Das Suchergebnis hat sich seit Ihrer Suchanfrage verändert. Eventuell werden Dokumente in anderer Reihenfolge angezeigt.
  • Treffer 48 von 50
Zurück zur Trefferliste

Towards a spatially distributed concept for cotton growth modeling by coupling the APSIM model with optical remote sensing data

Auf dem Weg zu einem räumlich verteilten Konzept für die Baumwollwachstumsmodellierung durch Kopplung des APSIM-Modells mit optischen Fernerkundungsdaten

  • This study aims to estimate the cotton yield at the field and regional level via the APSIM/OZCOT crop model, using an optimization-based recalibration approach based on the state variable of the cotton canopy - the leaf area index (LAI), derived from atmospherically corrected Landsat-8 OLI remote sensing images in 2014. First, a local sensitivity and global analysis approach was employed to test the sensitivity of cultivar, soil and agronomic parameters to the dynamics of the LAI. After sensitivity analyses, a series of sensitive parameters were obtained. Then, the APSIM/OZCOT crop model was calibrated by observations over a two-year span (2006-2007) at the Aksu station, combined with these sensitive cultivar parameters and the current understanding of cotton cultivar parameters. Third, the relationship between the observed in-situ LAI and synchronous perpendicular vegetation indices derived from six Landsat-8 OLI images covering the entire growth stage was modelled to generate LAI maps in time and space. Finally, the Particle Swarm Optimization (PSO) and general-purpose optimization approach (based on Nelder-Mead algorithm) were used to recalibrate four sensitive agronomic parameters (row spacing, sowing density per row, irrigation amount and total fertilization) according to the minimization of the root-mean-square deviation (RMSE) between the simulated LAI from the APSIM/OZCOT model and retrieved LAI from Landsat-8 OLI remote sensing images. After the recalibration, the best simulated results compared with observed cotton yield were obtained. The results showed that: (1) FRUDD, FLAI and DDISQ were the major cultivar parameters suitable for calibrating the cotton cultivar. (2) After the calibration, the simulated LAI performed well with an RMSE and mean absolute error (MAE) of 0.45 and 0.33, respectively, in 2006 and 0.46 and 0.41, respectively, in 2007. The coefficient of determination between the observed and simulated LAI was 0.83 and 0.97, respectively, in 2006 and 2007. The Pearson- correlation coefficient was 0.913 and 0.988 in 2006 and 2007, respectively, with a significant positive correlation between the simulated and observed LAI. The difference between the observed and simulated yield was 776.72 kg/ha and 259.98 kg/ha in 2006 and 2007, respectively. (3) Cotton cultivation in 2014 was obtained using three Landsat-8 OLI images - DOY136 (May), DOY 168 (June) and DOY 200 (July) - based on the phenological differences in cotton and other vegetation types. (4) The yield estimation after the assimilation closely approximated the field-observed values, and the coefficient of determination was as high as 0.82, after recalibration of the APSIM/OZCOT model for ten cotton fields. The difference between the observed and assimilated yields for the ten fields ranged from 18.2 to 939.7 kg/ha. The RMSE and MAE between the assimilated and observed yield was 417.5 and 303.1 kg/ha, respectively. These findings provide scientific evidence for the feasibility of coupled remote sensing and APSIM/OZCOT model at the field level. (5) Upscaling from field level to regional level, the assimilation algorithm and scheme are both especially important. Although the PSO method is very efficient, the computational efficiency is also the shortcoming of the assimilation strategy on a regional scale. Comparisons between the PSO and general-purpose optimization method (based on the Nelder-Mead algorithm) were implemented from the RSME, LAI curve and computational time. The general-purpose optimization method (based on the Nelder-Mead algorithm) was used for the regional assimilation between remote sensing and the APSIM/OZCOT model. Meanwhile, the basic unit for regional assimilation was also determined as cotton field rather than pixel. Moreover, the crop growth simulation was also divided into two phases (vegetative growth and reproductive growth) for regional assimilation. (6) The regional assimilation at the vegetative growth stage between the remote sensing derived and APSIM/OZCOT model-simulated LAI was implemented by adjusting two parameters: row spacing and sowing density per row. The results showed that the sowing density of cotton was higher in the southern part than in the northern part of the study area. The spatial pattern of cotton density was also consistent with the reclamation from 2001 to 2013. Cotton fields after early reclamation were mainly located in the southern part while the recent reclamation was located in the northern part. Poor soil quality, lack of irrigation facilities and woodland belts of cotton fields in the northern part caused the low density of cotton. Regarding the row spacing, the northern part was larger than the southern part due to the variation of two agronomic modes from military and private companies. (7) The irrigation and fertilization amount were both used as key parameters to be adjusted for regional assimilation during the reproductive growth period. The result showed that the irrigation per time ranged from 58.14 to 89.99 mm in the study area. The spatial distribution of the irrigation amount is higher in the northern part while lower in southern study area. The application of urea fertilization ranged from 500.35 to 1598.59 kg/ha in the study area. The spatial distribution of fertilization was lower in the northern part and higher in the southern part. More fertilization applied in the southern study area aims to increase the boll weight and number for pursuing higher yields of cotton. The frequency of the RSME during the second assimilation was mainly located in the range of 0.4-0.6 m2/m2. The estimated cotton yield ranged from 1489 to 8895 kg/ha. The spatial distribution of the estimated yield is also higher in the southern part than the northern study area.
