文献类型：期刊文章

作　　者：龙泽昊[1] 秦其明[1,2,3] 张添源[1] 许伟[1]

LONG Ze-hao;QIN Qi-ming;ZHANG Tian-yuan;XU Wei(Institute of Remote Sensing and Geographical Information System,School of Earth and Space Science,Peking University,Beijing 100871,China;Geographic Information Foundation Software and Application Engineering Technology Research Center,Beijing 100871,China;Beijing Key Lab of Spatial Information Integration and 3S Application,Beijing 100871,China)

机构地区：[1]北京大学地球与空间科学学院遥感与地理信息系统研究所,北京100871 [2]地理信息基础软件与应用工程技术研究中心,北京100871 [3]空间信息集成与3S工程应用北京市重点实验室,北京100871

出　　处：《光谱学与光谱分析》

基　　金：高分辨率对地观测系统重大专项(11-Y20A16-9001-17/18);国家自然科学基金项目(41771371);国家自然科学基金国际合作项目(61661136006)资助

年　　份：2020

卷　　号：40

期　　号：3

起止页码：898-904

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、INSPEC、JST、PUBMED、RCCSE、RSC、SCIE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：连续时序的叶面积指数(LAI)可反映冬小麦长势的变化情况,预测冬小麦未来时段的LAI对指导田间管理决策具有重要作用。以WOFOST(World Food Studies)为代表的作物生长模型可通过模拟冬小麦的生长发育过程对未来LAI曲线进行预测,但其预测过程依赖于未来的气象数据等难以获取的输入参数。由于冬小麦的LAI时序变化具有连续性和规律性的特点,可通过深度学习方法仅以历史LAI为输入参数对未来LAI进行预测,但深度学习方法需要大量样本参与训练,训练样本的稀缺性限制了其在LAI预测方面的实际应用。针对上述问题,通过数据同化方法将遥感数据与WOFOST模型相结合,采用SCE(Shuffled Complex Evolution)算法最小化校正后的MODIS LAI产品与模型模拟LAI之间差值来优化作物模型初始参数,从而构建出京津冀地区15年的逐日冬小麦LAI数据集。在该数据集基础上,利用长短期记忆网络(LSTM)分别建立了不同输入历史LAI天数的多个冬小麦预测模型,探究了不同预测模型表达冬小麦生育期中LAI变化规律的能力。结果表明:基于LSTM网络的预测模型都能较好进行冬小麦LAI未来曲线变化的预测,其中当模型输入LAI长度为20时,预测冬小麦从返青到成熟阶段的LAI精度最高,其决定系数(R^2)、均方根误差(RMSE)值分别为0.9865和0.1836。对于冬小麦生长各个阶段,预测模型对于返青至开花期的预测精度高,开花至成熟期的预测精度稍有降低。总体而言,构建训练数据集的方法对于深度学习方法在相似问题中的应用具有借鉴意义,建立的预测模型验证了LSTM网络对于冬小麦时序LAI曲线具有较好的预测能力,为预测作物未来时序LAI提供了一种有效的方法。

关 键 词：叶面积指数 长短期记忆网络  WOFOST模型 数据同化 MODIS LAI遥感影像  

分 类 号：TP79]