Den Originaltext ansehen>>> Praktische technische Anwendung von Fernerkundungsdaten und Assimilation von Nutzpflanzenmodellen
Das prozessbasierte Pflanzenwachstumssimulationsmodell DSSAT ist ein leistungsfähiges Werkzeug für die moderne Agrarsystemforschung. Es kann die Wachstums- und Entwicklungs- und Ertragsbildungsprozesse von Pflanzen und deren Zusammenhang mit klimatischen Faktoren, Bodenumgebung, Sortentypen und technischen Maßnahmen quantitativ beschreiben und bereitstellen Lösungen für verschiedene Bedingungen. Es werden quantitative Tools für die Vorhersage von Pflanzenwachstum und -erträgen, das Anbaumanagement, die Umweltbewertung und die Bewertung zukünftiger Klimaveränderungen bereitgestellt. Wenn sich Pflanzenwachstumsmodelle jedoch von der Einzelpunktforschung zu Anwendungen auf regionaler Ebene entwickeln, führt die Ungleichmäßigkeit der Oberflächen- und oberflächennahen Umgebungen, die aufgrund der Vergrößerung der räumlichen Skala entsteht, zu Problemen bei der Erfassung einiger makroskopischer Daten und die Regionalisierung von Parametern im Modell. Es gibt viele Schwierigkeiten, und die Ergebnisse der Modellsimulation weisen auch große Unsicherheiten auf. Fernerkundungsinformationen können dazu beitragen, dass Pflanzenwachstumsmodelle diese Mängel weitgehend überwinden.
Fernerkundungsdaten von heimischen Satelliten (wie HJ, GF, ZY), MODIS, Landsat, Sentinel-2 und anderen Fernerkundungsdaten sind wirksame Mittel zur Überwachung des Pflanzenwachstumsstatus in einem großen Gebiet; Pflanzenwachstumsmodelle können Umweltfaktoren zur Simulation nutzen den Pflanzenwachstumsprozess und offenbaren die Merkmale des Pflanzenwachstums und der Pflanzenentwicklung. Ursache und Wesen. Angetrieben durch die Entwicklung von Wissenschaft und Technologie und die Nachfrage nach landwirtschaftlichen Anwendungen kombinieren Datenassimilationsmethoden Fernerkundungsdaten mit Pflanzenwachstumsmodellen, um das Pflanzenwachstum zu überwachen und Ernteerträge vorherzusagen. Dies ist einer der wichtigen Inhalte und Entwicklungstrends der aktuellen landwirtschaftlichen Informationstechnologie Anwendungsforschung. Die Kombination der beiden kann nicht nur makroskopische Überwachungsinformationen liefern, sondern auch den Pflanzenwachstums- und -entwicklungsprozess dynamisch widerspiegeln, was zur Realisierung komplementärer Vorteile und zur Verbesserung des Anwendungspotenzials beiträgt.
[Kurze Inhaltsbeschreibung]:
Dieser Artikel befasst sich hauptsächlich mit Fernerkundungsdaten, dem PROSAIL-Modell, dem DSSAT-Modell, der Parametersensitivitätsanalyse, dem Datenassimilationsalgorithmus, der Modellkopplung, der Genauigkeitsüberprüfung und anderen wichtigen Verknüpfungen bei der Assimilationsmodellierung von Fernerkundungsdaten und Erntemodellen. Die Festlegung der Gliederung konzentriert sich hauptsächlich auf die oben genannten Verknüpfungen zu konstruktionsrelevanten theoretischen Grundkenntnissen und praktischen Bedienschritten. Durch schrittweise Erklärung und praktische Bedienung können die gesetzten Ziele erreicht werden.
Thema 1: Grundlegende theoretische Kenntnisse der Fernerkundung [Kurze Inhaltsbeschreibung]:
Dieser Inhalt umfasst hauptsächlich Fernerkundungsdaten, PROSAIL-Modell, DSSAT-Modell, Parametersensitivitätsanalyse, Datenassimilationsalgorithmus, Modellkopplung, Genauigkeitsüberprüfung und andere wichtige Verbindungen bei der Assimilationsmodellierung von Fernerkundungsdaten und Erntemodellen.
Thema 1: Grundlegende theoretische Kenntnisse der Fernerkundung
Fernerkundungsplattformen (wie UAVs) und Sensoren,
Grundprinzipien der Fernerkundung von großen in- und ausländischen Landsatelliten (wie Landsat, SPOT, HJ, GF), spektrale Antwortfunktionen und Verfahren zur Verarbeitung von Fernerkundungsdaten.
Anwendung der Fernerkundung in der Überwachung terrestrischer Ökosysteme
Thema 2: Forschungsfortschritte im In- und Ausland zur Überwachung des Pflanzenwachstums und zur Ertragsschätzung
Überprüfung inländischer und ausländischer Forschungsergebnisse
und Analyse von Forschungsfällen
Thema 3: Fortran-Programmiersprache
Softwareinstallation
(mit XP/Win7/Win8/Win10 Professional Notebook),
Erstellung von Projektdateien und grundlegende Syntaxoperationen
Thema 4: Grundprinzipien der Fernerkundungsinversion von Pflanzenparametern
Arten von Pflanzenparametern, die durch Fernerkundung ermittelt werden
: Biochemische Komponenten (Chlorophyll, Stickstoff, Trockenmasse, Blattfeuchtigkeitsgehalt, Anthocyane)
Biophysikalische Parameter (LAI, LAD, Pflanzenhöhe, Biomasse)
Physiologische und ökologische Parameter (FPAR, ET)
Fernerkundung von Pflanzen Parameter Inversionsmodell: empirisches Modell, lineares Modell, exponentielles Modell, logarithmisches Modell
Physikalisches Modell: Strahlungstransfermodell, geometrisches Optikmodell, Hybridmodell, Computersimulationsmodell
Vergleichende Analyse verschiedener Methoden
Thema 5: PROSAIL-Modell
Eingabeparameter: LAI/LAD/Chlorophyll/Anthocyan/Trockenmasse/Carotinoide/Feuchtigkeitsgehalt/…
Ausgabeparameter: Reflexion des Vegetationsdachs.
