基于集合卡爾曼濾波的南雄煙草LAI數(shù)據(jù)同化研究

陳 浩,樊風(fēng)雷

華南師范大學(xué)地理科學(xué)學(xué)院, 廣州 510631

?

基于集合卡爾曼濾波的南雄煙草LAI數(shù)據(jù)同化研究

陳 浩,樊風(fēng)雷*

華南師范大學(xué)地理科學(xué)學(xué)院, 廣州 510631

葉面積指數(shù)(LAI)是表征煙草生長健康狀態(tài)的重要指標(biāo)之一,獲取準(zhǔn)確的LAI數(shù)據(jù)是監(jiān)測煙草生長走勢的重要步驟。以廣東省南雄地區(qū)為試驗(yàn)區(qū)開展了集合卡爾曼濾波同化方法在煙草LAI的應(yīng)用研究。通過野外實(shí)測得到南雄煙草生長期內(nèi)的高光譜數(shù)據(jù),并計(jì)算每個生長期的歸一化植被指數(shù)(NDVI),依據(jù)NDVI值獲得LAI測量數(shù)據(jù)；通過積溫?cái)?shù)據(jù)和實(shí)測LAI數(shù)據(jù)構(gòu)建了符合南雄地區(qū)煙草LAI變化規(guī)律的LOGISTIC模型；并以LAI為研究變量,利用集合卡爾曼濾波數(shù)據(jù)同化技術(shù)融合NDVI數(shù)據(jù)計(jì)算得到的LAI和簡化LOGSITIC模型擬合得到的LAI這兩種不同的數(shù)據(jù)信息,獲取實(shí)驗(yàn)區(qū)煙草生長期時間序列上的連續(xù)LAI數(shù)據(jù)。最后,進(jìn)一步對比了數(shù)據(jù)同化方法、NDVI計(jì)算LAI方法和LOGISTIC模型擬合這3種方法獲取煙草LAI的效果。結(jié)果顯示：數(shù)據(jù)同化方法、NDVI計(jì)算LAI方法和LOGISTIC模型擬合3種方法均可一定程度上表征煙草LAI的變化狀態(tài),其中數(shù)據(jù)同化方法擬合效果最優(yōu)。實(shí)驗(yàn)發(fā)現(xiàn)NDVI計(jì)算LAI方法在煙草生長前后期LAI值出現(xiàn)偏大或偏小的異常情況；LOGISTIC模型擬合則不能有效的描述煙草LAI的突發(fā)性變化；同化方法綜合作物生長模型和遙感監(jiān)測的優(yōu)勢,能夠動態(tài)調(diào)節(jié)參數(shù)得到LAI優(yōu)化結(jié)果,同化后LAI結(jié)果和真實(shí)值吻合,變化曲線更符合煙草的實(shí)際生長狀況。

數(shù)據(jù)同化；煙草；集合卡爾曼濾波；葉面積指數(shù)；數(shù)據(jù)預(yù)測

隨著各地?cái)?shù)字煙草3S技術(shù)的興起,煙草冠層和葉片信息的定量無損精確提取,對煙草生長的科學(xué)管理和監(jiān)測具有重要意義。羅靜等[1]指出雖煙草的生長受多種因素的影響,其過程極其復(fù)雜,但其生長狀況仍可以用一些與該過程密切相關(guān)的因子進(jìn)行表征,如葉面積指數(shù)(LAI)。LAI是表征植被生長狀況的關(guān)鍵物理量之一,其大小與作物生長狀態(tài)直接密切相關(guān)。且LAI的變化是一個隨時間變化的動態(tài)過程,不同時間處的LAI值之間具有一定的相關(guān)性,形成依賴關(guān)系[2]。因此可通過觀測LAI的變化獲取和判斷煙草生長狀態(tài)的變化。

目前針對于煙草LAI計(jì)算的研究相對較少。煙草LAI測算代表性方法主要如下：(1)因農(nóng)作物L(fēng)AI隨生長期變化的過程基本符合LOGISTIC曲線或其修正形式,汪耀富等[3]建立烤煙葉面積指數(shù)LAI隨栽種時間t的普適模型LOGISTIC模型,發(fā)現(xiàn)相關(guān)系數(shù)達(dá)到97%以上；(2)劉國順等[4]分析了17種光譜參數(shù)與煙草葉面積指數(shù)的關(guān)系,通過建立逐步回歸模型對煙草LAI進(jìn)行估測；(3)張正楊[5]、王建偉[6]等探究了RVI、NDVI等常用的植被指數(shù)和LAI的相關(guān)關(guān)系,發(fā)現(xiàn)植被指數(shù)可精確反演煙草LAI,其中與LAI相關(guān)性最強(qiáng)的常用植被指數(shù)為NDVI。

