基于集合卡尔曼滤波的PyWOFOST模型

基于集合卡尔曼滤波的PyWOFOST模型

在东北玉米估产中的适用性验证

摘要：以叶面积指数(LAI)为结合点，引入基于集合卡尔曼滤波(Ensemble Kalman Filter，EnKF)的作物模型一遥感信息耦合模型PyWOFOST，利用气象数据、农业气象记录观测表

数据及MODIS LAI数据检验PyWOFOST模型在东北玉米种植区的适用性

遥感和作物模型的结合研究方法包括驱动法，即直接将遥感反演值代人到作物模型中驱动模型的运转，以及数据同化法，即通过调整模型中与作物生长发育和产量形成密切相关的、其它方法难以获得的初始条件和参数来缩小遥感观测值与相应的模型模拟值之间的差距，从而达到估计这些初始值和参数值的目的，简称同化法。EnKF是顺序数据同化方法的经典代表，与连续数据同化方法相比，顺序同化方法充分考虑了观测误差及模型误差，即观测和模型的不确定性。

1 资料和方法

集合卡尔曼滤波原理：《条件植被温度指数的四维变分与集合卡尔曼同化方法》WOFOST模拟得到的逐日LAI集合即为A（预报矩阵），MODIS LAI集合即为观测向量D。1．4．2 模型参数的同化

选取LAI作为遥感信息和作物模型的结合点，即通过同化外部观测的LAI序列(MODIS LAI 数据)和WOFOST模拟的LAI序列，当使两个序列差值绝对值之和(即目标函数)最小时的参数，即为最优参数，在此最优参数下作物模型模拟得到的产量即为最佳产量。