Nehmen Sie den FORTRAN-Code als Beispiel, um den Reflexionssimulationsprozess auf dem Computer zu simulieren,
um Blattreflexion und -durchlässigkeit zu simulieren. Rate
Simuliert die hyperspektrale Reflexionskurve des Vegetationsdachs bei 400–2500 nm.
Simuliert die multispektralen Reflexionsdaten von Fernerkundungssensoren wie Landsat OLI und MODIS
Thema 6: Parametersensitivitätsanalyse
Auswahl der zu optimierenden Parameter,
lokale Sensitivitätsanalyse,
globale Sensitivitätsanalyse: Einführung in die EFAST-Sensitivitätsanalysemethode, SIMLAB-Softwarebetriebsprozess, globale Sensitivitätsanalyse der PROSAIL-Modellparameter
Thema 7 : Kostenfunktionslösung im Fernerkundungsinversionsprozess
Kostenfunktionskonstruktion: Inversionsmethode, Inversionsparameter, „schlecht konditionierte“ Probleme, Vorwissen, Funktionsextremwertproblem
Einführung in den Inversionsalgorithmus: Nachschlagetabelle für Optimierungstechnologie, neuronales Netzwerk, simuliertes Tempern
Analyse von Anwendungsfällen
Thema 8: Fernerkundungsinversion von Ernteparametern basierend auf der Nachschlagetabellenmethode + dem PROSAIL-Modell
Prinzip der Nachschlagetabelle,
Implementierung der Nachschlagetabelle,
Fernerkundungsinversion von Ernteparametern basierend auf der Nachschlagetabelle und dem PROSAIL-Modell
Thema 9: Fernerkundungsinversion von Ernteparametern basierend auf einem Optimierungsalgorithmus + PROSAIL-Modell
Lösen Sie den Extremwert der Kosten-/Zielfunktion. Lösen Sie
den Extremwert der Testfunktion.
Lösen Sie die PROSAIL-Modellparameter mit dem Optimierungsalgorithmus. Extrahieren Sie
den optimalen Wert der zu lösenden Ernteparameter
Thema 10: Programmierter Ausdruck und Betrieb von Pflanzenmodellen
Modellklassifizierung: empirisches Modell, halbmechanisches Modell, mechanistisches Modell. Modellauswahlprinzipien
. Modell-
Debugging
. Vergleichende Analyse der Modellkalibrierung.
Anwendungsfallanalyse des
Modellbetriebs (am Beispiel des DSSAT-Erntemodells, FORTRAN-Quellcode): Entwicklung der Zeit Reihenvegetationsparameter (z. B. Blattflächenindex) Simulation, Zeitreihenänderungen von Pflanzenparametern (z. B. LAI) und Ertragssimulationsprozess
Thema 11: Modellierungsprinzipien für Nutzpflanzenmodelle und Fernerkundungsdatenassimilation
Die Notwendigkeit der Kopplung von Pflanzenmodellen und Fernerkundungsbeobachtungen: Vor- und Nachteile von Pflanzenmodellen, Vor- und Nachteile von Fernerkundungsbeobachtungen, Notwendigkeit der Kopplung Kopplungsmethode
: Fahrmethode, Prinzip, Programmimplementierungsprozess, Anwendungsbeispiele
Datenassimilationsmethode: Entwicklungsgeschichte, Einführung in den Datenassimilationsalgorithmus, Methode Vergleichende Analyse
Sensitivitätsanalyse von Pflanzenmodellparametern: Zu optimierende Parameterauswahl, lokale Sensitivitätsanalyse, globale Sensitivitätsanalyse
Assimilation von Pflanzenmodellen und Fernerkundungsdaten: Assimilation von Fernerkundungsinversionsergebnissen (z. B. LAI-Fernerkundungsprodukte). ), Assimilation des Reflexionsvermögens der Fernerkundungsbeobachtung
Thema 12 Programmierte Implementierung des Erntemodells und der Fernerkundungsinversionswert-Assimilationsmodellierung (erste Methode)
Fortrtan-Betriebsplattform
Fernerkundungs-Inversionsergebnisse (z. B. Blattflächenindex)
Erntemodell
Variationsalgorithmus
Kostenfunktionskonstruktion
Iterative Lösungsausgabe
: Zeitreihenänderungen wichtiger Ernteparameter, Ertragsschätzungsergebnisse, regionale Kartierung
Thema 13 Programmierte Implementierung des Erntemodells und der Fernerkundungsreflexions-Assimilationsmodellierung (zweite Methode)
Forrttan-Betriebsplattform
Fernerkundungsbeobachtungs-Reflexionsvermögens-
Erntemodell
Vegetationskronen-Reflexionsvermögensmodell
PROSAIL-Vorwärtsmodell-Reflexionssimulation
Gekoppelte Modellkonstruktion (Pflanzenmodell + Überdachungsreflexionsmodell) Variationsalgorithmus
Kostenfunktionskonstruktion
Iterative
Lösungsausgabe
: Zeitreihenänderungen wichtiger Ernteparameter, Ertragsschätzungsergebnisse, regionale Kartierung
[Andere verwandte Empfehlungen]:
Praktische technische Anwendung des WOFOST-Modells und des PCSE-Modells