LOGISTIC模型是一個對觀測LAI進(jìn)行統(tǒng)計(jì)擬合的經(jīng)驗(yàn)?zāi)Ｐ?用數(shù)學(xué)模型表征LAI的變化趨勢,但其更多的是對生長過程的數(shù)學(xué)語言描述,雖然這種描述是有價值的,但得到的結(jié)果與實(shí)際存在一定的偏差,很難精確模擬諸如突發(fā)性災(zāi)害等造成的作物生長狀態(tài)劇烈不規(guī)律變化。另外作物模型的實(shí)際應(yīng)用在初始值獲取和參數(shù)區(qū)域化方面遇到很多問題；遙感觀測是通過作物反射光譜特征獲取作物群體瞬間生長狀況,遙感觀測手段能夠很好地及時反映作物生長的區(qū)域分布狀況,但易受遙感觀測平臺穩(wěn)定性、地表異質(zhì)性和遙感反演算法等因素的影響,結(jié)果存在較大的不確定性。另外遙感技術(shù)是瞬時的,易受大氣條件、可行觀測周期等因素限制而不能對作物進(jìn)行無間斷連續(xù)監(jiān)測,更無法對作物生長的相關(guān)狀態(tài)進(jìn)行預(yù)報(bào)。劉國順[4]用多光譜參數(shù)回歸分析方法擬合煙草作物L(fēng)AI時使用多達(dá)17種光譜參數(shù),多光譜參數(shù)參與可有效增加計(jì)算的精度,但參數(shù)獲取的可行性則限制了該方法的實(shí)際應(yīng)用；另外LAI與光譜反射率存在著復(fù)雜的非線性關(guān)系,張正楊[5]則發(fā)現(xiàn)主成分分析和神經(jīng)網(wǎng)絡(luò)等方法反演精度相較于植被指數(shù)反演方法更高。

在作物長勢的監(jiān)測上,遙感信息的實(shí)時性、宏觀性與作物生長模型的連續(xù)性、機(jī)理性形成良好的互補(bǔ)性關(guān)系[7],可利用作物生長模型的連續(xù)性模擬彌補(bǔ)遙感觀測的瞬時性,利用遙感觀測獲取數(shù)據(jù)的及時性為作物生長模型提供參數(shù),而數(shù)據(jù)同化技術(shù)則可將擬合模型和觀測數(shù)據(jù)兩種信息有效結(jié)合起來。數(shù)據(jù)同化將新的觀測數(shù)據(jù)引入到過程模型中,不斷減少或者濾掉過程模型的噪聲,使得模型軌跡模擬軌跡更加貼近自然界的真實(shí)狀態(tài)[8-9]。遙感獲取的觀測數(shù)據(jù)常常是瞬時的物理特征,作物生長模型是一種面向過程、機(jī)理性的動態(tài)模型[10],利用數(shù)據(jù)同化技術(shù)將煙草LAI的多時相觀測數(shù)據(jù)和作物生長動態(tài)變化模型二者信息相融合,具有改善和提高煙草LAI數(shù)據(jù)精度的能力。

綜合這兩種信息的成熟數(shù)據(jù)同化方法通常有濾波算法或變分方法兩種[11],而濾波算法因其實(shí)用性,易于實(shí)現(xiàn),可移植性強(qiáng)的特點(diǎn)而被廣泛采用。目前濾波方法尤其是集合卡爾曼濾波算法在農(nóng)作物的應(yīng)用方面已經(jīng)趨于成熟。王東偉[12]以2004年北京冬小麥為例,對冠層觀測反射率進(jìn)行卡爾曼濾波同化,初步實(shí)現(xiàn)了集合卡爾曼濾波算法在冬小麥LAI反演中的應(yīng)用,結(jié)果顯示集合卡爾曼濾波算法能夠使LAI同化結(jié)果接近真實(shí)值；黃健熙等[13]選擇河北衡水地區(qū)冬小麥為研究對象,通過集合卡爾曼算法獲取時間序列最優(yōu)的LAI,并依此估算區(qū)域內(nèi)冬小麥產(chǎn)量,結(jié)果表明同化后的冬小麥產(chǎn)量比未同化的產(chǎn)量預(yù)測精度有顯著提高；陳思寧[14]基于集合卡爾曼濾波對東北玉米產(chǎn)量及LAI進(jìn)行估計(jì),對同化前后模擬LAI對比發(fā)現(xiàn)同化后其軌跡更接近實(shí)測值,更符合玉米的生長發(fā)育趨勢。以上研究均發(fā)現(xiàn),應(yīng)用集合卡爾曼濾波同化方法于農(nóng)作物L(fēng)AI估算能夠顯著提高估算的精度。

