CN111160680A - 一种基于信息同化融合的农业干旱评估方法 - Google Patents

一种基于信息同化融合的农业干旱评估方法 Download PDF

Info

Publication number
CN111160680A
CN111160680A CN201910227582.XA CN201910227582A CN111160680A CN 111160680 A CN111160680 A CN 111160680A CN 201910227582 A CN201910227582 A CN 201910227582A CN 111160680 A CN111160680 A CN 111160680A
Authority
CN
China
Prior art keywords
drought
water
information
agricultural
crops
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910227582.XA
Other languages
English (en)
Inventor
倪深海
顾颖
刘静楠
王小军
彭岳津
戴星
王亨力
朱国忠
喻石
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources
Original Assignee
Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources filed Critical Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources
Priority to CN201910227582.XA priority Critical patent/CN111160680A/zh
Publication of CN111160680A publication Critical patent/CN111160680A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3554—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for determining moisture content
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G01N33/246—Earth materials for water content
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Economics (AREA)
  • Biochemistry (AREA)
  • General Business, Economics & Management (AREA)
  • Remote Sensing (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Analytical Chemistry (AREA)
  • Educational Administration (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Hydrology & Water Resources (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)

Abstract

本发明公开了一种基于信息同化融合的农业干旱评估方法，采用仿真技术模拟作物生长过程，识别农作物需水、缺水信息，利用遥感监测旱情信息和实测农作物受旱成灾信息进行同化融合，以不断更新农田水分循环模拟模型状态变量与参数，同化后的模型模拟农业干旱等级与实际旱情较好的拟合度，实现对旱情及趋势的全面监视和评估的目的。基于农田水分循环模拟与遥感、实测信息同化的农业干旱评估模型是可行的，为及时、准确识别评估农业干旱提供一种新方法，对我国旱情监测评估方面有着重要应用和推广价值。

