和SIRF都使用相同的真实系统和集合成员（参数，初始条件和天气强迫数据），EnKF和SIRF使用相同的综合观测。

图1.观察系统模拟实验过程图：透

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[436439]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章