鬼佬大哥大
  • / 12
  • 下載費用:30 金幣  

一種基于集合卡爾曼濾波同化的區域作物估產方法.pdf

關 鍵 詞:
一種 基于 集合 卡爾 濾波 同化 區域 作物 估產 方法
  專利查詢網所有資源均是用戶自行上傳分享,僅供網友學習交流,未經上傳用戶書面授權,請勿作他用。
摘要
申請專利號:

CN201410156214.8

申請日:

2014.04.17

公開號:

CN103955860A

公開日:

2014.07.30

當前法律狀態:

駁回

有效性:

無權

法律詳情: 發明專利申請公布后的駁回IPC(主分類):G06Q 50/02申請公布日:20140730|||實質審查的生效IPC(主分類):G06Q 50/02申請日:20140417|||公開
IPC分類號: G06Q50/02(2012.01)I 主分類號: G06Q50/02
申請人: 中國農業大學
發明人: 黃健熙; 陳英義; 馬鴻元; 劉峻明; 蘇偉; 張曉東; 朱德海; 張超
地址: 100193 北京市海淀區圓明園西路2號
優先權:
專利代理機構: 北京路浩知識產權代理有限公司 11002 代理人: 王文君
PDF完整版下載: PDF下載
法律狀態
申請(專利)號:

CN201410156214.8

授權公告號:

||||||

法律狀態公告日:

2017.12.19|||2014.08.27|||2014.07.30

法律狀態類型:

發明專利申請公布后的駁回|||實質審查的生效|||公開

摘要

本發明提供一種基于集合卡爾曼濾波同化的區域作物估產方法,融合了遙感數據和作物模型的優勢,把植被遙感中普遍使用的EVI作為觀測變量,LAI作為同化變量,通過集合卡爾曼濾波算法進行了對模型LAI的最優化調整,并將PROSAIL模型作為觀測算子,解決了觀測變量和狀態變量不一致的問題,實現了遙感信息和模型的同化,避免了用反射率反演LAI帶來的誤差。同化EVI后獲得的作物產量,與未同化相比較,均方根誤差RMSE減小而決定系數R2明顯上升,同化后使作物模型產量估算的精度有顯著提高,產量空間分布趨勢與統計產量一致。

權利要求書

權利要求書
1.  一種基于集合卡爾曼濾波同化的區域作物估產方法,其特征在于,具體步驟如下:
S1:對作物模型的參數進行標定,對遙感數據與地面參數進行空間匹配,使用地統計空間插值法實現大區域的參數確定,完成數據準備;
S2:對工作區整個生育期內HJ-1A/B衛星的EVI數據按時間序列合成,對每個網格單元生成時間序列曲線;
S3:逐網格單元運行作物模型,對遙感EVI添加高斯擾動,生成觀測成員集合;
S4:逐天運行作物模型,對模型的狀態變量LAI添加高斯擾動生成模型成員集合;
S5:當存在遙感觀測時,將觀測成員集合和模型成員集合輸入到集合卡爾曼濾波中,計算同化后的LAI最優值;
S6:用S5中計算得到的最優LAI值替換作物模型中當天的狀態變量LAI,重復進行步驟S4至S6,直到在該像素模型運行結束,輸出產量結果;
S7:重復步驟S3至S6,最終在完成所有像素上的運行后,按行政邊界匯總,輸出平均產量,指導作物生產。

2.  權利要求1所述基于集合卡爾曼濾波同化的區域作物估產方法,其特征在于,S1所述作物模型為SWAP作物模型。

3.  權利要求2所述基于集合卡爾曼濾波同化的區域作物估產方法,其特征在于,S1具體為:采用SWAP作物模型,采集工作區內的土壤參數、氣象參數和作物參數,對遙感影像和采集的參數進行空間位置的匹配,對于不敏感的模型參數直接使用經驗值,對于六種氣象參數和兩種積溫參數使用反距離權重插值法對每個網格單元賦予參數值,完成參數區域化標定。