Description

一种基于信息同化融合的农业干旱评估方法
技术领域
本发明涉及一种干旱评估方法，属于干旱评估技术领域；特别涉及一种基于信息同化融合的农业干旱评估方法。
背景技术
农业干旱是以土壤中实际贮存的、可供作物利用的水量多少为依据，判别作物的受旱情况。无论是降水还是灌溉，水分都要首先贮存在土壤中，然后被作物生长逐步吸收利用。另外，区域的气象、水文、灌溉等条件以及灌溉用水管理状况，也都能够很好地通过农业干旱信息得以体现。因此，可通过土壤墒情信息、农作物缺水信息及遥感影像识别农业干旱。
如何判别农业干旱是旱情预测预警的关键，为表征农业干旱的发生与发展过程，可采用多种判别方法。采用仿真技术模拟作物生长过程，识别农作物需水、缺水信息，并利用遥感信息进行同化是判别农业干旱行之有效的方法，可及时、准确识别评估农业干旱，对我国旱情监测评估方面有着重要应用和推广价值。
干旱评估方法发展主要经历了以下四个阶段：
①站点干旱强度分析阶段：最初的干旱评估主要是局限于站点数据，运用干旱指标对各站点某时刻干旱强度进行计算分析；
②站点干旱特征分析阶段：运用游程理论识别一次干旱事件的起止时间、持续时间、强度，并运用统计分析方法计算干旱事件发生的频率；
③干旱空间特征分析阶段：随着3S技术的发展以及在干旱评估中的应用，可获取一次干旱事件中各个时刻的覆盖面积，干旱评估由站点干旱评估发展到区域干旱评估；
④干旱时空分布特征分析阶段：近年来，在计算干旱强度、持续时间、覆盖面积、频率等干旱特征指标的基础上，一些学者运用统计分析方法对多个特征进行综合分析，得到区域干旱时空分布特征。
多源信息应用是未来水利科学发展的一个趋势。信息同化是将遥感数据应用于水文预报的一个极具发展前途的技术手段，被认为是变革传统水文学、建设数字水文***的关键技术。信息同化融合技术在干旱方面的应用研究刚刚起步，将数据同化融合技术应用于干旱监测评估与预测，开发多源信息同化融合技术进行土壤墒情和农业旱情评估等。以上干旱评估方法没有充分运用所监测的干旱信息，评估结果与区域实际旱情有些偏差。因此，运用同化融合技术进行区域农业干旱评估是水利学科的发展趋势。
发明内容
发明目的：针对以上问题，本发明提出一种基于信息同化融合的农业干旱评估方法，利用遥感监测旱情、实测农作物受旱成灾数据与农业干旱模拟结果进行同化，不断更新农田水分循环模拟模型状态变量与参数，同化后的模型模拟农业干旱与实际旱情有较好的拟合度，实现对农业干旱趋势的全面监视和评估的目的。
技术方案：本发明所述的一种基于信息同化融合的农业干旱评估方法，包括步骤：
(1)确定农业干旱评估范围。
(2)获取分析数据，包括气象、水文、土壤墒情信息。
进一步地，所述气象信息包括：评估范围内的降水量、蒸发量、气温；所述水文信息包括：评估范围内的河川径流量、水库蓄水量、地下水水位；所述土壤墒情信息包括：评估范围内的土壤含水量、农作物缺墒。
(3)获取并处理评估范围内与分析数据同期的MODIS源数据中1B级数据，所述MODIS源数据的处理包括辐射校正、几何校正、大气校正和云检测；
(4)根据监测时段逐日归一化植被指数NDWI数据集，所述归一化植被指数即叶面缺水指数，采用平均值合成法计算出旬NDWI指数，分析NDWI指数与旱情等级关系，得到逐旬遥感监测的旱情信息；所述归一化植被指数NDWI按照如下公式计算：
Figure BDA0002005691370000021
其中，ρnir、ρred分别表示植被在近红外波段和红光波段上的反射率；同时，对MODIS来说，分别为第2波段和第1波段。
(5)根据分析数据及农田水量平衡原理，以农田表层为原型，建立农田水分循环模型，模拟农作物生长期农田水分循环过程，得到模拟旱情信息，包括作物旬需水量ETM及作物旬缺水量QET、逐日农作物需水量ETMi、逐日作物缺水量QETi；其中，i表示日期。
进一步地，所述步骤(5)包括：
(5.1)根据计划湿润层的水分平衡方程，计算作物逐日实际耗水量ETi；所述水分平衡方程如下公式所示：
Wi+1-Wi＝Pi+Gi+Isi+Igi+Ui-Esi-Eci-Qi-Rgi-Si
其中，Wi、Wi+1为第i时段初、末土壤含水量，Pi、Gi、Isi、Igi、Ui分别为第i时段进入计划湿润层的降水量、灌溉水量、地表水流入量、土壤中水的流入量和地下水补给量，Esi、Eci、Qi、Rgi、Si分别为第i时段流出计划湿润层的土壤蒸发量、作物蒸腾量、农田表面产生的径流、土壤中水的流出量和深层渗漏量；
