当前位置: 首页 > 关键技术 > 气候影响评估  
收藏此页 | 保护视力色:
关中地区干旱遥感监测与预测研究
日期:2014-10-15     来源:杨凌示范区科技信息中心    
 
       1 研究区域数据收集、整理与分析
       1) MODIS卫星遥感数据产品的处理
       收集和整理了以关中平原为主的研究区域的2013年的Terra/Aqua-MODIS等卫星遥感数据产品(日反射率产品(MOD09GA和MYD09GA)、日地表温度产品(MOD11A1和MYD11A1)、8天合成值地表温度产品(MOD11A2和MYD11A2)和16天合成值植被指数产品(MOD13A2和MYD13A2)以及地表覆盖产品(MOD12Q1))等。
       2 )气象数据的收集、整理及CERES-Wheat模型的标定和本地化
       CERES-Wheat模型的输入数据主要包括:气象数据、土壤数据、田间管理数据和作物品种遗传特性参数,其中遗传参数文件(.CUL)存储着用户可调的7个作物品种遗传特性参数,这些参数控制着作物生长发育进程,直接关系到作物产量的形成,因此模型在应用前需对这些参数进行标定。
整理了运行CERES-Wheat模型所需的气象数据(30多年)、土壤数据和田间管理数据。
       进行模型参数标定主要分为以下四个步骤:(1)检验模拟的播种日期与成熟日期与实测日期是否吻合;(2)模型模拟的冬小麦生育期总天数与实际情况是否吻合;(3)检验模拟的LAI值和实测的LAI是否接近,以及与LAI最大值出现日期是否接近;(4)验证模拟的最终产量与实测产量是否接近。
       2 基于相空间重构与RBF神经网络模型的干旱预测应用
       基于AVHRR卫星数据生成的90旬(2000-2009年每年3-5月)的VTCI时间序列数据进行干旱预测模型的研发。首先选用自相关法计算VTCI时间序列的延迟时间,再利用G-P算法通过计算吸引子的维数,在原系统中建立一个嵌入空间,利用吸引子维数与系统相空间维数之间的关系,得到系统重构相空间的维数,对原始时间序列进行相空间重构。应用径向基函数(RBF)神经网络模型对重构后的时间序列进行建模分析,并得到预测结果。
       3 基于ARIMA系列模型的干旱预测
       由于在实际问题中所能得到的数据只是时间序列的有限观测样本。时间序列分析的主要任务是根据观测数据的特点为数据建立尽可能合理的统计模型。然后利用模型的统计特性去解释数据的统计规律,以期达到控制或预测的目的。作为时间分析方法之一的自回归求和移动平均模型(Autoregressive Integrated Moving Average models,ARIMA),主要是从序列自相关的角度揭示时间序列的发展规律。相对于谱分析方法,它具有理论基础强、操作步骤规范、分析结果易于解释的优点。目前ARIMA模型已广泛应用于自然科学和社会科学的各个领域,成为时间序列分析的主流方法。
 
 
(资料来源:中国农业大学)