东北黑土区是我国玉米和大豆生产基地,为了实现利用AquaCrop模型优化管理和预测产量,本文基于作物小区田间试验和大田观测数据,采用OAT(one factor at a time)法分析了该模型参数的敏感性,率定了敏感性高的参数,并对率定后的模型进行了验证。结果表明:玉米和大豆产量均对影响经济产量的收获指数十分敏感,二者虽然对冠层和根系生长参数都敏感,但有所差异:玉米对冠层衰减系数(canopy decline coefficient,CDC)更为敏感,而大豆则对限制冠层伸展的水分胁迫系数曲线的形状因子(shape factor for water stress coefficient for canopy expansion,Pexshp)更为敏感;玉米因根系深对最大有效根深(maximum effective rooting depth,Zx)更敏感,大豆因根系浅对根区根系伸展曲线的形状因子(shape factor describing root zone expansion,Rexshp)更敏感。由于玉米需水量大,对冠层形成和枯萎前的作物系数(crop coefficient before canopy formation and senescence,KcTr,x)和归一化水分生产力(normalized water productivity,WP*)很敏感,大豆则是一般敏感。率定后模型模拟玉米产量与实测产量的回归系数由0.34提升至0.89,模拟大豆产量与实测产量的回归系数由0.80提升至0.88。进一步用大田实测产量的验证结果表明:预测的玉米与大豆产量与实测产量间回归方程的决定系数(coefficient of determination,R2)分别为0.775和0.779,均方根误差(root mean square error,RMSE)分别为1.076 t hm^–2和0.299 t hm^–2,标准均方根误差(normalized root mean square error,NRMSE)分别为0.097和0.178,模拟效率(model efficiency,ME)分别为0.747和0.730,率定后的AquaCrop模型能较精准地模拟东北黑土区玉米和大豆产量,可用于产量预测或优化管理。
随着获取的遥感数据越来越多,定量遥感正处于一个飞速发展的时期。本文从反演方法和遥感数据产品生成两个主要方面对近期陆表定量遥感的发展进行评述。由于大气—陆表系统的环境变量数远远超过遥感观测数,定量遥感反演的本质是个病态反演问题。在评述机器学习方法(包括人工神经网络、支持向量回归、多元自适应回归样条函数等)的应用基础上,重点关注克服病态反演的7种正则化方法:多源数据、先验知识、最优化反演的求解约束、时空约束、多反演算法集成、数据同化和尺度转换。定量遥感发展的另外一个显著特征是由数据提供者(比如数据中心)将观测的遥感数据转换成不同的地球生物物理化学参数产品,即遥感高级产品,并服务于数据使用者。概括介绍了北京师范大学牵头研发的GLASS(Global LAnd Surface Satellite)产品的新进展与全球气候数据集的研发情况。