作物逐日实际耗水量ETi如下公式所示：
ETi＝Esi+Eci
(5.2)计算逐日作物需水量ETMi：
ETMi＝a×E601,i
其中，ETMi为作物需水量；α为作物需水系数；E601,i为蒸发器的实测水面蒸发量；
(5.3)根据逐日作物需水量ETMi得到作物旬需水量ETM；
(5.4)计算第i日作物缺水量：
QETi＝ETMi-ETi；
(5.5)根据逐日作物缺水量QETi得到作物旬缺水量QET。
(6)根据步骤(5)得到作物旬需水量ETM及作物旬缺水量QET，按照如下公式计算农作物旬缺水率θ：
Figure BDA0002005691370000031
(7)根据计算的农作物旬缺水率θ，划分农业干旱等级标准判别模拟的农业干旱等级。
进一步地，步骤(7)中所述农业干旱等级按以下规则划分：
对于旱作物而言，当作物缺水率θ≤45％，为无旱状态，干旱等级为0；当作物缺水率45％＜θ≤65％，为轻旱状态，干旱等级为1；当作物缺水率65％＜θ≤85％，为中旱状态，干旱等级为2；当作物缺水率85％＜θ≤95％，为重旱状态，干旱等级为3；当作物缺水率95％＜θ，为极旱状态，干旱等级为4；
对于水田而言，当作物缺水率θ≤20％，为无旱状态，干旱等级为0；当作物缺水率20％＜θ≤35％，为轻旱状态，干旱等级为1；当作物缺水率35％＜θ≤50％，为中旱状态，干旱等级为2；当作物缺水率50％＜θ≤60％，为重旱状态，干旱等级为3；当作物缺水率60％＜θ，为极旱状态，干旱等级为4。
(8)根据步骤(4)得到的逐旬遥感监测旱情信息和实测干旱信息，采用逐步迭代法得到同化融合后的农田水分循环模拟模型。
进一步地，步骤(8)包括：
(8.1)各计算单元根据步骤(7)判断各自模拟的农业干旱等级，并将等级值
Figure BDA0002005691370000032
作为干旱等级零次迭代估计值；
(8.2)采用如下公式所示的逐步迭代法，不断***遥感监测旱情信息、实测干旱信息，在给定的评估半径R内，分别使用逐旬遥感监测值、实测值以及对
Figure BDA0002005691370000033
进行一次订正，同时缩小评估半径，每次迭代减少评估半径内最边缘的计算单元；依次订正，直至两次的计算值误差小于给定的误差值：
Figure BDA0002005691370000041
其中，j为计算单元序号，k为观测点，n为迭代次数；
Figure BDA0002005691370000043
是第j个计算单元内农业干旱等级第n次迭代估计值，
Figure BDA0002005691370000044
是计算单元j内的第k个观测值，ε2是观测误差方差与模拟计算误差方差的比率的估计，
Figure BDA0002005691370000045
是距离第j个计算单元内中心实测点R范围内的观测点总数；所述计算单元为干旱评估范围内的县级行政区或大中型灌区，逐步迭代法的权重
Figure BDA0002005691370000046
如下公式所示：
逐步迭代法的权重：
Figure BDA0002005691370000042
其中，
Figure BDA0002005691370000047
是第j个计算单元内的观测点rk和实测点rj之间距离的平方。
(9)对同化融合后的农田水分循环模拟模型进行参数调整，使农业干旱信息同化至误差系列期望值为0、协方差为给定的先验误差为止，得到农业干旱评估模型；其中，所述误差系列期望值为每一旬模拟的农业干旱等级与实际干旱等级之差值。
进一步地，所述步骤(9)包括：
(9.1)采用农田水分循环模拟模型计算逐旬作物需水量ETM和作物缺水量值QET，产生时间分辨率为1旬，空间分辨率为评估范围内各计算单元的农业干旱信息作为初估场；
(9.2)采集MODIS遥感数据，采用平均值合成法计算旬叶面缺水指数NDWI，可得逐旬遥感监测的旱情信息；
(9.3)统计并计算评估范围内各计算单元的实测旱情信息，包括受旱率α、成灾率β；
