基于4DVAR和EnKF的遥感信息与作物模型冬小麦估产

为了提高遥感信息与作物模型同化的估产精度,以山西省晋南地区的3个县为研究区,采用四维变分(Four-dimensional variational,4DVAR)和集合卡尔曼滤波(Ensemble Kalman filter,EnKF)两种同化算法将高时空分辨率Sentinel多源数据反演的叶面积指数(Leaf area index,LAI)、土壤含水率(θ)和CERES-Wheat模型进行同化,对比两种算法同化LAI和θ的性能,并进行冬小麦产量估测.结果 表明:两种同化算法均能结合遥感观测和作物模型模拟的优势,相比模型模拟值,同化精度均有所提高;4DVAR-LAI和4DVAR-0的均方根误差(Root mean square eiror,RMSE)分别比EnKF-LAI和EnKF-0低0.1490 m2/m2、0.0091 cm3/cm3,且根据遥感实际监测值4DVAR-LAI更能精确识别冬小麦的物候期,与实际冬小麦生长发育的物候期更相符,因此在Sentinel多源数据与CERES-Wheat模型同化中,4DVAR算法的性能更好;由4DVAR同化后的LAI和θ双变量建立的估产模型,RMSE和平均相对误差(Mean relative error,MRE)小于CERES-Wheat模型模拟估产的RMSE和MRE,说明估产模型的估产误差小,采用4DVAR算法同化Sentinel多源数据与CERES-Wheat模型有效提高了冬小麦区域估产精度.