基于光能效率模型的MODIS时序数据在俄罗斯小麦产量估算外文翻译资料

 2022-11-09 16:29:20

英语原文共 4 页，剩余内容已隐藏，支付完成后下载完整资料

基于光能效率模型的MODIS时序数据在俄罗斯小麦产量估算

摘要

本文的小麦产量估算是基于地上生物量进行估算的。地上生物量估算模型需要卫星数据，即压缩植被状态。该模型适用于冬小麦广泛种植的俄罗斯地区。结果表明，该模型估算冬小麦产量具有较高的准确性。估算和实际产量之间的分数差异范围在2011年为-0.40和0.50之间，并且83％的分数差异在-0.30和0.30之间。当这种方法应用于大面积估产时，参数校准问题则至关重要。在未来的研究中，应使用高分辨率图像，遥感数据检索的气象因子和更多的现场观测数据来改进该方法。

关键词：小麦，产量，生物量，俄罗斯

1.引言

作物产量是农业生产的驱动力。准确和实时地估算区域范围内的作物产量对于管理大型农业用地和确定食品定价和贸易政策是可取的[12]。它在发展中国家和发达国家都变得越来越重要，并可能在支持农业政策制定和决策方面发挥重要作用[3]。因此，及时开展粮食贸易，确保国家需求，及时组织国家内的粮食运输，对预测作物产量具有重要意义[4]。自20世纪40年代以来，已有许多作物模拟模型[5]。从那时起，模型不仅变得更复杂，而且更加详细和精确，以模拟作物生长过程。一般来说，模型可以分为统计模型和物理模型。统计模型仅限于指定区域。并且它们依赖于有效的数据序列，如果时间序列数据不足，则会导致精度偏低。同时，对于灾难年，估算精确度也将下降CERES[6], WOFOST[7],CROPSYST[8] 更准确，同时更复杂。这些模型很难在区域范围内应用，这是因为需要很多不容易获得的生理和环境参数。

为了满足政策制定者的需要，必须在不同的规模上及时实施产量评估。遥感数据可以在作物生长期间提供空间和时间信息，并且能够开发一种由卫星数据驱动并模拟整个作物生长过程的方法。

本文的目的是开发一种基于遥感数据估算作物产量的方法，它必须稳健且易于输出，并能为用户提供及时的信息。小麦是世界上最重要的作物之一，由于其在粮食安全方面的关键地位，常对其进行估产。

2.数据支持与技术方法

2.1 研究区背景

我们的研究区域（北纬37.236°，北纬53.632°）位于俄罗斯的图拉州，距离莫斯科西南部约240公里。该地区的土地利用主要是以冬小麦，燕麦，荞麦等为基础的集约化单作系统。

2.2 现场数据

在研究区域中选择了13个实验地块。 在这些实验图中收集了关于生物量和产量的冬小麦数据，并用于验证监测结果。观察于2011年5月17日，6月6日，6月24日，7月15日，7月22日实施。收集每个地块中的几个（0.5 * 0.5）m2的样品以计算生物量。待作物成熟，当地人在收获时进行谷物产量计算。

2.3 遥感数据

卫星数据，可以用固定频率感应地球表面，适合监测作物生长过程。显然，国家海洋和大气管理局（NOAA）和中等分辨率的假想光谱辐射计（MODIS）卫星图像都适用于该方法，联合国粮食及农业组织（粮农组织）（1994）制定了若干程序。使用NOAA卫星数据利用归一化差异植被指数（NDVI）计算区域作物产量。然而，MODIS卫星数据更加先进和全面，具有高空间分辨率，宽光谱范围和空间覆盖。因此，选择MODIS卫星数据用于该方法。

MODIS数据由LPDAAC（http://wist.echo.nasa.gov/api）提供。本研究中使用的MODIS数据是16天NDVI最大值复合（MVC）图像，地面分辨率为250米。MODIS重投影工具（MRT）用于图像重投影和镶嵌。

2.4 气象数据

气象数据来自研究区的气象站。天气数据用于描述区域气候条件。其中包括：每日最高、最低和平均温度、风速、相对湿度、气压和太阳辐射（或日照时间）。使用粮农组织方程式根据日照时数数据估算太阳辐射[9]。

2.5 产量估算

产量估算冬小麦产量（Y）简单地通过以下等式计算，具有地上生物量（BioAGB）和收获指数（HI）。在该研究中，HI设定为0.3，其在参考值的范围内[4]。

(1)

在生长季节积累的冬小麦地上生物量总量计算为

(2)

其中ε是光利用效率（LUE，gMJ-1），它在冬小麦发育阶段时的变量，t描述了积累发生的时期，APAR来自光合有效辐射（PAR）和光合组织吸收的PAR分数（FPAR）。PAR（0.4-0.7mu;m）是短波太阳辐射（0.3-3.0mu;m）的一部分，其被叶绿素吸收用于植物的光合作用，因此PAR是入射太阳辐射的一部分（在该研究中为0.48）。这里FPAR计算为SR的线性函数[10]:

(3)

其中SR = NIR/RED，和对应于整个农田区域的的第二和第98百分位，和分别定义为0.01和0.95。光利用效率受土壤水分和热量的影响，其难以通过其独特的空间和时间变化来量化。因此，LUE被定义为为其水分和温度应力的函数[11]。

