陳仁谷 安霞

摘 要：農(nóng)業(yè)遙感與作物模型的數(shù)據(jù)同化作為精準農(nóng)業(yè)中的新一代技術(shù)，目前已被廣泛應(yīng)用于農(nóng)作物的生長狀況監(jiān)測與作物估產(chǎn)等領(lǐng)域[1]。該文簡述了農(nóng)業(yè)遙感與作物模型同化的定義，以及農(nóng)業(yè)遙感與作物模型的數(shù)據(jù)同化技術(shù)在實際農(nóng)業(yè)生產(chǎn)中的應(yīng)用，提出了農(nóng)業(yè)遙感與作物模型的數(shù)據(jù)同化技術(shù)存在的問題，旨在為農(nóng)業(yè)的高精度高效率同化技術(shù)研究提供參考。

關(guān)鍵詞：數(shù)據(jù)同化技術(shù);作物模型;農(nóng)業(yè)遙感

中圖分類號 TP79文獻標(biāo)識碼 A文章編號 1007-7731（2021）09-0112-02

Abstract： As one of the new generation technologies in precision agriculture， data assimilation of agricultural remote sensing and crop model is widely used in crop growth monitoring and crop yield estimation. This paper briefly introduces the definition of agricultural remote sensing and crop model assimilation， introduces the application of data assimilation technology of agricultural remote sensing and crop model in actual agricultural production， and puts forward the existing problems of data assimilation technology of agricultural remote sensing and crop model， so as to provide reference for the research of high precision and high efficiency assimilation technology of agriculture.

Key words： Data assimilation technology; Crop model; Agricultural remote sensing

在世界人口快速增長狀況下，以精準農(nóng)業(yè)為背景的農(nóng)業(yè)生產(chǎn)問題一直是農(nóng)學(xué)與計算機交叉學(xué)科研究的熱點，準確實時掌握農(nóng)作物的長勢、精確預(yù)測農(nóng)作物的增產(chǎn)是減輕農(nóng)業(yè)生產(chǎn)風(fēng)險的重要工具。作物生長模型用以模擬農(nóng)作物在不同條件下的發(fā)育過程，可以掌握作物在不同時期下的生長發(fā)育狀況，但不能反映農(nóng)作物在空間上的差異。而遙感衛(wèi)星可以實時獲取大面積農(nóng)作物的數(shù)據(jù)，但不能定量描述作物的生長過程。由于之前大多數(shù)研究都是基于單一的作物生長模型或者單一的農(nóng)業(yè)遙感信息來監(jiān)測作物生長狀況及其產(chǎn)量，最終的研究結(jié)果并不理想，因此尋求一個新技術(shù)已成為科學(xué)家的研究重點。

隨著遙感衛(wèi)星技術(shù)和遙感反演產(chǎn)品更為成熟以及作物模型的疾速發(fā)展，目前越來越多的專家學(xué)者開始致力于農(nóng)業(yè)遙感與作物模型兩者同化的研究，利用作物模型與農(nóng)業(yè)遙感的數(shù)據(jù)同化技術(shù)跟蹤監(jiān)測作物的生長情況，采取相關(guān)管理決策，以此保證產(chǎn)量穩(wěn)定。因此，開展農(nóng)業(yè)遙感與作物模型的同化技術(shù)研究非常必要。

1 農(nóng)業(yè)遙感與作物模型同化概述

作物模型一般指作物生長模型，顧名思義就是通過計算機的信息處理能力來模擬農(nóng)作物的生長過程及產(chǎn)量，需要輸入的參數(shù)有氣候（包含降雨量、日照輻射）、田間管理（包含灌溉）、土壤（溫濕度）、作物生理等數(shù)據(jù)，通過計算機對輸入?yún)?shù)和數(shù)學(xué)方程進行分析處理，最終得出作物的模擬結(jié)果。

遙感作為新一代的精準農(nóng)業(yè)技術(shù)之一，已被廣泛應(yīng)用于農(nóng)業(yè)領(lǐng)域。農(nóng)業(yè)遙感主要表現(xiàn)在作物面積、長勢、產(chǎn)量、災(zāi)害遙感監(jiān)測方面[2]，或者用于提取作物的生物參數(shù)，如葉面積指數(shù)、葉綠素含量、生物量、水分含量等[3]。