(9.4)比对评估范围内各计算单元的的模拟农业干旱信息和遥感监测旱情信息、实测旱情信息并计算各计算单元的误差协方差，分析调整农田水分循环模拟模型参数，模拟出下一旬的农业干旱信息，判断对应的农业干旱等级标准值，将其作为下一次订正的干旱等级初始值，进行下一次逐旬订正；
(9.5)从农田水分循环模拟值和实测旱情信息的计算得到各计算单元的农业干旱误差系列，对误差系列的样本进行统计计算，农业干旱信息同化直至误差系列期望值为0、协方差为给定的先验误差为止，得到农业干旱评估模型。
(10)判断通过农业干旱评估模型模拟的农业干旱等级与实际旱情等级是否一致，若一致，保留该模型，并对下一时刻农业干旱进行评估，输出农业干旱等级值，评估结束；否则跳转至步骤(8)。
有益效果：本发明具有以下优点：
1、采用仿真技术模拟作物生长过程，识别农作物需水、缺水信息，可表征农业干旱的发生与发展过程，以预测农业干旱；
2、利用遥感监测旱情信息和实测农作物受旱成灾信息，对农业干旱模拟结果进行信息同化融合，以不断更新农田水分循环模拟模型状态变量与参数，同化后的模型模拟农业干旱等级与实际旱情较好的拟合度；
3、实现对旱情及趋势的全面监视和评估的目的，对旱情监测评估方面有着重要应用和推广价值。
附图说明
图1是本发明农业干旱评估方法流程图。
具体实施方式
围绕干旱灾特征与减灾技术领域亟需解决的关键技术题，以机理实验、模型模拟和同化融合技术等为关键技术手段，下面结合附图和实施例对本发明的技术方案作进一步的说明。
如图1，本发明所述的一种基于信息同化融合的农业干旱评估方法，为农业干旱预测预警提供高精度的评估信息。
步骤1：确定农业干旱评估范围：全国、省(市、区)、地(市)、县等。
步骤2：整理分析评估范围内的降水量、蒸发量、气温、河川径流量、水库蓄水量、地下水水位等气象、水文信息。
步骤3：整理分析评估范围内的土壤含水量、农作物缺墒等土壤墒情信息。
步骤4：获取并处理与模拟分析评估范围内同期的MODIS源数据，MODIS1B数据处理过程包括辐射校正、几何校正、大气校正和云检测等。绿色植物的反射光谱的光谱特征在0.9-2.5μm区域是由液态水吸收控制的，同时也受一些其它的生物化学成分吸收的微弱影响。在近红外波段，植被液态水的吸收可以忽略不计，在短波红外波段，水的吸收很弱，从而利用植被在红外波段(NIR)与短波红外波段的光谱可以很灵敏的反应植被冠层水的含量。而叶面含水的多寡与水分胁迫有直接的关系。因此可以用叶面缺水指数(NDWI)进行旱情监测。根据监测时段逐日NDWI指数数据集产品，采用平均值合成法得到旬NDWI指数，分析NDWI指数与旱情等级关系，可得逐旬遥感监测的旱情信息。
步骤5：调查统计评估范围内的受旱面积、成灾面积、农作物缺水量等实际农情信息。
步骤6：建立农业干旱模拟模型。从农田水量平衡原理出发，以农田表层为原型，建立农田水分循环模型，模拟农作物生长期农田水分循环过程及逐旬农作物需水量(ETM)、作物缺水量(QET)，具体包括：
(6.1)根据计划湿润层的水分平衡方程，计算作物逐日实际耗水量ETi；所述水分平衡方程如下公式所示：
Wi+1-Wi＝Pi+Gi+Isi+Igi+Ui-Esi-Eci-Qi-Rgi-Si
其中，Wi、Wi+1为第i日初、末土壤含水量，Pi、Gi、Isi、Igi、Ui分别为第i日进入计划湿润层的降水量、灌溉水量、地表水流入量、土壤中水的流入量和地下水补给量，Esi、Eci、Qi、Rgi、Si分别为第i日流出计划湿润层的土壤蒸发量、作物蒸腾量、农田表面产生的径流、土壤中水的流出量和深层渗漏量；
所述作物逐日实际耗水量ETi如下公式所示：
ETi＝Esi+Eci
(6.2)计算逐日作物需水量ETMi：
ETMi＝a×E601,i
其中，ETMi为作物需水量；α为作物需水系数；E601,i为蒸发器的实测水面蒸发量；
(6.3)根据逐日作物需水量ETMi得到作物旬需水量ETM；
(6.4)计算第i日作物缺水量：
QETi＝ETMi-ETi；
(6.5)根据逐日作物缺水量QETi得到作物旬缺水量QET。
步骤(6.3)及(6.5)中作物旬需水量ETM、旬缺水量QET均按照日历旬分别对逐日作物需水量、作物缺水量求和，即上中下旬起始计算日期分别为每月1日、11日、21日。
步骤7：农作物缺水率常常被用作为农业旱情的评估指标。作物缺水率是指时段作物缺水量与该时段作物实际需水量之比。按照如下公式计算农作物旬缺水率θ：