（4）

其中是地面生物量的典型最大LUE，当环境条件最佳时，实际光利用效率在整个生长季节变化，并且将低于最大值。、和是代表减少LUE的环境压力因子的标量。表示当温度高于或低于最佳温度（）时LUE的生理学降低，其定义为最大NDVI月份的平均温度。当温度偏离20ordm;C时，会降低LUE，表示在极端温度下超出生理补偿的限制。

3.结果

估计2011年整个生长季节的冬小麦生物量，并使用现场观测数据进行验证。图1中的散点图显示了估算的冬小麦生物量与相应的地面测量值之间的可靠性，确定系数（）的值为0.63。

Fig.1 Comparison between observed and estimated winter wheat biomass

估计和观察到的产量之间的分数差异范围在-0.40和0.50之间（图2），并且83％的分数差异（12中的10，曲线5的产量已经丢失）在-0.30和0.30之间。估计和观察到的生物量之间的平均相对误差为19.6%。RMSE为622.86千克/公顷。低估的冬小麦产量与过高估计的产量相同，即6对6。这表明冬小麦遥感作物产量估算模型的结果符合研究区的条件。在这项研究中，对低估和高估的冬小麦产量，尚未研究是否与土地利用模式或MODIS的低传感器分辨率有关。因此建议使用高分辨率图像以此修正由于分辨率原因造成产量估算不准确。

Fig.2 Fractional deviation between estimated and observed winter wheat yield

4.展望

对于地上生物量估算，LUE模型是根据植被特征估算生物量，以及考虑环境变量或指标，如温度，降水。为了准确估算地上生物量，需要通过空间和时间变化来改善参数，因为肥料、灌溉和物种状况对于大面积的差异很大。

利用气象站数据对温度，日照时间等气象因素进行插值。因此，它是不确定性的重要来源之一。通过基于遥感数据检索这些气象因子，可以更准确地表达空间变化和与卫星数据检索到的植被状态的时间一致性，预计模型性能将大大提高。

影响精度的另一个因素是混合像素问题。在MODIS像素（250/1000）的尺度中，一个像素中存在多种植被或其他东西，并且LUE难以被确认，因此可以引入误差[12]。在未来的研究中，高分辨率卫星图像可以用于改善结果。

在本文中，该方法在研究区域得到验证，如果用于大规模，冬小麦的物候则是另一个重要的估算参数。因为冬小麦在不同地区，开花和成熟时期明显不同。即使是针对每个像素，也必然存在不同的物候。从上述情况来看，估算冬小麦产量，确定冬小麦的特定物候期是非常重要的，因此，在未来的研究中，必须将冬小麦的物候作为必需参数。氮（N）水平也对生物累积有影响，已由许多研究人员研究和评估[13]-[17]。缺氮会对作物生长造成很大的压力，另一方面，极高的氮含量可能通过促进作物快速生长而引起水分胁迫。此外，它也是产量质量（例如蛋白质含量和浓度）的重要因素之一，这也是谷物生产者的关键点。因此，对于研究人员来说，在未来的研究中更多地关注作物的氮含量极为重要。

5.结论

通过使用遥感数据，该模型可以用于对区域尺度的冬小麦产量预测、检验气候变率和肥料、灌溉和物种制度对冬小麦产量的影响，因而对粮食安全具有重要意义。大规模使用的这种方法的参数校准至关重要。在未来的研究中，应使用高分辨率图像，通过遥感数据检索的气象因子和更多的现场观测数据来改进该方法。

致谢

本论文由国家自然科学基金（No. 41010118）和中国科学院重点研究计划（No. KZZDEW- 08-05）共同创立。

6.参考文献

[1] R.B. Macdonald, F.G. Hall, 'Global crop forecasting,' Science,vol. 208, pp. 670 - 679, 1980.

[2] C.F. Hutchinson, 'Uses of satellite data for famine early warning in sub-Saharan Africa,' Int. J. Remote Sens. vol.12, pp. 1405-1421, 1991.

[3] M. Moriondo, F. Maselli, M. Bindi, 'A simple model of regional wheat yield based on NDVI data,' Europ. J.Agronomy, vol. 26, pp. 267-274, 2007.

[4] W.G.M. Bastiaanssen, S. Ali, 'A new crop yield forecasting model based on satellite measurements applied across the Indus Basin, Pakistan,' Agriculture, Ecosystems and Environment, vol. 94, pp. 321-340,2003.

[5] T.R. Sinclair, N.G. Seligman, 'Crop modeling: from infancy to maturity,' Agron. J., vol. 88, pp. 698–704,1996.

[6] Jones, C., Kiniry, J., Ceres-N Maize: a simulation model of maize growth and development. Texas Aamp;MUniversity Press, College Station, Temple, TX., 1986.

[7] Supit, L., Hooijer, A.A., Van Diepen, C.A., System Description of the WOFOST 6.0 Crop Simulation Model Implemented in CGMS, vol.1. JRC European Commission, 1994.

[8] C.O. Stouml;ckle, M. Donatelli, R. Nelson, 'CROPSYST, a cropping systems simulation model,' Eur. J. Agron. vol.18, pp. 289–307, 2003

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[19266]，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