遙感觀測是一種快速獲取煙草信息的手段,模擬模型能夠?qū)煵萆L過程相對較好的整體擬合,卡爾曼濾波同化技術(shù)則能夠綜合二者各自的優(yōu)勢,有利于提高數(shù)據(jù)的預(yù)測精度。文中嘗試以廣東省南雄市煙草為例,構(gòu)建南雄市煙草LOGISTIC生長模型,利用集合卡爾曼濾波數(shù)據(jù)同化技術(shù)綜合遙感觀測LAI數(shù)據(jù)和作物生長模型二者信息進(jìn)行同化分析,以獲取精度相對較高的煙草LAI數(shù)據(jù)。

圖1 技術(shù)路線圖Fig.1 Flowchart of data processing

1 研究區(qū)域

文中以廣東省韶關(guān)市南雄地區(qū)為實(shí)驗(yàn)區(qū)。南雄市位于廣東省東北部,113°55′30″—114°44′38″E,24°56′59″—25°25′20″N,該地區(qū)是廣東省煙草主要種植縣市之一。研究區(qū)內(nèi)煙草類型主要為烤煙。煙草生長期分苗床和大田,廣東省煙草生長周期約為180d。苗床期指播種到移栽時間段,即1—2月底(一般為60d),大田期指煙苗移栽到采收完畢時間段,即3—6月(一般為100—120d)。而4—6月廣東省處于梅雨季節(jié),這3個月雨水天氣居多。

2 數(shù)據(jù)與材料

實(shí)驗(yàn)中光譜數(shù)據(jù)主要是使用光譜儀在野外實(shí)測得到。實(shí)驗(yàn)使用荷蘭Avantes公司AvaSpec-ULS2048光纖光譜儀煙草野外實(shí)地測量光譜反射率,光譜范圍取300—1100nm,光譜采樣區(qū)間為0.6 nm,光譜分辨率為1.4 nm。選擇晴朗無云無風(fēng)天氣,于10:00—14:00時間段測定光譜反射率。測量時傳感器探頭垂直向下,光譜儀視場角為15°,合理控制光譜儀距離煙草植被冠層頂部垂直高度。測量時合理挑選樣株,嚴(yán)格使用標(biāo)準(zhǔn)白板校正,每個樣株進(jìn)行10次光譜測量,以其平均值作為該樣株的光譜反射值。煙草光譜采樣時間為2014年2—6月,間隔基本為每半個月1次,得到煙草的連續(xù)時間序列光譜數(shù)據(jù)。

LAI實(shí)測數(shù)據(jù)主要是在野外對煙草實(shí)地測量得到。實(shí)驗(yàn)組中實(shí)測LAI數(shù)據(jù)分為兩組,建模數(shù)據(jù)和實(shí)驗(yàn)數(shù)據(jù),建模LAI數(shù)據(jù)來源于多期對南雄市多個采樣點(diǎn)的煙草實(shí)地測量,用于建立適合于南雄的LOGISTIC模型；實(shí)驗(yàn)LAI數(shù)據(jù)主要位于南雄市黃坑鎮(zhèn)許村(25°13′N, 114°28′E)附近多個采樣點(diǎn),與煙草光譜測量工作同時進(jìn)行,對每個煙草樣本測量光譜的同時對其測量葉面積,作為驗(yàn)證數(shù)據(jù)。因?yàn)闊煵莸娜~片為長橢圓形,根據(jù)統(tǒng)計(jì)分析得出每個葉片大致為整個葉片最長與最寬之積面積的63.45%,故本實(shí)驗(yàn)中葉面積的計(jì)算公式為：葉片長×葉片寬×0.6345。

實(shí)驗(yàn)中的天氣溫度數(shù)據(jù)取自2011年到2014年韶關(guān)市氣象局發(fā)布的逐日溫度統(tǒng)計(jì)數(shù)據(jù),日積溫?cái)?shù)據(jù)則取日平均溫度。

表1 積溫統(tǒng)計(jì)數(shù)據(jù)

3 研究方法

3.1 集合卡爾曼濾波(EnKF)方法

卡爾曼濾波是一種將模型模擬和外部觀測結(jié)合起來估計(jì)目標(biāo)參數(shù)的優(yōu)化方法,是一種用Monte Carlo的集合預(yù)報(bào)方法估計(jì)預(yù)報(bào)誤差協(xié)方差的順序同化算法,它能夠有效降低估算過程中的誤差,提高預(yù)測精度。最大的優(yōu)點(diǎn)是不需要預(yù)報(bào)算子的切線性模式和伴隨模式,對于非線性很強(qiáng)、不連續(xù)的動態(tài)模型也有很好的模擬。

集合卡爾曼濾波包括預(yù)報(bào)和更新兩個部分。在預(yù)報(bào)部分,初始狀態(tài)向量的集合通過過程模型模擬來獲得預(yù)報(bào)場的集合,用預(yù)報(bào)集合計(jì)算預(yù)報(bào)誤差協(xié)方差矩陣；在更新部分,利用觀測向量和狀態(tài)向量的誤差協(xié)方差矩陣更新每個集合,得到分析場的集合,最后將分析場集合的均值作為模型狀態(tài)的后驗(yàn)估計(jì)值[11]。當(dāng)前計(jì)算結(jié)果只與前一狀態(tài)估計(jì)值、當(dāng)前狀態(tài)測量值有關(guān),并且易于實(shí)時處理,無需存儲大量的數(shù)據(jù)。

集合卡爾曼濾波通過不斷迭代預(yù)測和更新兩個過程完成數(shù)據(jù)的同化,圖2表示了集合卡爾曼濾波算法一個完整的迭代過程。

圖2 集合卡爾曼濾波流程圖Fig.2 The work flow of EnKF是第i個集合在t時刻的狀態(tài)分析值是第i個集合在t+1時刻的狀態(tài)預(yù)測值,Yi,t+1是第i個集合在t+1時刻的觀測值;M(.)是模型算子,表示t到t+1時刻狀態(tài)變化關(guān)系,文中為煙草LOGISTIC模型;H為觀測算子,是觀測轉(zhuǎn)換矩陣,文中取值為1;ωt為模擬誤差,服從均值為0協(xié)方差矩陣為Q的高斯分布；υt為觀測誤差,服從均值為0協(xié)方差矩陣為R的高斯分布；Ki+1是增益矩陣為預(yù)測值集合的均值則是分析值集合的均值；P表示狀態(tài)變量的誤差協(xié)方差矩陣

3.2 LOGISTIC模型

煙草生長需要適宜的溫度,積溫對烤煙大田生長發(fā)育有一定的影響,煙草完成自己的生長周期,需要一定的溫度積累。如果生長期間的晝夜平均溫度較低,植株為滿足自己所需要的溫度總和,會使生育期延長[15]。在LOGISTIC模型中,為消除煙草生長發(fā)育隨品種、播期、地域的不同,對模型的時間進(jìn)行統(tǒng)一處理。用活動積溫表示生育期長度,并作歸一化處理[16],使用歸一化積溫來統(tǒng)一時間尺度。積溫AT與歸一化積溫DS的計(jì)算方法分別如下：

(1)

式中,i表示時間序列數(shù),n為總時間總數(shù),Ti為逐日平均溫度,AT表示總積溫值,DSi為i時刻的歸一化積溫值。本實(shí)驗(yàn)只對大田期的煙草進(jìn)行試驗(yàn),對DS取值范圍為0—1。以DS為自變量,LAI為因變量建立簡化的LOGISTIC模型[3]得到：

(2)

LAI是葉面積指數(shù),這里L(fēng)AImax是生育期中LAI最大值,DS為歸一化積溫,A,B,C是常量參數(shù)。

4 研究結(jié)果

4.1 南雄市煙草LAI數(shù)據(jù)計(jì)算

本實(shí)驗(yàn)采用直接建立起南雄市煙草歸一化植被指數(shù)(NDVI)與LAI之間的回歸關(guān)系的方法計(jì)算煙草LAI,該方法簡單靈活,應(yīng)用廣泛,是一種最為常用的方法。通過光譜儀實(shí)測數(shù)據(jù)計(jì)算NDVI由以下公式得到：

(3)

式中,R800和R670分別表示在光譜值為800和670時對應(yīng)煙草植被冠層光譜反射率值。

LAI與NDVI的關(guān)系模型主要有指數(shù)關(guān)系和對數(shù)關(guān)系2種類型[17-18]：指數(shù)模型和對數(shù)模型,為簡化LAI的獲取函數(shù),把獲得的NDVI數(shù)據(jù)和實(shí)測LAI數(shù)據(jù)進(jìn)行了回歸分析,并結(jié)合已有的煙草實(shí)驗(yàn)[1]以及其它參考[19-20],經(jīng)計(jì)算得到的LAI與NDVI對數(shù)模型如下：

在95%的置信區(qū)域時相關(guān)系數(shù)和調(diào)整后決定系數(shù)值分別為0.8953和0.8804,標(biāo)準(zhǔn)誤差RMSE為0.6375。利用上述模型,通過平均光譜反射率計(jì)算得到各個時間南雄市煙草LAI理論計(jì)算值(圖3)。LAI總體呈現(xiàn)先上升后下降趨勢,在前30d左右緩慢上升,75d左右達(dá)到最大值4.72,75d以后LAI值則急劇下降。

圖3 LAI測量值計(jì)算結(jié)果Fig.3 The results of LAI

圖4 LOGISTIC擬合結(jié)果Fig.4 The fitting result of LOGISTIC model

4.2 南雄煙草LOGISTIC模型構(gòu)建

在對建模LAI樣本數(shù)據(jù)初步篩選后,對煙草實(shí)測LAI和南雄市歸一化積溫?cái)?shù)據(jù)DS進(jìn)行的簡化后的LOGISTIC模型構(gòu)建,通過計(jì)算,得到方程為：

由圖4中可以看出,實(shí)測煙草LAI整體呈現(xiàn)先上升后下降的趨勢,LAI值前期緩慢上升,生長后期則快速下降,在歸一化積溫0.6左右(生長期大約80d左右)時達(dá)到最大值。LOGISTIC模型對煙草實(shí)測LAI的整體擬合精度良好,和煙草實(shí)測LAI的變化趨勢基本保持一致。

4.3 數(shù)據(jù)同化

假設(shè)實(shí)際測量LAI的平均值為真實(shí)LAI值,從圖5可以得到,單獨(dú)使用LOGISTIC能夠較好的整體擬合煙草LAI的變化趨勢,計(jì)算簡單,能夠直接使用數(shù)學(xué)模型表示,但是計(jì)算誤差相對較大,得到的LAI值會出現(xiàn)前期偏小,后期偏大的情況,分別在移栽后15—45d和90—120d內(nèi)非常明顯。NDVI計(jì)算LAI方法和LAI同化方法結(jié)果則相比較為精確,基本與LAI實(shí)測均值曲線吻合。與NDVI計(jì)算LAI方法相比,數(shù)據(jù)同化綜合NDIV計(jì)算LAI結(jié)果和LOGISTIC模型擬合結(jié)果,將其按權(quán)重分配,得到的LAI值介于兩者之間,盡可能的消除二者的誤差,得到的LAI同化數(shù)據(jù)則更接近實(shí)測平均LAI,精度相比較于單獨(dú)NDVI計(jì)算LAI方法或模型擬合方法有所提高。同化LAI值呈先緩慢上升,后急劇下降的趨勢,在大田期75d左右達(dá)到最大值,最高LAI值達(dá)到4.7,與煙草南雄市煙草LAI生長走勢基本吻合。

圖5 集合卡爾曼濾波反演后LAI曲線 Fig.5 The LAI curve assimilated with ensemble Kalman method

與實(shí)際測量LAI數(shù)據(jù)作回歸分析,發(fā)現(xiàn)3種方法的相關(guān)系數(shù)都相對較高,決定系數(shù)均在0.8以上,表明3種方法均可一定程度上反應(yīng)煙草LAI的生長情況。由圖6發(fā)現(xiàn)：同化得到的LAI值與觀測數(shù)據(jù)基本一致,同化LAI值與LAI實(shí)際觀測樣本的回歸分析關(guān)系式為y=0.9904x+0.0126,在95%的置信區(qū)域時相關(guān)系數(shù)為0.9456,相比較高于NDVI計(jì)算LAI方法的0.8859。

根據(jù)y=x散點(diǎn)圖對LAI的分布情況比較發(fā)現(xiàn)：數(shù)據(jù)同化方法、NDVI計(jì)算LAI方法和LOGISTIC模型擬合3種方法均可一定程度上表征煙草LAI的變化狀態(tài),其中LOGISTIC模型擬合方法效果最差,NDIV計(jì)算LAI方法次之,集合同化方法效果最好。3種方法在煙草作物成熟時期LAI擬合均取得很好的效果,LAI>4時尤為明顯,3種方法LAI值均均勻分布在y=x曲線兩側(cè)；而在LAI<4時,NDVI計(jì)算LAI方法和LOGISTIC擬合LAI方法則會發(fā)生一定程度的離散,NDVI計(jì)算LAI方法在LAI<2時尤為明顯,LOGISTIC則會出現(xiàn)在每個時間節(jié)點(diǎn)擬合LAI相同的情況,雖然此時實(shí)際的LAI值不同,數(shù)據(jù)同化的總體效果則相對較好,基本均勻分布于y=x的兩側(cè)。

圖6 LAI計(jì)算結(jié)果統(tǒng)計(jì)圖Fig.6 The statistic map of the LAI data

圖7 LAI值散點(diǎn)圖Fig.7 Scatter plots of measured and calculated LAI

5 結(jié)論與討論

數(shù)據(jù)同化技術(shù),可將擬合模型和觀測數(shù)據(jù)兩者信息有效的結(jié)合起來,觀測數(shù)據(jù)依次被引入到過程模型中,不斷減少或者濾掉過程模型的噪聲,使得同化后結(jié)果更加貼近自然界的真實(shí)狀態(tài)。文中通過實(shí)測光譜遙感數(shù)據(jù)計(jì)算了廣東省南雄市2014年2—6月的煙草葉面積指數(shù)LAI,模擬了南雄市煙草簡化作物生長模型LOGISTIC模型,并采用LOGISTIC模型作為集合卡爾曼濾波算法的動態(tài)模型,對煙草遙感計(jì)算得到的LAI數(shù)據(jù)進(jìn)行卡爾曼濾波數(shù)據(jù)同化,初步實(shí)現(xiàn)了集合卡爾曼濾波同化算法在煙草LAI反演中的應(yīng)用。結(jié)果顯示同化得到的LAI結(jié)果基本和真實(shí)值吻合,精度有所提高,LAI曲線更符合煙草的實(shí)際生長狀況。

相較于傳統(tǒng)選擇多種微觀指標(biāo)進(jìn)行回歸分析方法,該方法以LAI數(shù)據(jù)為對象,直接對LAI進(jìn)行計(jì)算處理,無需測量和篩選與LAI高度相關(guān)的微觀指標(biāo),操作方法相對較為簡單,易于實(shí)現(xiàn)。數(shù)據(jù)同化方法、NDVI計(jì)算LAI方法和LOGISTIC模型擬合3種方法對比發(fā)現(xiàn)：3種方法均能一定程度的表征煙草LAI的生長變化,但相比較與單一的LOGISTIC模型擬合方法或NDVI計(jì)算LAI方法,集合卡爾曼濾波同化算法綜合遙感觀測數(shù)據(jù)和LOGISITC模型二者信息共同擬合,得到的LAI同化結(jié)果更為接近真實(shí)值,結(jié)果的總體誤差更小。研究結(jié)果表明,同化遙感信息與作物生長模型對提高煙草作物L(fēng)AI信息監(jiān)測是有效的,可用于獲取精度相對更高的煙草LAI信息。

文中發(fā)現(xiàn)：LOGISTIC模型不能有效的指示煙草的生長狀況,主要是因?yàn)長OGISTIC模型更多的是擬合得到積溫和LAI的回歸關(guān)系,LOGISTIC能夠有效用數(shù)學(xué)模型表現(xiàn)煙草LAI變化趨勢,但得到的結(jié)果更多與積溫?cái)?shù)據(jù)相關(guān),而同一時間點(diǎn)積溫值相同,導(dǎo)致LAI計(jì)算結(jié)果在同一時間點(diǎn)全部相同,不能表現(xiàn)煙草不同植株生長的差異性,更不能有效表征出諸如天氣、病蟲害等外界因素導(dǎo)致煙草LAI迅速變化的狀況,導(dǎo)致擬合結(jié)果與實(shí)際情況稍有偏差。NDVI計(jì)算LAI方法在煙草長勢最好時候計(jì)算效果較佳,在初生長期和枯萎期則會發(fā)生LAI值過大過小的現(xiàn)象,究其原因可能是生長前期和后期煙草的冠層面積過小導(dǎo)致野外測量的不穩(wěn)定,如煙草早期尚未成熟和后期葉片成熟枯萎,植被冠層葉面積過小,會加入周邊地物的光譜信息或者光譜測量結(jié)果為葉面光譜信息。數(shù)據(jù)同化方法則表現(xiàn)最優(yōu),數(shù)據(jù)同化得到的LAI基本均勻分布于y=x曲線兩側(cè),總體擬合效果良好。主要是集合卡爾曼濾波同化算法具有動態(tài)調(diào)節(jié)的優(yōu)勢,它能夠綜合作物生長模型和觀測數(shù)據(jù)兩者的優(yōu)勢,使得整體的擬合效果達(dá)到最優(yōu)。該過程可有效的減小測量值的誤差敏感性,有利于減小同化后值的誤差。

