摘要
小麦是世界上最重要的粮食作物之一，有超过1/3的人口以小麦为主粮。准确描述冬小麦的生长过程及其氮素状态对于保障粮食安全、减少环境污染有着重要的意义。首先，高光谱遥感是作物氮素监测的重要手段，传统的回归方法很难处理高维非线性的高光谱数据，而深度学习又通常需要大量的数据，因此在少量数据条件下构建冬小麦冠层高光谱反演叶片氮含量的深度学习模型是非常必要的。其次，考虑到作物模型具有结构、参数和输入等多种不确定性，并且在实际应用中会遇到不同的水氮情景，故而针对冬小麦作物生长模型开展情景-过程/参数的敏感性分析对于理解冬小麦生长规律和模型优化具有重要意义。最后，数据同化方法可以通过权衡观测和模型的不确定性，实现准确的作物生长模拟，但关于水氮状态耦合的数据同化研究仍然欠缺，因此开展水氮数据联合驱动的作物模型数据同化系统研究对冬小麦的氮素状态模拟和产量估计具有重要价值。 围绕“冬小麦氮素诊断及水氮联合数据同化研究”主题和三个科学问题：（1）冬小麦叶片氮含量的高光谱数据特征及深度学习解译方法；（2）不同情景下SWAP模型在冬小麦生长模拟中的过程及参数敏感性规律；（3）水氮联合数据对冬小麦生长模型的驱动作用。本文开展了三个方面的研究，其主要内容与结论如下： （1）基于四年的冬小麦田间冠层高光谱数据，构建了两种机器学习模型（支持向量机与随机森林）和两种深度学习模型（多层感知器与深度森林）来反演叶片氮含量，分析了四种模型在不同数据集、不同光谱波段上的性能差异。结果表明：在四种估算叶片氮含量的模型中，深度森林模型的精度最高，以全波段光谱反演冬小麦叶片氮含量为例，深度森林在预测集上的R2为0.85，RMSE为0.34，RRMSE为0.09。机器学习模型在不同光谱波段上的表现不稳定，而深度学习模型精度整体上高于机器学习模型，并且模型的鲁棒性更好。此外，深度森林模型还可以适用于不同作物（冬小麦和水稻）的氮素估计，并且都能达到很高的预测精度，其在预测集上的R2都能达到0.82以上，RMSE均低于0.40，RRMSE均低于0.13。 （2）将基于方差分解的全局敏感性分析方法和分层的敏感性分析框架融合进SPAC系统中，基于土壤-水分-大气-作物（SWAP）模型进行了冬小麦生长模拟的情景、过程和参数敏感性分析。结果表明：在SWAP模型分层敏感性分析框架中，模型过程的方差占产量模拟总方差的0.68，情景的方差占比为0.32，过程的不确定性在冬小麦产量模拟中起主导作用。土壤水运动过程和氮素运移转化过程对产量的影响很大，敏感性指数分别为0.20和0.30；蒸腾作用过程、光合作用过程和干物质分配过程的敏感性较小。在不同情景的模拟中，水分过程对作物产量模拟的影响随着土壤水分供给的增加而减小，在水分充足条件下几乎没有影响。而氮素过程模拟冬小麦产量的不确定性受到水分条件的影响。在水分充足的情景中，氮素过程会对产量的模拟产生一定的影响，这种影响会随施氮量的增加而减小；在水分供给不足的情景中，产量模拟的不确定性主要来源于水分过程，对氮素过程都不敏感。四种状态变量对参数FRNX和TCSF_N都比较敏感；SPAN对后期冬小麦LAI和LNC的模拟影响较大；NPAR和OSAT在水分不足的情景中敏感性较高。 （3）将SWAP模型和集合卡尔曼滤波（EnKF）同化算法结合起来，建立起同时更新冬小麦水氮状态的SWAP-EnKF数据同化系统，研究了土壤含水量（SM）、叶面积指数（LAI）和叶片氮累积量（LNA）的观测组合形式对数据同化系统模拟效果的影响，对比分析了不同观测频率、观测误差和同化策略在模拟冬小麦生长时的效果差异。结果表明：SWAP-EnKF数据同化系统通过整合模型模拟和观测，同时更新SM、LAI和LNA可以获得更加准确的作物氮素诊断和产量估计。观测频率的减小会导致作物早期生长模拟的误差增大，但是并不影响最终的产量估计；考虑到观测具有一定的成本，在实际应用中每个生育期一次的观测即可满足需求。采用相对观测误差的方法对于冬小麦早期的生长状态模拟更加准确；但是在作物生长的后期模拟中，对于产量估计的效果反而变差，主要是由于其LAI和LNA在早期模拟中误差迅速减小至很低的水平，导致模型的参数没有及时更新。SSPE（同时更新模型状态和参数）同化策略在SWAP-EnKF数据同化系统中要优于USO（只更新模型状态）同化策略，因为USO策略的参数具有很大的误差，而SSPE策略获得了更加准确的参数。 总而言之，本文围绕“冬小麦氮素诊断及水氮联合数据同化研究”展开了较为系统的研究，相关成果在冬小麦氮素诊断、作物模型的校准与优化以及冬小麦生长发育过程模拟方面具有一定的价值，对保障冬小麦粮食安全、优化氮肥施用和减少环境污染方面具有一定的意义。
NETL