Figure BDA0002005691370000061
步骤8：划分农业干旱等级标准。由于农作物的品种不同，作物的耐旱性能不同，本发明确定了旱作物和水稻的干旱等级划分标准。如下表1和表2所示。
表1 旱作物干旱等级划分标准
旱情程度 无旱 轻旱 中旱 重旱 极旱
旱情等级号 0 1 2 3 4
作物缺水率θ(％) θ≤45 45＜θ≤65 65＜θ≤85 85＜θ≤95 95＜θ
表2 水稻干旱等级划分标准
旱情程度 无旱 轻旱 中旱 重旱 极旱
旱情等级号 0 1 2 3 4
作物缺水率θ(％) θ≤20 20＜θ≤35 35＜θ≤50 50＜θ≤60 60＜θ
步骤9：本发明采用逐步订正法进行信息同化融合。逐步订正法采用模拟旱情信息作为初估场，不断***遥感监测旱情信息、统计实测干旱信息，分别使用这些遥感监测值、实测值以及给定的评估半径对初估场进行一次订正，然后使用订正后的分析场作为下一次订正的初估场，同时缩小评估半径，进行下一次订正。这样的循环过程就构成四维数据同化。由于模拟旱情信息和遥感监测旱情信息、实测旱情信息相近，并且分析场空间连续性较好，同时又考虑了时间的连续性，因此，在这样的基础上进行连续订正，并在订正过程中缩小影响半径，首先可以去掉初估场的大尺度误差，然后使模拟的旱情信息分析场越来越逼近实际旱情信息场，就比直接插值容易得到较好的效果。具体步骤包括：
(9.1)各计算单元根据步骤(8)判断各自模拟的农业干旱等级，并将等级值
Figure BDA0002005691370000072
作为干旱等级零次迭代估计值；
(9.2)采用如下公式所示的逐步迭代法，不断***遥感监测旱情信息、实测干旱信息，在给定的评估半径R内，分别使用逐旬遥感监测值、实测值以及对
Figure BDA0002005691370000073
进行一次订正，同时缩小评估半径，每次迭代减少评估半径内最边缘的计算单元；依次订正，直至两次的计算值误差小于给定的误差值：
Figure BDA0002005691370000071
其中，j为计算单元序号，k为观测点，n为迭代次数；
Figure BDA0002005691370000082
是第j个计算单元内农业干旱等级第n次迭代估计值，
Figure BDA0002005691370000083
是计算单元j内的第k个观测值，ε2是观测误差方差与模拟计算误差方差的比率的估计，
Figure BDA0002005691370000084
是距离第j个计算单元内中心实测点R范围内的观测点总数；所述计算单元为干旱评估范围内的县级行政区或大中型灌区，逐步迭代法的权重
Figure BDA0002005691370000085
如下公式所示：
逐步迭代法的权重：
Figure BDA0002005691370000081
其中，
Figure BDA0002005691370000086
是第j个计算单元内的观测点rk和实测点rj之间距离的平方。
逐步订正法得到的最后分析值实际上是各种可利用的信息加权平均。逐步订正法简单经济，能产生合理的分析。
步骤10：经同化融合后的农田水分循环模拟模型可用于农业干旱评估。
1)采用农田水分循环模拟模型计算逐日作物需水量和作物缺水量值，产生时间分辨率为1旬，空间分辨率为评估范围内各计算单元(县或灌区)的农业干旱信息作为初估场。
2)采集MODIS遥感数据，采用平均值合成法计算旬叶面缺水指数(NDWI)，可得逐旬遥感监测的旱情信息。
3)分析评估范围内各计算单元的实测旱情信息受旱率(α)、成灾率(β)。
4)比对评估范围内各计算单元的的模拟农业干旱信息和遥感监测旱情信息、实测旱情信息并计算各计算单元的误差协方差，分析调整农田水分循环模拟模型参数，模拟出时间步长推进1旬的农业干旱信息，作为下一次订正的初估场，逐旬进行下一次订正。
5)从农田水分循环模拟值和实测旱情信息的计算得到各计算单元的农业干旱误差场，对误差场的样本进行统计计算，农业干旱信息同化直至误差系列期望值为0、协方差为给定的先验误差为止。
步骤11：农业干旱等级评估。判断通过农业干旱评估模型模拟的农业干旱等级与实际旱情等级是否一致，若一致，保留该模型，并对下一时刻农业干旱进行评估，根据农业干旱等级标准值，判断并输出评估区域农业干旱等级值，评估结束；否则跳转至步骤(9)。