  • Diese Studie zielt darauf ab, den Baumwollertrag auf dem Feld und auf regionaler Ebene über das APSIM/OZCOT-Ertragsmodell zu schätzen, wobei ein optimierungsbasierter Rekalibrierungsansatz auf Grundlage eines den Wachstumszustand der Baumwolle beschreibenden Parameters entwickelt wird. Genutzt wird dazu der Parameter "Blattflächenindex" (LAI), abgeleitet aus atmosphärisch korrigierten Satellitenbildern des Landsat-8 OLI Sensors aus dem Jahr 2014. Zuerst wurden ein lokaler sowie ein globaler Ansatz eingesetzt, um die Sensitivität von Sorten-, Boden- und agronomischen Parametern auf die Dynamik des LAI zu testen. Mit der Sensitivitätsanalyse wurde eine Reihe sensitiver Parameter identifiziert. Dann wurde das APSIM/OZCOT-Ertragsmodell durch Beobachtungen über eine zweijährige Spanne (2006-2007) an der "Aksu Water Balance Station" kalibriert und mit den sensitiven Sortenparametern und dem aktuellen Wissen über Baumwoll-Sortenparameter kombiniert. Zusätzlich wurde die Beziehung zwischen dem tatsächlich in-situ beobachteten LAI und entsprechenden, aus sechs Landsat-8 OLI-Bildern abgeleiteten Vegetationsindizes modelliert. Darauf basierend wurden räumlich und zeitlich variable LAI-Karten generiert, die alle Wachstumsstufen abdecken. Mittels Particle Swarm Optimization (PSO) und eines generellen Optimierungsansatzes (basierend auf dem Nelder-Mead Algorithmus) wurden vier sensitive agronomische Parameter (Reihenabstand, Aussaatdichte pro Reihe, Bewässerungsmenge und Düngung) durch Minimierung des root mean square error (RMSE) zwischen simuliertem LAI (APSIM/OZCOT-Modell) und dem aus Landsat-8 OLI Satellitenbilddaten abgeleiteten LAI im Vergleich zum beobachteten Baumwollertrag kalibriert. Die Ergebnisse zeigten, dass: (1) FRUDD, FLAI und DAISQ die wichtigsten Sortenparameter waren, die für die Kalibrierung der Baumwollsorte geeignet sind. (2) Nach der Kalibrierung zeigte sich, dass der LAI mit einem RMSE von 0,45 und einem mittleren Absolutfehler (MAE) von 0,33 im Jahr 2006 und 0,46 bzw. 0,41 im Jahr 2007 gut simuliert wird. Das Bestimmtheitsmaß zwischen beobachtetem und simuliertem LAI betrug in den Jahren 2006 und 2007 0,83 bzw. 0,97. Der Korrelationskoeffizient nach Pearson betrug 0,913 und 0,988 in 2006 bzw. 2007 mit einer signifikanten positiven Korrelation zwischen simuliertem und beobachtetem LAI. Der Unterschied zwischen dem beobachteten und dem simulierten Ertrag betrug 776,72 kg/ha im Jahr 2006 und 259,98 kg/ha in 2007. (3) Die Analyse des Baumwollanbaus im Jahr 2014 basierte auf drei Landsat-8 OLI-Bildern, welche die phänologischen Wachstumsunterschiede der Baumwolle und anderer Kulturen gut abbilden. Diese Satellitenbilder wurden am 136. (Mai), 168. (Juni) und 200. (Juli) Tag des Jahres aufgenommen. (4) Die Ertragsschätzung nach der Assimilation näherte sich dicht den im Feld beobachteten Werten und das Bestimmtheitsmaß lag nach der Neukalibrierung des APSIM/OZCOT-Modells für zehn Baumwollfelder bei 0,82. Der Unterschied zwischen den beobachteten und assimilierten Erträgen für die zehn Felder lag zwischen 18,2 und 939,7 kg/ha. RMSE und MAE zwischen assimiliertem und beobachtetem Ertrag betrugen 417,5 bzw. 303,1 kg/ha. Diese Ergebnisse liefern wissenschaftliche Nachweise für die Machbarkeit der Koppelung von Fernerkundungsdaten mit dem APSIM/OZCOT-Modell auf Feldebene. (5) Das Upscaling von der Feldebene auf regionale Ebene, der Assimilationsalgorithmus und das Assimilationsschema sind besonders wichtig. Obwohl die PSO-Methode gut geeignet ist, zeigt die rechnerische Effizienz der Assimilationsstrategie auf regionaler Ebene Mängel. Dies zeigen Vergleiche zwischen dem PSO und dem generellen Optimierungsansatz. Daher wurde der generelle Optimierungsansatz für die Assimilation zwischen Fernerkundungsdaten und dem APSIM/OZCOT-Modell auf regionaler Skalenebene verwendet. Zuletzt wurde die Assimilation auf regionaler Skalenebene nicht auf dem Rasterdatensatz, sondern objektorientiert für individuelle Parzelleneinheiten implementiert. Darüber hinaus wurde die Simulation des Pflanzenwachstums für die regionale Assimilation in zwei Phasen (vegetatives Wachstum und Fortpflanzungswachstum) unterteilt. (6) Die regionale Assimilation des aus Fernerkundungsdaten abgeleiteten LAI und dem APSIM/OZCOT-Modell während der vegetativen Wachstumsphase wurde durch die Anpassung von zwei Parametern implementiert: Zeilenabstand und Aussaatdichte pro Zeile. Die Ergebnisse zeigten, dass die Saatdichte der Baumwolle im südlichen Teil höher war als im nördlichen Teil des Untersuchungsgebietes. Das räumliche Muster der Baumwolldichte weist somit einen eindeutigen Zusammenhang mit Gebieten auf, die erst zwischen 2001 und 2013 auf tendenziell schlecht geeigneten Standorten neu erschlossen wurden. Schlechte Bodenqualität, mangelnde Bewässerungsanlagen und Waldgürtel um Baumwollfelder im nördlichen Teil bedingen dabei eine geringe Dichte der Baumwollpflanzen; zudem musste den Felder im nördlichen Teil ein größerer Reihenabstand zugewiesen werden, um abweichende Wachstumsverläufe zu erklären. (7) Die Bewässerungs- und Düngemenge wurden als weitere Schlüsselparameter für die regionale Assimilation während des Pflanzungswachstums verwendet. Das Ergebnis zeigte, dass die Bewässerungsgaben im Untersuchungsgebiet zwischen 58,14 bis 89,99 mm lagen. Die räumliche Verteilung der Bewässerungsmenge ist ebenfalls im nördlichen Teil höher, im südlichen Teil des Studiengebietes niedriger. Die Anwendung der Harnstoffdüngung reichte von 500,35 bis 1598,59 kg/ha im Untersuchungsgebiet. Die räumliche Verteilung der Düngung zeigte niedrigere Werte im nördlichen Teil und höhere im südlichen Teil. Die höhere Düngung im südlichen Studiengebiet zielt darauf ab, das Gewicht und die Anzahl der Baumwollkapseln zu erhöhen, um höhere Erträge zu erzielen. Während der zweiten Assimilation lag der RMSE hauptsächlich im Bereich zwischen 0,4 und 0,6 m2/m2. Der geschätzte Baumwollertrag reichte von 1489 bis 8895 kg/ha. Die räumliche Verteilung des geschätzten Ertrags ist im südlichen Teil höher als im nördlichen Teil des Untersuchungsgebietes.