數(shù)據(jù)同化，又稱資料同化，最先應(yīng)用在數(shù)值天氣預(yù)報中，目前已被廣泛應(yīng)用于大氣、海洋、陸面和水文等領(lǐng)域。不同領(lǐng)域的專家學(xué)者對數(shù)據(jù)同化在各自領(lǐng)域的看法與定義不一樣，但綜合而言，數(shù)據(jù)同化一般由動態(tài)模型、觀測數(shù)據(jù)和同化算法3個部分組成，主要是通過同化算法不斷結(jié)合模型框架和不同分辨率的觀測數(shù)據(jù)來減少不確定因素，從而獲取最優(yōu)值。

將作物模型、遙感技術(shù)及數(shù)據(jù)同化三者聯(lián)結(jié)起來，構(gòu)建適用農(nóng)業(yè)方面的同化系統(tǒng)，是農(nóng)作物的長勢監(jiān)測和產(chǎn)量預(yù)測的趨勢。同化作物生長模型與農(nóng)業(yè)遙感信息可以充分利用兩者的優(yōu)勢，來提高農(nóng)作物的產(chǎn)量估算精度。

2 農(nóng)業(yè)遙感與作物模型同化的研究現(xiàn)狀

由于作物模型和農(nóng)業(yè)遙感自身存在的缺點，單獨使用這2種方法都不能滿足農(nóng)業(yè)需求，因此，越來越多的專家學(xué)者開始重視農(nóng)業(yè)遙感與作物模型的同化研究。目前，同化農(nóng)業(yè)遙感與作物模型已成為作物長勢監(jiān)測與產(chǎn)量估算研究的重要技術(shù)。

劉峰等[4]根據(jù)數(shù)據(jù)同化系統(tǒng)的已有研究并結(jié)合作物模型與農(nóng)業(yè)遙感，對CERES-Wheat作物模型中影響作物生長發(fā)育的關(guān)鍵參數(shù)進行調(diào)整，最終將極快速模擬退火VFSA算法應(yīng)用到農(nóng)業(yè)遙感與CERES-Wheat模型上。通過小麥LAI的同化，對該數(shù)據(jù)同化系統(tǒng)進行檢驗，發(fā)現(xiàn)冬小麥同化葉面積指數(shù)與觀測值的吻合度較高。

為了提高區(qū)域范圍內(nèi)的農(nóng)作物估產(chǎn)精度，陳勁松等[5]以廣東臺山水稻為研究對象，通過SCE數(shù)據(jù)同化方法，將HJ-1A/B衛(wèi)星數(shù)據(jù)反演的葉面積指數(shù)與WOFOST模型進行耦合集成，對水稻生長模型的初始參數(shù)進行優(yōu)化，結(jié)果表明，采用SCE同化算法可以明顯提高水稻產(chǎn)量估產(chǎn)精度。

同化效率的提升是數(shù)據(jù)同化方法應(yīng)用研究的一個重要方面，但前人的研究一般都只是考慮同化結(jié)果，而對同化效率并不怎么關(guān)注。為此，吳伶[6]等研究了WOFOST模型與遙感光譜信息在時間尺度上的同化優(yōu)化方法，并通過對比發(fā)現(xiàn)，同化的尺度與效率成反比例關(guān)系，與精度成正比例關(guān)系。因此，適用步長介于10～20d的時間尺度作為WOFOST模型與農(nóng)業(yè)遙感光譜信息的同化時間尺度是最優(yōu)的。表明優(yōu)化作物的同化時間尺度可以明顯提升同化方法的效率。

邢會敏等[7]對冬小麥冠層覆蓋度、地上生物量和產(chǎn)量進行計算，模擬退火算法、復(fù)合型混合演化算法和粒子群優(yōu)化算法3種同化算法進行Aqua Crop作物模型與農(nóng)業(yè)遙感的同化耦合。研究對比發(fā)現(xiàn)，3種同化算法均能有效地模擬冬小麥的冠層覆蓋、生物量和產(chǎn)量，其中，復(fù)合型混合演化同化算法無論在運算效率還是同化結(jié)果的精度上均優(yōu)于粒子群優(yōu)化算法和模擬退火同化算法。

Wagner等[8]提出了一種新的利用粒子群優(yōu)化算法和統(tǒng)計距離度量相結(jié)合的數(shù)據(jù)同化方法，該方法能夠靈活地處理模型和輸入不確定性。通過將Sentinel-2數(shù)據(jù)中的冠層覆蓋信息同化到AquaCrop-OS模型中，用以改進冬小麥像素和田間水平的產(chǎn)量估計，并將其與簡單更新方法和擴展卡爾曼濾算法進行了比較，探討了新提出的方法的潛力。結(jié)果表明，該方法優(yōu)于簡單更新，與擴展卡爾曼濾波更新方法相似或更好。此外，該方法特別成功地減少了產(chǎn)量估計中的偏差。

