将遥感与作物模型耦合有利于提高作物模型在区域尺度应用时的精度.基于集合平方根滤波算法(Ensemble Square Root Filter.EnSRF)和粒子群优化算法(Particle Swarm Optimization,PSO),以叶面积指数(Leaf Area Index,LAI)和叶片氮积累量(Leaf Nitrogen Accumulation,LNA)共同作为同化耦合点和过程更新点,将同化与更新策略相结合,研究建立了基于遥感信息与水稻生长模型(RiceGrow)耦合的水稻生长与产量预测技术.结果表明,将更新和同化策略结合后,利用RiceGrow模型模拟的水稻生长指标和产量结果更接近于实测值.其中LAI、LNA和产量与实测值间的RMSE分别为0.94、0.47 g/m2和320.15 kg/hm2；RiceGrow模型直接模拟LAI、LNA和产量的RMSE为1.25、1.24 g/m2和516.83 kg/hm2；而单纯基于同化策略模拟LAI、LNA和产量的RMSE为1.01、0.59 g/m2和335.70 kg/hm2.此外,基于该技术的模型区域尺度预测结果能较好地描述水稻生长和产量的时空分布状况,生长指标及区域总产量的模拟相对误差均小于20％.显示基于更新和同化策略相结合的遥感与模型耦合技术具有较高的预测精度,从而为区域尺度作物生长和产量预测提供了技术支撑.
作者：王航；朱艳；马孟莉；李文龙；顾凯健；曹卫星；田永超
来源：生态学报 2012 年 32卷 14期