Volltext Dateien herunterladen

Metadaten exportieren

Weitere Dienste

Teilen auf Twitter Suche bei Google Scholar
Metadaten
Verfasserangaben:Guilin Liu
URN:urn:nbn:de:hbz:385-11049
DOI:https://doi.org/10.25353/ubtr-xxxx-f17d-50a1
Betreuer:Joachim Hill
Dokumentart:Dissertation
Sprache:Englisch
Datum der Fertigstellung:15.12.2017
Veröffentlichende Institution:Universität Trier
Titel verleihende Institution:Universität Trier, Fachbereich 6
Datum der Abschlussprüfung:17.02.2017
Datum der Freischaltung:15.12.2017
Freies Schlagwort / Tag:APSIM-Modell; Alar; Datenassimilation; LAI; Landsat-8 OLI; Nordwestchina
APSIM model; Alar; LAI; Landsat-8 OLI; data assimilation; northwestern China
GND-Schlagwort:Alar; Baumwollpflanze; China (Nordwest); Datenassimilation; Landsat; Modellierung; Wachstum
Institute:Fachbereich 6 / Raum- und Umweltwissenschaften
DDC-Klassifikation:5 Naturwissenschaften und Mathematik / 55 Geowissenschaften, Geologie / 550 Geowissenschaften

$Rev: 13581 $