Claims (6)

1.一种基于信息同化融合的农业干旱评估方法，其特征在于，包括步骤：
(1)确定农业干旱评估范围；
(2)获取分析数据，包括气象、水文、土壤墒情信息；
(3)获取并处理评估范围内与分析数据同期的MODIS源数据中1B级数据，所述MODIS源数据的处理包括辐射校正、几何校正、大气校正和云检测；
(4)根据监测时段逐日归一化植被指数NDWI数据集，采用平均值合成法计算出旬NDWI指数，分析NDWI指数与旱情等级关系，得到逐旬遥感监测旱情信息；所述归一化植被指数NDWI按照如下公式计算：
Figure FDA0002005691360000011
其中，ρnir、ρred分别表示植被在近红外波段和红光波段上的反射率；
(5)根据分析数据及农田水量平衡原理，以农田表层为原型，建立农田水分循环模型，模拟农作物生长期农田水分循环过程，得到模拟旱情信息，包括作物旬需水量ETM及作物旬缺水量QET，逐日农作物需水量ETMi、逐日作物缺水量QETi；其中，i表示数据的日期；
(6)根据步骤(5)得到作物旬需水量ETM及作物旬缺水量QET，按照如下公式计算农作物旬缺水率θ：
Figure FDA0002005691360000012
(7)根据计算的农作物旬缺水率θ，划分农业干旱等级标准值判别模拟的农业干旱等级；
(8)根据步骤(4)得到的逐旬遥感监测旱情信息和实测干旱信息，采用逐步迭代法得到同化融合后的农田水分循环模拟模型；
(9)对同化融合后的农田水分循环模拟模型进行参数调整，使农业干旱信息同化至误差系列期望值为0、协方差为给定的先验误差为止，得到农业干旱评估模型；其中，所述误差系列期望值为每一旬模拟的农业干旱等级与实际干旱等级之差值；
(10)判断通过农业干旱评估模型模拟的农业干旱等级与实际旱情等级是否一致，若一致，保留该模型，并对下一时刻农业干旱进行评估，输出农业干旱等级值，评估结束；否则跳转至步骤(8)。
2.根据权利要求1所述的一种基于信息同化融合的农业干旱评估方法，其特征在于，步骤(2)中，所述气象信息包括：评估范围内的降水量、蒸发量、气温；所述水文信息包括：评估范围内的河川径流量、水库蓄水量、地下水水位；所述土壤墒情信息包括：评估范围内的土壤含水量、农作物缺墒。
3.根据权利要求1所述的一种基于信息同化融合的农业干旱评估方法，其特征在于，步骤(5)包括：
(5.1)根据计划湿润层的水分平衡方程，计算作物逐日实际耗水量ETi；所述水分平衡方程如下公式所示：
Wi+1-Wi＝Pi+Gi+Isi+Igi+Ui-Esi-Eci-Qi-Rgi-Si
其中，Wi、Wi+1为第i日初、末土壤含水量，Pi、Gi、Isi、Igi、Ui分别为第i日进入计划湿润层的降水量、灌溉水量、地表水流入量、土壤中水的流入量和地下水补给量，Esi、Eci、Qi、Rgi、Si分别为第i日流出计划湿润层的土壤蒸发量、作物蒸腾量、农田表面产生的径流、土壤中水的流出量和深层渗漏量；
所述作物逐日实际耗水量ETi如下公式所示：
ETi＝Esi+Eci
(5.2)计算逐日作物需水量ETMi：
ETMi＝a×E601,i
其中，ETMi为作物需水量；α为作物需水系数；E601,i为蒸发器的实测水面蒸发量；
(5.3)根据逐日作物需水量ETMi得到作物旬需水量ETM；
(5.4)计算第i日作物缺水量：
QETi＝ETMi-ETi；
(5.5)根据逐日作物缺水量QETi得到作物旬缺水量QET。
4.根据权利要求1所述的一种基于信息同化融合的农业干旱评估方法，其特征在于，步骤(7)中所述农业干旱等级标准值按以下规则划分：
对于旱作物而言，当作物缺水率θ≤45％，为无旱状态，干旱等级为0；当作物缺水率45％＜θ≤65％，为轻旱状态，干旱等级为1；当作物缺水率65％＜θ≤85％，为中旱状态，干旱等级为2；当作物缺水率85％＜θ≤95％，为重旱状态，干旱等级为3；当作物缺水率95％＜θ，为极旱状态，干旱等级为4；