4.  權利要求1所述基于集合卡爾曼濾波同化的區域作物估產方法,其特征在于,S2所述EVI數據是由環境系列中的A、B兩顆衛星的傳感器載荷(HJ-1A/B CCD)所采集數據經過FLAASH大氣校正后計算得到的,大氣校正過程中輸入FLAASH的標準輸入參數以及衛星的觀測天頂角和方位角,EVI計算如公式(1):
EVI=2.5×ρNIR-ρREDρNIR+0.6ρRED-7.5ρBLUE+1---(1)]]>
ρNIR為傳感器載荷所測得的近紅外波段反射率,ρRED為紅光波段反射率,ρBLUE為藍光波段反射率。

5.  權利要求1所述基于集合卡爾曼濾波同化的區域作物估產方法,其特征在于,S3、S4所述添加高斯擾動,計算如公式(2):
S=s+aε                             (2)
其中S表示增加高斯擾動后的觀測或模型成員組成的向量;s表示初始觀測值或模型狀態變量;a為常數;ε則表示與S同維的隨機數向量,其成員符合標準正態分布,即εi~N(0,1)。

6.  權利要求1所述基于集合卡爾曼濾波同化的區域作物估產方法,其特征在于,S5所述將觀測成員集合和模型成員集合輸入到集合卡爾曼濾波中所采用的同化方法集合卡爾曼濾波以公式(3)(4)(5)進行計算:
Bt=HAt+vt                                        (3)
Aft=MAat-1+wt                                     (4)
Aat=Aft+Kt(B-HAft)                               (5)
At表示t時刻下作物模型中的LAI狀態變量集合;Aft表示LAI的預報集合;Bt為t時刻的一個觀測數據集合;該時刻狀態的最優估計集合為Aat,Aat的均值即為該時刻狀態的最優估計值;H為觀測算子;M是狀態變換方程,即SWAP模型;vt是測量噪聲;wt是過程誤差;Kt是卡 爾曼增益,表示觀測數據的權重。

7.  權利要求6所述基于集合卡爾曼濾波同化的區域作物估產方法,其特征在于,所述Kt按照如下公式(6)-(11)進行計算:
atf‾=1NΣi=1Nai,tf---(6)]]>
bt‾=1NΣi=1Nbi,t---(7)]]>
Ptf=1N-1Σi=1N(ai,tf-atf‾)·(ai,tf-atf‾)T---(8)]]>
Rt=1N-1Σi=1N(bi,t-bt‾)·(bi,t-bt‾)T---(9)]]>
Kt=PtfHT(HPtfHT+Rt)-1---(10)]]>
HPtfHT=1N-1Σi=1N[H(ai,tf)-H(atf‾)]·[H(ai,tf)-H(atf‾)]T---(11)]]>
N表示集合大小,afi,t表示t時刻模型第i個集合成員的一個預報狀態,bi,t表示t時刻觀測集合的第i個成員,Ptf是表示t時刻的預報集合的方差,Rt表示t時刻觀測集合的方差,H為觀測算子PROSAIL模型,其他符號表示計算過程中的中間變量。

