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
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（R2）、 均方根误差（RMSE）值分别为0.986 5和0.183 6。 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。
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 Leaf area index Long short-term memory World food studies Data assimilation MODIS LAI remote sensing image
1 中国科学院安徽光学精密机械研究所中国科学院大气成分与光学重点实验室， 安徽 合肥 230031
2 中国科学技术大学研究生院科学岛分院， 安徽 合肥 230031
大气温度廓线是气候、气象以及大气辐射传输计算中的重要参数。利用中分辨率成像光谱仪(MODIS)的测量数据反演的产品在扫描带上约每间隔500 m×500 m即存在一个温度廓线数据，垂直空间分辨率约为1 km。基于最优插值法，使用地面探空站点的月均数据对MODIS反演的大气廓线进行校正。在有地面探空站点的地区，将校正后的结果与当天实时地面探空探测的廓线进行对比，得到的平均误差和均方根误差均减小了10%以上。在没有地面探空站点的地区，采用周围几个站点月均数据的加权平均对MODIS数据进行校正，将校正结果与当天实时释放的探空气球数据进行对比，发现平均误差和均方根误差均大幅减小。
大气光学 大气温度廓线 数据同化 中分辨率成像光谱仪 激光与光电子学进展
2017, 54(7): 070101
1 国家卫星气象中心，北京100081
2 北京大学 地球与空间科学学院遥感所，北京100871
发展了一个基于短波红外垂直失水指数的土壤水分观测误差空间分析方法，据此改进了以遥感和生态过程模型为基础的两阶段土壤水分同化方案.通过实地同化实验，证明了改进的土壤水分同化方案能较好地体现空间植被覆盖和数量的异质性导致的表层土壤水分的空间变异，进一步提高了遥感数据在空间上的同化精度.
短波红外垂直失水指数 观测误差 土壤水分 数据同化 BEPS模型 shortwave infrared perpendicular water stress inde observation error soil moisture data assimilation boreal ecosystem productivity simulator (BEPS)
北京师范大学地理学与遥感科学学院， 遥感科学国家重点实验室， 北京100875
基于MODIS LAI产品数据集(MOD15A2)构建经验性的LAI动态模型， 以LAI作为连接参数， 将LAI动态模型与植被辐射传输模型MCRM2相耦合， 提出了将耦合模型与时间序列MODIS反射率观测数据集(MOD09A1)同化进行LAI反演的方案。 将集合卡尔曼平滑(EnKS)方法引入到LAI同化反演中， 为更好地评价该算法的适用性， 还与集合卡尔曼滤波(EnKF)的LAI反演结果、 MODIS LAI产品进行了比较分析。 研究结果表明， 采用EnKS方法的反演结果较为理想， 与EnKF方法和MODIS LAI相比， EnKS方法反演的LAI时间廓线更平滑， 更具连续性， 符合实际的植被生长规律。 基于EnKS方法的LAI反演方案， 为提取时间连续的LAI廓线提供了一种有效的途径。
叶面积指数 数据同化 集合卡尔曼平滑 Leaf area index Data assimilation MODIS MODIS Ensemble Kalman smoother 光谱学与光谱分析
2011, 31(9): 2485
1 湖南商学院 信息学院，长沙 410205
2 武汉大学 测绘遥感信息工程国家重点实验室，武汉 430079
针对现有融合方法不易根据后续处理目的对融合规则进行自适应调整，不同方法的优点不易综合的问题，提出一个基于数据同化和差分进化算法的图像融合框架.在该框架下，将基于非采样下的Contourlet变换作为模型算子，离散小波变换作为观测算子，可根据后续处理对图像各个属性指标值的依赖程度确定各个属性指标的权重，构造由图像各个属性评价指标的加权和所组成的目标函数，再利用差分进化算法来优化目标函数，从而获取更合适的图像.二组实验从视觉效果和量化指标(标准方差、平均梯度、熵、空间频率及均方根交叉熵)两方面验证了该框架的有效性.
图像融合 数据同化 差分进化算法 Image fusion Data assimilation Differential evolution algorithm
Author Affiliations
Abstract
Institute of Geo-Spatial Information Science and Technology, University of Electronic Science and Technology of China, Chengdu 610054
A simple data assimilation method for improving estimation of moderate resolution imaging spectroradiometer (MODIS) leaf area index (LAI) time-series data products based on the gradient inverse weighted filter and object analysis is proposed. The properties and quality control (QC) of MODIS LAI data products are introduced. Also, the gradient inverse weighted filter and object analysis are analyzed. An experiment based on the simple data assimilation method is performed using MODIS LAI data sets from 2000 to 2005 of Guizhou Province in China.
遥感 数据同化 叶面积指数 梯度倒数加权滤波 客观分析 280.0280 Remote sensing and sensors 100.0100 Image processing 110.3000 Image quality assessment Chinese Optics Letters
2007, 5(6): 367
