Improving regional winter wheat yield estimation by assimilating cross-scale heterogeneity information from UAV and satellite remote sensing
Zhikai Cheng · Xiaobo Gu · Yang Xu 等 10 人
构建跨尺度数据同化框架，融合无人机与卫星遥感提升区域冬小麦产量估算精度。
UAV-Sentinel数据、混合密度网络升尺度、改进粒子滤波同化WOFOST模
联合同化LAI、AGB与SMC-10最优，R²=0.83，跨年与跨区表现稳定。
可探索异质农田下多源遥感与作物模型同化的普适性及低成本无人机采样优化。
该研究提出跨尺度数据同化框架，融合无人机与卫星遥感提升区域冬小麦估产精度，方法新颖、验证充分，对精准农业与农业遥感应用具有较高参考价值。
在异质性农业系统中，实现准确的高分辨率冬小麦产量估算仍具挑战性。传统产量估算方法受限于较高不确定性（基于过程的作物模型）或可迁移性较弱（基于遥感数据的统计模型），后者源于物理知识不足和样本量稀缺。数据同化为克服这些局限提供了一种有前景的途径，但其性能受到同化网格内异质性信息被忽略的制约，尤其是在低强度农业系统中。因此，我们开发了一种新的跨尺度数据同化框架，通过将无人机（UAV）和卫星遥感与WOFOST作物模型相结合，提升冬小麦产量估算。首先，无人机获取的作物-土壤参数，包括叶面积指数（LAI）、地上生物量（AGB）以及10和20 cm深度土壤水分（SMC-10和SMC-20），作为连接原位采样数据与Sentinel卫星影像的桥梁。接下来，采用混合密度网络（MDN）构建升尺度模型以预测概率分布，从而获得每个卫星像元内作物-土壤参数的分布，作为田块异质性信息。最后，通过改进的粒子滤波器将这些异质性分布纳入WOFOST，以生成区域尺度的高分辨率产量（10 m × 10 m）估算。结果表明，利用随机森林结合多光谱和热红外无人机影像构建了稳健的作物-土壤参数反演模型（R²：0.73–0.88；NRMSE：12.30%–22.83%）。MDN通过无人机-卫星升尺度方法量化了作物-土壤参数的像元内异质性。LAI、AGB和SMC-10的联合同化使基于MDN的跨尺度数据同化取得了最优的冬小麦产量估算性能（2024–2025年R² = 0.83，NRMSE = 15.70%），优于基于卫星和基于均值的跨尺度同化。所提出的框架在咸阳表现出稳定的年际性能（2017–2023年RMSE ≤758 kg ha⁻¹，NRMSE ≤17.20%），并在两个外部冬小麦区域具有合理的可迁移性（保定和昌吉RMSE ≤943 kg ha⁻¹；NRMSE ≤18.29%）。总体而言，该跨尺度数据同化框架在小麦产量估算中表现出较强性能，可为集约化农业发展提供科学支持。