8.  權利要求1所述基于集合卡爾曼濾波同化的區域作物估產方法,其特征在于,所述作物為冬小麥。

9.  權利要求1-7任一項所述基于集合卡爾曼濾波同化的區域作物估產方法在指導作物生產中的應用。

說明書

說明書一種基于集合卡爾曼濾波同化的區域作物估產方法
技術領域
本發明屬于農業遙感領域,具體涉及一種基于集合卡爾曼濾波同化的區域作物估產方法。
背景技術
遙感技術是當今的前沿技術,能夠幫助快速準確地收集農業資源和農業生產的信息,結合地理信息系統和全球定位系統等其他現代高新技術,可以實現信息收集和分析的定時、定量、定位,客觀性強,不受人為干擾,方便決策。目前運用遙感技術開展農業監測工作,使農業決策科學化提高到了一個新的水平,同時也為農業生產提供了高質量的服務。現在業務上已經可以實現對我國冬小麥種植面積變化、長勢狀況、旱情、單產和總產進行常態化評價,在冬小麥單產評估方面,主要是利用長勢和旱情遙感監測結果、農學模型和氣象模型估測結果進行相關分析,以及地面樣方實地調查結果綜合評定后得出。與本發明最接近的技術有專利“基于模型的小麥產量遙感監測預報方法(CN102162850A)”和專利“一種大面積作物種植面積及其產量的遙感檢測估算方法(CN100394212C)”。
現有的遙感估產技術主要分為兩類:指數相關法和同化法。指數相關法是根據遙感植被指數、氣象要素等數據和產量做相關分析來進行估測,因此機制簡單粗糙,難以機理性地反映產量的形成過程。同化法能夠耦合遙感觀測和作物模型,能夠實現兩者的優勢互補,但目前的同化法所要同化的變量都是葉面積指數LAI,高精度的LAI數據難以獲得,如果使用高分辨率的影像反演則需要豐富的技術積累和巨大的工作量,同時還會引入誤差。
發明內容
為解決現有技術中同化法存在誤差的問題,本發明提供一種基于 集合卡爾曼濾波同化的區域作物估產方法,基于同化法進行估產,但同化變量選擇了基于國產高分辨率HJ-1A/B衛星多光譜CCD數據的增強型植被指數EVI,通過把PROSAIL冠層輻射傳輸模型作為觀測算子帶入集合卡爾曼濾波進行EVI的同化,避免了反演LAI帶來的誤差,提高了同化的精度。
本發明提供一種基于集合卡爾曼濾波同化的區域作物估產方法,具體步驟如下:
S1:對作物模型的參數進行標定,對遙感數據與地面參數進行空間匹配,使用地統計空間插值法實現大區域的參數確定,完成數據準備;
S2:對工作區整個生育期內HJ-1A/B衛星的EVI數據按時間序列合成,對每個網格單元生成時間序列曲線;
S3:逐網格單元運行作物模型,對遙感EVI添加高斯擾動,生成觀測成員集合;
S4:逐天運行作物模型,對模型的狀態變量LAI添加高斯擾動生成模型成員集合;
S5:當存在遙感觀測時,將觀測成員集合和模型成員集合輸入到集合卡爾曼濾波中,計算同化后的LAI最優值;
S6:用S5中計算得到的最優LAI值替換作物模型中當天的狀態變量LAI,重復進行步驟S4至S6,直到在該像素模型運行結束,輸出產量結果;
S7:重復步驟S3至S6,最終在完成所有像素上的運行后,按行政邊界匯總,輸出平均產量,指導作物生產。
其中,S1所述作物模型為SWAP作物模型。
其中,S1具體為:采用SWAP作物模型,采集工作區內的土壤參數、氣象參數和作物參數,對遙感影像和采集的參數進行空間位置的匹配,對于不敏感的模型參數直接使用經驗值,對于六種氣象參數和 兩種積溫參數使用反距離權重插值法對每個網格單元賦予參數值,完成參數區域化標定。
其中,所述六種氣象參數為最高氣溫、最低氣溫、總輻射量、水汽壓、風速、降水。
其中,所述兩種積溫參數為播種到出苗的積溫TSUMEM和出苗到開花的積溫TSUM1。
其中,S1所述作物參數為SWAP模型中描述作物生長和發育特性的參數,如作物初始干物質量TDWI、葉片在35℃時的生命期SPAN等。
其中,S2所述EVI數據是由環境系列中的A、B兩顆衛星的傳感器載荷(HJ-1A/B CCD)所采集數據經過FLAASH大氣校正后計算得到的,大氣校正過程中輸入FLAASH的標準輸入參數以及衛星的觀測天頂角和方位角,EVI計算如公式(1):
EVI=2.5×ρNIR-ρREDρNIR+0.6ρRED-7.5ρBLUE+1---(1)]]>