对于水田而言，当作物缺水率θ≤20％，为无旱状态，干旱等级为0；当作物缺水率20％＜θ≤35％，为轻旱状态，干旱等级为1；当作物缺水率35％＜θ≤50％，为中旱状态，干旱等级为2；当作物缺水率50％＜θ≤60％，为重旱状态，干旱等级为3；当作物缺水率60％＜θ，为极旱状态，干旱等级为4。
5.根据权利要求1所述的一种基于信息同化融合的农业干旱评估方法，其特征在于，步骤(8)包括：
(8.1)各计算单元根据步骤(7)判断各自模拟的农业干旱等级，并将等级值
Figure FDA0002005691360000031
作为干旱等级零次迭代估计值；
(8.2)采用如下公式所示的逐步迭代法，不断***遥感监测旱情信息、实测干旱信息，在给定的评估半径R内，分别使用逐旬遥感监测值、实测值以及对
Figure FDA0002005691360000032
进行一次订正，同时缩小评估半径，每次迭代减少评估半径内最边缘的计算单元；依次订正，直至两次的计算值误差小于给定的误差值：
Figure FDA0002005691360000033
其中，j为计算单元序号，k为观测点，n为迭代次数；
Figure FDA0002005691360000034
是第j个计算单元内农业干旱等级第n次迭代估计值，
Figure FDA0002005691360000035
是计算单元j内的第k个观测值，ε2是观测误差方差与模拟计算误差方差的比率的估计，
Figure FDA0002005691360000036
是距离第j个计算单元内中心实测点R范围内的观测点总数；所述计算单元为干旱评估范围内的县级行政区或大中型灌区，逐步迭代法的权重
Figure FDA0002005691360000037
如下公式所示：
逐步迭代法的权重：
Figure FDA0002005691360000038
其中，
Figure FDA0002005691360000039
是第j个计算单元内的观测点rk和实测点rj之间距离的平方。
6.根据权利要求1所述的一种基于信息同化融合的农业干旱评估方法，其特征在于，所述步骤(9)包括：
(9.1)采用农田水分循环模拟模型计算逐旬作物需水量ETM和作物缺水量值QET，产生时间分辨率为1旬，空间分辨率为评估范围内各计算单元的农业干旱信息作为初估场；
(9.2)采集MODIS遥感数据，采用平均值合成法计算旬叶面缺水指数NDWI，可得逐旬遥感监测的旱情信息；
(9.3)统计并计算评估范围内各计算单元的实测旱情信息，包括受旱率α、成灾率β；
(9.4)比对评估范围内各计算单元的的模拟农业干旱信息和遥感监测旱情信息、实测旱情信息并计算各计算单元的误差协方差，分析调整农田水分循环模拟模型参数，模拟出下一旬的农业干旱信息，判断对应的农业干旱等级标准值，将其作为下一次订正的干旱等级初始值，进行下一次逐旬订正；
(9.5)从农田水分循环模拟值和实测旱情信息的计算得到各计算单元的农业干旱误差系列，对误差系列的样本进行统计计算，农业干旱信息同化直至误差系列期望值为0、协方差为给定的先验误差为止，得到农业干旱评估模型。
CN201910227582.XA 2019-03-25 2019-03-25 一种基于信息同化融合的农业干旱评估方法 Pending CN111160680A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910227582.XA CN111160680A (zh) 2019-03-25 2019-03-25 一种基于信息同化融合的农业干旱评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910227582.XA CN111160680A (zh) 2019-03-25 2019-03-25 一种基于信息同化融合的农业干旱评估方法