總體來說,目前煙草研究相對于小麥、玉米等作物較為落后。煙草研究尚未出現(xiàn)專門的研究模型,研究中對煙草模擬簡單使用基于統(tǒng)計(jì)原理的LOGISTIC模型,該模型更多的是一種統(tǒng)計(jì)性表達(dá),探究并應(yīng)用一種如水稻、小麥等普適機(jī)理性模型可進(jìn)一步增加數(shù)據(jù)同化算法面向煙草應(yīng)用的專業(yè)性。另外,實(shí)驗(yàn)應(yīng)用光譜數(shù)據(jù)初步驗(yàn)證了集合卡爾曼濾波數(shù)據(jù)同化算法在煙草光譜應(yīng)用的可能性和效果,但相關(guān)實(shí)驗(yàn)應(yīng)用和驗(yàn)證的范圍相對狹窄,進(jìn)一步應(yīng)用如衛(wèi)星數(shù)據(jù)更有利于煙草LAI同化工作的大面積和自動化的進(jìn)行。

[1] 羅靜, 崔偉宏, 牛振國. 時空推理模型的煙草長勢圖譜分析與監(jiān)測. 地球信息科學(xué), 2006, 8(2): 120- 124.

[2] 靳華安, 王錦地, 肖志強(qiáng), 李喜佳. 遙感反演時間序列葉面積指數(shù)的集合卡爾曼平滑算法. 光譜學(xué)與光譜分析, 2011, 31(9): 2485- 2490.

[3] 汪耀富, 高華軍, 邵孝侯, 阿吉艾克拜爾, 楊天旭. 烤煙葉面積指數(shù)增長的優(yōu)化模型研究. 河南農(nóng)業(yè)科學(xué), 2005,(10): 42- 45.

[4] 劉國順, 李向陽, 劉大雙, 喻奇?zhèn)? 利用冠層光譜估測煙草葉面積指數(shù)和地上生物量. 生態(tài)學(xué)報(bào), 2007, 27(5): 1763- 1771.

[5] 張正楊, 馬新明, 賈方方, 喬紅波, 張營武. 煙草葉面積指數(shù)的高光譜估算模型. 生態(tài)學(xué)報(bào), 2012, 32(1): 168- 175.

[6] 王建偉, 薛超群, 張艷玲, 張仕祥, 尹啟生. 烤煙葉面積系數(shù)與冠層反射光譜指數(shù)的定量關(guān)系. 煙草科技, 2008, (4): 49- 52.

[7] 閆巖, 柳欽火, 劉強(qiáng), 李靜, 陳良富. 基于遙感數(shù)據(jù)與作物生長模型同化的冬小麥長勢監(jiān)測與估產(chǎn)方法研究. 遙感學(xué)報(bào), 2006, 10(5): 804- 811.

[8] Reichle R H. Data assimilation methods in the Earth sciences. Advances in Water Resources, 2008, 31(11): 1411- 1418.

[9] 馬建文. 數(shù)據(jù)同化算法研發(fā)與實(shí)驗(yàn). 北京: 科學(xué)出版社, 2013: 55- 58.

[10] 邢雅娟, 劉東升, 王鵬新. 遙感信息與作物生長模型的耦合應(yīng)用研究進(jìn)展. 地球科學(xué)進(jìn)展, 2009, 24(4): 444- 451.

[11] 李新, 擺玉龍. 順序數(shù)據(jù)同化的Bayes濾波框架. 地球科學(xué)進(jìn)展, 2010, 25(5): 515- 522.

[12] 王東偉. 遙感數(shù)據(jù)與作物生長模型同化方法及其應(yīng)用研究[D]. 北京: 北京師范大學(xué), 2008.

[13] 黃健熙, 武思杰, 劉興權(quán), 馬冠南, 馬鴻元, 吳文斌, 鄒金秋. 基于遙感信息與作物模型集合卡爾曼濾波同化的區(qū)域冬小麥產(chǎn)量預(yù)測. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(4): 142- 148.

[14] 陳思寧, 趙艷霞, 申雙和. 基于集合卡爾曼濾波的PyWOFOST模型在東北玉米估產(chǎn)中的適用性驗(yàn)證. 中國農(nóng)業(yè)氣象, 2012, 33(2): 245- 253.

[15] 鐘華. 湖北省不同生態(tài)型煙區(qū)煙草優(yōu)化灌溉制度研究[D]. 南京: 河海大學(xué), 2006.

[16] 林忠輝, 項(xiàng)月琴, 莫興國, 李俊, 王玲. 夏玉米葉面積指數(shù)增長模型的研究. 中國生態(tài)農(nóng)業(yè)學(xué)報(bào), 2003, 11(4): 69-72.