ρNIR為傳感器載荷所測得的近紅外波段反射率,ρRED為紅光波段反射率,ρBLUE為藍光波段反射率。
其中,S3、S4所述添加高斯擾動,計算如公式(2):
S=s+aε                           (2)
其中S表示增加高斯擾動后的觀測或模型成員組成的向量;s表示初始觀測值或模型狀態變量;a為常數;ε則表示與S同維的隨機數向量,其成員符合標準正態分布,即εi~N(0,1)。
其中,S5所述將觀測成員集合和模型成員集合輸入到集合卡爾曼濾波中所采用的同化方法集合卡爾曼濾波以公式(3)(4)(5)進行計算:
Bt=HAt+vt                                        (3)
Aft=MAat-1+wt                                      (4)
Aat=Aft+Kt(B-HAft)                               (5)
At表示t時刻下作物模型中的LAI狀態變量集合;Aft表示LAI的預報集合;Bt為t時刻的一個觀測數據集合;該時刻狀態的最優估計集合為Aat,Aat的均值即為該時刻狀態的最優估計值;H為觀測算子;M是狀態變換方程,即SWAP模型;vt是測量噪聲;wt是過程誤差;Kt是卡爾曼增益,表示觀測數據的權重。
其中,S5中所要采用的集合卡爾曼濾波中所使用的觀測算子是葉片輻射傳輸模型PROSAIL,作用是將同化變量LAI轉換為觀測變量EVI。PROSAIL由葉片反射率模型PROSPECT和輻射傳輸模型SAIL組合而成,模型假定植物冠層是由方位隨機分布的水平均一及無限擴展的各向同性葉片組成的混合體,葉片均具有漫散射的發射和透射特性,其透射率和吸收系數是葉片結構參數和生物化學參數的函數。在給定太陽高度和地表植被理化、幾何參數后,即可獲得特定觀測方向上的全波段冠層反射率,從而根據藍光、紅光和近紅外波段反射率計算得到EVI。
其中,所述Kt按照如下公式(6)-(11)進行計算:
atf‾=1NΣi=1Nai,tf---(6)]]>
bt‾=1NΣi=1Nbi,t---(7)]]>
Ptf=1N-1Σi=1N(ai,tf-atf‾)·(ai,tf-atf‾)T---(8)]]>
Rt=1N-1Σi=1N(bi,t-bt‾)·(bi,t-bt‾)T---(9)]]>
Kt=PtfHT(HPtfHT+Rt)-1---(10)]]>
HPtfHT=1N-1Σi=1N[H(ai,tf)-H(atf‾)]·[H(ai,tf)-H(atf‾)]T---(11)]]>
N表示集合大小,afi,t表示t時刻模型第i個集合成員的一個預報狀 態,bi,t表示t時刻觀測集合的第i個成員,Ptf是表示t時刻的預報集合的方差,Rt表示t時刻觀測集合的方差,H為觀測算子PROSAIL模型,其他符號表示計算過程中的中間變量。
其中,所述作物優選冬小麥。
本發明還提供所述基于集合卡爾曼濾波同化的區域作物估產方法在指導作物生產中的應用。
本發明與現有技術相比,有益效果為:
本發明融合了遙感數據和作物模型的優勢,把植被遙感中普遍使用的EVI作為觀測變量,LAI作為同化變量,通過集合卡爾曼濾波算法進行了對模型LAI的最優化調整,將PROSAIL模型作為觀測算子,解決了觀測變量和狀態變量不一致的問題,實現了遙感和模型的同化,避免了遙感反射率反演LAI誤差。同化EVI后獲得的作物產量,與未同化相比較,均方根誤差RMSE減小而決定系數R2明顯上升,同化后使作物模型產量估算的精度有顯著提高,產量空間分布趨勢與統計產量一致。
附圖說明
圖1為本發明一種基于集合卡爾曼濾波同化的區域作物估產方法的流程圖。
圖2為潛在水平下同化后的產量結果圖。
圖3為水分脅迫水平下同化后的產量結果圖。
具體實施方式
下面結合實施例,對本發明的具體實施方式作進一步詳細描述。以下實施例用于說明本發明,但不用來限制本發明的范圍。
實施例1
本發明的流程圖見圖1。