Publications (1)

Publication Number Publication Date
CN111160680A true CN111160680A (zh) 2020-05-15

Family

ID=70555681

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910227582.XA Pending CN111160680A (zh) 2019-03-25 2019-03-25 一种基于信息同化融合的农业干旱评估方法

Country Status (1)

Country Link
CN (1) CN111160680A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111681122A (zh) * 2020-06-05 2020-09-18 河南省气象科学研究所 基于土壤湿度的夏玉米干旱影响评估模型的构建与应用
CN112837169A (zh) * 2021-01-11 2021-05-25 黄河勘测规划设计研究院有限公司 一种干旱过程网格化旱情综合监测、预警与评估方法
CN113052484A (zh) * 2021-04-08 2021-06-29 中国气象局公共气象服务中心(国家预警信息发布中心) 基于格点化气象数据的农产品气候品质评估方法及装置
CN113469440A (zh) * 2021-07-02 2021-10-01 河海大学 一种预测月尺度生活需水量的方法
CN117828906A (zh) * 2024-03-05 2024-04-05 长江水利委员会长江科学院 基于作物生长模型的干旱传递过程模拟方法、***及介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111681122A (zh) * 2020-06-05 2020-09-18 河南省气象科学研究所 基于土壤湿度的夏玉米干旱影响评估模型的构建与应用
CN112837169A (zh) * 2021-01-11 2021-05-25 黄河勘测规划设计研究院有限公司 一种干旱过程网格化旱情综合监测、预警与评估方法
CN112837169B (zh) * 2021-01-11 2024-06-04 黄河勘测规划设计研究院有限公司 一种干旱过程网格化旱情综合监测、预警与评估方法
CN113052484A (zh) * 2021-04-08 2021-06-29 中国气象局公共气象服务中心(国家预警信息发布中心) 基于格点化气象数据的农产品气候品质评估方法及装置
CN113469440A (zh) * 2021-07-02 2021-10-01 河海大学 一种预测月尺度生活需水量的方法
CN113469440B (zh) * 2021-07-02 2023-11-14 河海大学 一种预测月尺度生活需水量的方法
CN117828906A (zh) * 2024-03-05 2024-04-05 长江水利委员会长江科学院 基于作物生长模型的干旱传递过程模拟方法、***及介质
CN117828906B (zh) * 2024-03-05 2024-05-17 长江水利委员会长江科学院 基于作物生长模型的干旱传递过程模拟方法、***及介质

Similar Documents

Publication Publication Date Title
Wang et al. Satellite retrieval of actual evapotranspiration in the Tibetan Plateau: Components partitioning, multidecadal trends and dominated factors identifying
Han et al. Crop evapotranspiration prediction by considering dynamic change of crop coefficient and the precipitation effect in back-propagation neural network model
CN111160680A (zh) 一种基于信息同化融合的农业干旱评估方法
Zhang et al. A modified water demand estimation method for drought identification over arid and semiarid regions
Li et al. Impacts of land use change and climate variability on hydrology in an agricultural catchment on the Loess Plateau of China
Maruyama et al. Coupling land surface and crop growth models to estimate the effects of changes in the growing season on energy balance and water use of rice paddies
Liu et al. Improving simulation of soil moisture in China using a multiple meteorological forcing ensemble approach
Silva et al. Estimating reference evapotranspiration (ETo) using numerical weather forecast data in central Chile
Liu et al. Comparison of two methods to derive time series of actual evapotranspiration using eddy covariance measurements in the southeastern Australia
Dong et al. Comparison and analysis of data assimilation algorithms for predicting the leaf area index of crop canopies
Huang et al. Assessing grain crop water productivity of China using a hydro-model-coupled-statistics approach: Part I: Method development and validation
CN113011372B (zh) 一种盐碱化土地自动监测和识别方法
CN110377989B (zh) 基于水热耦合平衡的非一致性两变量设计洪水推求方法
Zhou et al. Spatiotemporal variations of actual evapotranspiration over the Lake Selin Co and surrounding small lakes (Tibetan Plateau) during 2003–2012
Chang et al. An optimal ensemble of the Noah-MP land surface model for simulating surface heat fluxes over a typical subtropical forest in South China
CN106295865A (zh) 一种水稻产量的预测方法
Nyolei et al. Evapotranspiration simulation from a sparsely vegetated agricultural field in a semi-arid agro-ecosystem using Penman-Monteith models
CN115452822B (zh) 基于遥感和农田信息获取稻田甲烷排放通量的方法及装置
Wei et al. Bayesian performance evaluation of evapotranspiration models based on eddy covariance systems in an arid region
Feng et al. Performance of the improved two-source energy balance model for estimating evapotranspiration over the heterogeneous surface
CN115795819A (zh) 基于sebs模型和casa模型的水分利用效率模拟方法
López-Ramírez et al. A comprehensive calibration and validation of SWAT-T using local datasets, evapotranspiration and streamflow in a tropical montane cloud forest area with permeable substrate in central Veracruz, Mexico
Sun et al. Assessment and improvement of Noah-MP for simulating water and heat exchange over alpine grassland in growing season
Liu et al. A simple framework for estimating the annual runoff frequency distribution under a non-stationarity condition
Han et al. Real-time methods for short and medium-term evapotranspiration forecasting using dynamic crop coefficient and historical threshold

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination