Improving Maize Yield Estimation Accuracy by Integrating Satellite Remote Sensing Data and the WOFOST Model Through Data Assimilation
Xuqing Li · Zekun Zhang · Zhihe Hu 等 7 人
通过数据同化整合卫星遥感与WOFOST模型，提高夏玉米产量估算精度。
GF-1影像反演LAI，结合土壤水分，用EnKF和4D-Var同化进WOFOST
CNN反演LAI最准，EnKF同化产量估算最优，集合大小100最佳，抽雄至灌浆期同化效果最好。
可探索不同作物、区域及同化策略的泛化性，或结合多源遥感与深度学习改进LAI反演及同化效率。
研究结合遥感与WOFOST模型提升玉米产量估测精度，方法新颖且结论可靠，对精准农业有参考价值。
在气候变化加剧的背景下，提高产量估算精度对于粮食安全和精准农业管理至关重要。本研究旨在提升夏玉米产量估算精度。利用GF-1影像提取植被指数用于叶面积指数（LAI）建模；植被指数-LAI模型采用偏最小二乘回归（PLSR）、随机森林（RF）、极端梯度提升（XGBoost）、支持向量回归（SVR）、卷积神经网络（CNN）和类别特征增强梯度提升（CatBoost）等方法。将反演的夏玉米LAI及实测土壤水分（SM）通过集合卡尔曼滤波（EnKF）和四维变分同化（4D-Var）同化到校准后的世界粮食研究（WOFOST）模型中。分析了集合规模和同化时段对产量模拟精度的影响。结果表明，所有机器学习模型均能有效反演LAI，其中在本研究评价条件下CNN取得了最高精度。与未同化情景相比，数据同化显著提高了基于WOFOST的玉米产量估算精度；EnKF在产量估算中表现最佳，而4D-Var在本研究试验条件下产生的LAI模拟误差略低于EnKF。在评估的集合规模中，集合规模为100时产量预测误差最低，而在本研究所考察条件下，抽雄至灌浆期的同化比全生育期连续同化产生了更低的产量预测误差。总体而言，数据同化有效提高了基于WOFOST的玉米产量估算精度，并支持区域作物监测和精准农业管理。