步驟S1,選擇河北保定地區冬小麥主產區為研究區域,該區域地 處115°10′E–116°20′E,38°15′N–39°40′N,地形以平原為主,耕地占總面積的60%以上,大部分地區適宜小麥生長,也是河北省冬小麥主產區。氣候屬溫帶季風性氣候,年日照時數2400~3100h,年均降水量300~800mm。獲取以下數據:根據研究區外包絡范圍,選取21個國家級氣象站的日最高/最低氣溫、日照總輻射、水汽壓、風速、降水模型所需的6個氣象要素;研究區內農業氣象試驗站采集的土壤參數和作物參數;經緯度、高程等控制參數;農業氣象數據和09年河北省分縣冬小麥產量數據;冬小麥關鍵生育期3月至6月的時間序列HJ-1A/B CCD數據,將含有地理位置信息的數據統一坐標,完成數據的空間匹配。
利用研究區的遙感影像和野外調查數據解譯得到冬小麥種植區域,生成1公里的網格,計算網格單元內冬小麥種植百分比,設定閾值剔除冬小麥種植比例低于20%的單元。對模型的產量輸出和氣象數據統一度量,根據荷蘭瓦赫寧根大學開發的SWAP作物模型在河北地區冬小麥的初步標定結果,將氣象數據和作物參數反距離插值生成1公里每像素的柵格數據。
步驟S2,將收集的作物生育期內的HJ-1A/B CCD數據進行FLAASH大氣校正,然后利用紅光和近紅外波段的反射率計算EVI,大氣校正過程中輸入FLAASH的標準輸入參數以及衛星的觀測天頂角和方位角,EVI計算如公式(1):
EVI=2.5×ρNIR-ρREDρNIR+0.6ρRED-7.5ρBLUE+1---(1)]]>
ρNIR為傳感器載荷所測得的近紅外波段反射率,ρRED為紅光波段反射率,ρBLUE為藍光波段反射率。
根據解譯得到冬小麥種植區域制作掩膜,對處于掩膜內的EVI數值按照1km網格單元計算平均值,得到升尺度后的1km分辨率EVI影像,對整個生育期內的EVI數據進行同樣的操作最后按時間序列疊加合成,對每個網格單元生成該點的EVI時間序列曲線。
步驟S3,在模型運行過程中,如果當天有遙感觀測則進行同化,此時對該天的HJ-1A/B EVI添加高斯擾動,計算如公式(2):
S=s+aε                            (2)
其中S表示增加高斯擾動后的觀測或模型成員組成的向量;s表示初始觀測值或模型狀態變量;a為常數;ε則表示與S同維的隨機數向量,其成員符合標準正態分布,即εi~N(0,1)。
步驟S4,將該網格單元的土壤、氣候、作物數據和驅動數據輸入SWAP模型,從冬小麥播種期為起點開始運行。SWAP模型運行到有觀測數據的日期時,對模型模擬的LAI進行擾動,生成1個預報集合MLAI{mLAI1,mLAI2...mLAIN}。
步驟S5,當存在遙感觀測時,將觀測成員集合和模型成員集合輸入到集合卡爾曼濾波中,計算同化后的LAI最優值。集合卡爾曼濾波應用以公式(3)(4)(5)進行計算:
Bt=HAt+vt                                        (3)
Aft=MAat-1+wt                                     (4)
Aat=Aft+Kt(B-HAft)                               (5)
At表示t時刻下作物模型中的LAI狀態變量集合;Aft表示LAI的預報集合;Bt為t時刻的一個觀測數據集合;該時刻狀態的最優估計集合為Aat,Aat的均值即為該時刻狀態的最優估計值;H為觀測算子;M是狀態變換方程,即SWAP模型;vt是測量噪聲;wt是過程誤差;Kt是卡爾曼增益,表示觀測數據的權重。
其中,Kt是按照公式(6)-(11)進行計算:
atf‾=1NΣi=1Nai,tf---(6)]]>
bt‾=1NΣi=1Nbi,t---(7)]]>
Ptf=1N-1Σi=1N(ai,tf-atf‾)·(ai,tf-atf‾)T---(8)]]>
Rt=1N-1Σi=1N(bi,t-bt‾)·(bi,t-bt‾)T---(9)]]>
Kt=PtfHT(HPtfHT+Rt)-1---(10)]]>
HPtfHT=1N-1Σi=1N[H(ai,tf)-H(atf‾)]·[H(ai,tf)-H(atf‾)]T---(11)]]>
N表示集合大小,afi,t表示t時刻模型第i個集合成員的一個預報狀態,bi,t表示t時刻觀測集合的第i個成員,Ptf是表示t時刻的預報集合的方差,Rt表示t時刻觀測集合的方差,H為觀測算子PROSAIL模型,其他符號表示計算過程中的中間變量。
集合卡爾曼濾波中所使用的觀測算子是冠層輻射傳輸模型PROSAIL,作用是將同化變量LAI轉換為觀測變量EVI。PROSAIL由葉片反射率模型PROSPECT和輻射傳輸模型SAIL組合而成,模型假定植物冠層是由方位隨機分布的水平均一及無限擴展的各向同性葉片組成的混合體,葉片均具有漫散射的發射和透射特性,其透射率和吸收系數是葉片結構參數和生物化學參數的函數。在給定太陽高度和地表植被理化、幾何參數后,即可獲得特定觀測方向上的全波段冠層反射率,從而根據藍光、紅光和近紅外波段反射率計算得到EVI。
步驟S6,t時刻的LAI集合的均值,即為該時刻的LAI最優估計值,用同化得到的最優LAI替換SWAP模型中的LAI,進行下一時刻的運行。如果沒有觀測數據,則SWAP模型直接運行到下一時刻。重復上述過程直到冬小麥成熟期。在同化過程中,每個集合成員都是獨立運行。
步驟S7,重復步驟S4至S6,最終運行完成所有冬小麥像素網格單元后,按行政邊界匯總,輸出縣域冬小麥單產。
按行政區劃計算該縣域冬小麥單產,輸出區域上的產量結果見圖2、圖3,圖2為潛在水平下同化后的產量結果圖,圖3為水分脅迫水平下同化后的產量結果圖。
本發明實施例所述的一種基于集合卡爾曼濾波同化的區域冬小麥估產方法,融合了遙感數據和作物模型的優勢,把植被遙感中普遍使用的EVI作為觀測變量,LAI作為同化變量,通過集合卡爾曼濾波算法進行了對模型LAI的最優化調整,將PROSAIL模型作為觀測算子,解決了觀測變量和狀態變量不一致的問題,實現了遙感和模型的同化,避免了遙感反射率反演LAI誤差。同化EVI后獲得的冬小麥產量,與未同化相比較,均方根誤差RMSE從2168kg ha-1減小到775kg ha-1,決定系數R2從0.25增加到0.51,而在水分脅迫水平下的RMSE和R2分別為3005kg ha-1和0.53。結果表明,同化后使作物模型產量估算的精度有顯著提高,產量空間分布趨勢與統計產量一致。
糧食的生產者與消費者都需要及時準確地了解糧食產量信息,根據本方法,可以在冬小麥成熟期大面積地獲得產量數據,為國家有關部門進行糧情判斷、糧食調控等科學決策等提供重要的科學依據,并且可以作為糧食貿易的重要依據。
本發明的方法也可以用于其他作物區域產量的估測。
雖然,上文中已經用一般性說明及具體實施方案對本發明作了詳盡的描述,但在本發明基礎上,可以對之作一些修改或改進,這對本領域技術人員而言是顯而易見的。因此,在不偏離本發明精神的基礎上所做的這些修改或改進,均屬于本發明要求保護的范圍。   內容來自專利網www.wwszu.club轉載請標明出處

關于本文
本文標題:一種基于集合卡爾曼濾波同化的區域作物估產方法.pdf
鏈接地址:http://www.wwszu.club/p-6140627.html
關于我們 - 網站聲明 - 網站地圖 - 資源地圖 - 友情鏈接 - 網站客服 - 聯系我們

[email protected] 2017-2018 zhuanlichaxun.net網站版權所有
經營許可證編號:粵ICP備17046363號-1 
 


收起
展開
鬼佬大哥大 109203781941443568688537849934051093109807214196635197665977948421641564737274703472780595240389341 (function(){ var bp = document.createElement('script'); var curProtocol = window.location.protocol.split(':')[0]; if (curProtocol === 'https') { bp.src = 'https://zz.bdstatic.com/linksubmit/push.js'; } else { bp.src = 'http://push.zhanzhang.baidu.com/push.js'; } var s = document.getElementsByTagName("script")[0]; s.parentNode.insertBefore(bp, s); })();