綜上所述，就目前而言，粒子群優(yōu)化算法在實際應(yīng)用中表現(xiàn)出色，農(nóng)業(yè)遙感和作物模型的數(shù)據(jù)同化技術(shù)在農(nóng)作物的長勢掌握與產(chǎn)量估算的開展工作上已取得了很大的進步。在今后的研究中，保證同化結(jié)果的同時提高同化效率是同化技術(shù)研究的重難點。

3 存在的問題

近幾年，隨著更多的專家學(xué)者不斷地深入研究，遙感數(shù)據(jù)同化越來越成熟，但仍存在諸多缺陷。（1）大部分相關(guān)研究僅使用到LAI參數(shù)的遙感數(shù)據(jù)，參數(shù)比較單一;（2）研究的對象主要是水稻和冬小麥，缺少對果樹的研究;（3）可用的免費農(nóng)業(yè)遙感產(chǎn)品數(shù)據(jù)質(zhì)量不高;（4）模型所需的初始數(shù)據(jù)不夠完備;（5）在節(jié)約計算機性能與運行時間的同時，需要提高同化算法的效率與精確度。

4 結(jié)語

為了打破技術(shù)限制，尋找耦合農(nóng)作物模型和農(nóng)業(yè)遙感技術(shù)的最佳數(shù)據(jù)同化算法，使精準農(nóng)業(yè)方面有更長足的發(fā)展，實現(xiàn)農(nóng)業(yè)的可持續(xù)發(fā)展，我國專家學(xué)者通過大量的研究收獲諸多成效，在數(shù)據(jù)同化技術(shù)方面取得了很多關(guān)鍵性的重大突破。并且國家對精準農(nóng)業(yè)的投入力度明顯比以前加大很多。相信在不久的將來，農(nóng)作物模型與遙感技術(shù)的同化技術(shù)越來越成熟，未來該同化技術(shù)將在前人的基礎(chǔ)上，進一步提升農(nóng)作物的長勢監(jiān)測能力和估產(chǎn)精度，為糧食生產(chǎn)提供預(yù)測預(yù)警、田間管理決策等提堅實支撐，對于保障作物產(chǎn)量的穩(wěn)定增長、增強農(nóng)業(yè)可持續(xù)發(fā)展能力以及促進精準農(nóng)業(yè)發(fā)展具有重要作用。

參考文獻

[1]劉焱選，白慧東，蔣桂英.中國精準農(nóng)業(yè)的研究現(xiàn)狀和發(fā)展方向[J].中國農(nóng)學(xué)通報，2007（07）：577-582.

[2]陳仲新，任建強，唐華俊，等.農(nóng)業(yè)遙感研究應(yīng)用進展與展望[J].遙感學(xué)報，2016，20（05）：748-767.

[3]趙春江.農(nóng)業(yè)遙感研究與應(yīng)用進展[J].農(nóng)業(yè)機械學(xué)報，2014，45（12）：277-293.

[4]劉峰，李存軍，董瑩瑩，等.基于遙感數(shù)據(jù)與作物生長模型同化的作物長勢監(jiān)測[J].農(nóng)業(yè)工程學(xué)報，2011，27（10）：101-106.

[5]陳勁松，黃健熙，林琿，等.基于遙感信息和作物生長模型同化的水稻估產(chǎn)方法研究[J].中國科學(xué)：信息科學(xué)，2010，40（S1）：173-183.

[6]吳伶，劉湘南，王春乙，等.光譜信息與作物生長模型數(shù)據(jù)同化中的時間尺度優(yōu)化[J].農(nóng)業(yè)工程學(xué)報，2015，31（24）：142-148.

[7]邢會敏，李振海，徐新剛，等..基于遙感和AquaCrop作物模型的多同化算法比較[J].農(nóng)業(yè)工程學(xué)報，2017，33（13）：183-192.

[8]Wagner M P， Slawig T， Taravat A， et al. Remote Sensing Data Assimilation in Dynamic Crop Models Using Particle Swarm Optimization[J]. International Journal of Geo-Information， 2020，9（2）：105.

（責(zé)編：張宏民）