[17] Qi J, Kerr Y H, Moran M S, Weltz M, Huete A R, Sorooshian S, Bryant R. Leaf Area Index Estimates Using Remotely Sensed Data and BRDF Models in a Semiarid Region. Remote Sensing of Environment, 2000, 73(1): 18- 30.

[18] 劉東升, 李淑敏. 北京地區(qū)冬小麥冠層光譜數(shù)據(jù)與葉面積指數(shù)統(tǒng)計(jì)關(guān)系研究. 國土資源遙感, 2008, 20(4): 32- 34.

[19] Garrigues S, Allard D, Baret F, Weiss M. Influence of Landscape Spatial Heterogeneity on the Non-linear Estimation of Leaf Area Index from Moderate Spatial Resolution Remote Sensing Date. Remote Sensing of Environment, 2006, 105(4): 286- 298.

[20] 解毅, 王鵬新, 劉峻明, 李俐. 基于四維變分和集合卡爾曼濾波同化方法的冬小麥單產(chǎn)估測. 農(nóng)業(yè)工程學(xué)報(bào), 2015, 31(1): 187- 195.

Data assimilation for leaf area index of tobacco on the basis of the ensemble Kalman filter in Nanxiong

CHEN Hao, FAN Fenglei*

SchoolofGeography,SouthChinaNormalUniversity,Guangzhou510631,China

Leaf area index (LAI) can be used as a monitoring index for assessing tobacco health in different growing periods. Hence, acquiring and updating accurate LAI data in a timely manner are necessary for managing the growth of tobacco. Growth information for tobacco in different seasons could provide valuable information for management on a national scale. Accurate and continuous tobacco LAI dynamics data are based on the data fusion framework of the ensemble Kalman filter (EnKF), which is an efficient recursive filter to estimate the state of a dynamic system from a series of incomplete and noise measurements, can be used to obtain optimal results. Nanxiong City in Guangdong Province was selected as the study area to extract LAI data for tobacco and test the effect of EnKF method on the basis of quantitative remote sensing data for the growing state of tobacco in 2014. Tobacco canopy hyperspectral reflectance data in different growing seasons were collected every 15 days by using AvaSpec-ULS2048 HandHeld spectroradiometer made by Avantes company in the Netherlands. Tobacco LAI data were retrieved using the Normalized Difference Vegetation Index (NDVI), which was calculated using the reflectance data. An improved tobacco growth model (LOGISTIC) was established using the LAI data collected around Nanxiong. This improved model used LAI and accumulated temperature to reveal the changes in LAI in different growing seasons. On the basis of integration of LAI data (obtained using remote sensing data) and LAI data (obtained using the simplified LOGISTIC model and EnKF method), continuous LAI data were obtained in the time series during the tobacco growing season in Nanxiong. Finally, we compared three different LAI computing methods in tobacco study: (a) calculated by NDVI, (b) simulated by the LOGISTIC model and (c) data assimilation was based on EnKF. The results indicated that these three methods could describe the growth status of tobacco to a certain extent, especially in the mature growth period, however, the LAI assimilation method was the best, which was able to adjust measured values and model values dynamically, LAI data were more consistent with the practical growth conditions of tobacco. Method (a) was imperfect at early and late growth seasons of tobacco (in these two seasons, the LAI data were either less or more), and method (b) was more dependent on accumulated temperature data (LOGISTIC model could not effectively describe the unexpected changes in tobacco LAI). The results showed that the EnKF algorithm could obtain better estimation on the basis of the dynamic model, and assimilate remote sensing data into the dynamic model to obtain optimal estimation for LAI. The assimilated LAI data were closer to the real values, and the LAI curve was more consistent with actual tobacco growth status.

data assimilation; tobacco; ensemble Kalman filter; LAI (Leaf area index); data prediction

國家自然科學(xué)基金資助項(xiàng)目(41201432)；廣東省煙草專賣局科技資助項(xiàng)目(粵煙科(2012)26,合同號：201203)

2016- 01- 20; 網(wǎng)絡(luò)出版日期:2016- 12- 19

10.5846/stxb201601200135

*通訊作者Corresponding author.E-mail: fanfenglei@gig.ac.cn

陳浩,樊風(fēng)雷.基于集合卡爾曼濾波的南雄煙草LAI數(shù)據(jù)同化研究.生態(tài)學(xué)報(bào),2017,37(9):3046- 3054.

Chen H, Fan F L.Data assimilation for leaf area index of tobacco on the basis of the ensemble Kalman filter in Nanxiong.Acta Ecologica Sinica,2017,37(9):3046- 3054.