近日，中國農業科學院農業資源與農業區劃研究所農業綠色發展科學與工程團隊構建了格網化冬小麥產量估算模型，通過遙感數據同化與機器學習技術的深度融合，顯著提升了冬小麥區域產量預測的精度。相關成果以“Integrating remote sensing assimilation and SCE-UA to construct a grid-by-grid spatialized crop model can dramatically improve winter wheat yield estimate accuracy”為題發表在《農業計算機和電子技術（Computers and Electronics in Agriculture）》期刊上。
作物產量估算在農業政策制定、資源配置以及生產實踐中都具有重要作用。然而，傳統作物模型盡管在小范圍內有較高精度，但在區域尺度上應用卻面臨巨大挑戰，主要包括輸入參數需求高、數據獲取難、參數校準復雜等問題。為了克服這些瓶頸，研究團隊提出了一種基于網格的作物模型，利用多源數據構建精準的區域冬小麥產量模型，并結合最新的機器學習和遙感數據同化技術，嘗試在區域尺度上實現更高的產量預測精度。
該研究通過構建一個1公里分辨率的冬小麥格網化模型，將整個研究區域劃分為若干獨立的格網單元，每個單元輸入氣象、土壤、管理等多源數據進行作物生長模擬。團隊在此基礎上，使用了一種機器學習算法——隨機復雜演化算法（SCE-UA），以實現自動參數優化，提高模型的適應性和預測能力。此外，研究中還應用了兩種遙感數據同化方法：集成卡爾曼濾波（EnKF）和四維變分同化（4Dvar），通過將遙感葉面積指數（LAI）數據引入作物生長軌跡，進一步校正和優化模型模擬結果，從而有效降低了作物模型的不確定性。
實驗結果表明，該方法顯著提高了冬小麥產量估算的精度。具體而言，經過參數優化和數據同化后，模型的相關系數（R?）從0.53提升到0.94，均方根誤差（RMSE）從824.82 kg/ha降至148.48 kg/ha，冬小麥產量的估算精度大幅提升。研究發現，在幾種不同的優化和同化策略中，SCE-UA與4Dvar的結合效果最佳，使得格網化模型可以達到最高的模擬精度。
該研究成果具有重要的應用價值。首先，這一方法有效解決了傳統作物模型在區域尺度上難以精確估算的問題，為大范圍農業生產預測提供了新的技術思路。其次，通過對年際冬小麥產量的高精度模擬，模型能夠幫助農業管理者實時監測作物生長狀況并及時應對潛在問題。此外，該研究還推動了空間化作物模型與遙感技術的結合，為未來智能農業和精準農業的發展奠定了基礎。
盡管研究取得了顯著成果，團隊也指出該方法仍有進一步優化空間，例如，遙感數據的精度提升、模型參數的區域化校準等。未來，隨著遙感技術和機器學習算法的持續進步，這種空間化作物模型有望在全球范圍內得到推廣應用，為應對氣候變化和保障糧食安全提供強有力的技術支持。
中國農業科學院農業資源與農業區劃研究所博士后李強為論文第一作者，高懋芳研究員為論文通訊作者，該研究得到北方干旱半干旱耕地高效利用全國重點實驗室、國家自然科學基金創新群體項目資助。
原文鏈接：https://doi.org/10.1016/j.compag.2024.109594
日期：2024-11-11
作物產量估算在農業政策制定、資源配置以及生產實踐中都具有重要作用。然而，傳統作物模型盡管在小范圍內有較高精度，但在區域尺度上應用卻面臨巨大挑戰，主要包括輸入參數需求高、數據獲取難、參數校準復雜等問題。為了克服這些瓶頸，研究團隊提出了一種基于網格的作物模型，利用多源數據構建精準的區域冬小麥產量模型，并結合最新的機器學習和遙感數據同化技術，嘗試在區域尺度上實現更高的產量預測精度。
該研究通過構建一個1公里分辨率的冬小麥格網化模型，將整個研究區域劃分為若干獨立的格網單元，每個單元輸入氣象、土壤、管理等多源數據進行作物生長模擬。團隊在此基礎上，使用了一種機器學習算法——隨機復雜演化算法（SCE-UA），以實現自動參數優化，提高模型的適應性和預測能力。此外，研究中還應用了兩種遙感數據同化方法：集成卡爾曼濾波（EnKF）和四維變分同化（4Dvar），通過將遙感葉面積指數（LAI）數據引入作物生長軌跡，進一步校正和優化模型模擬結果，從而有效降低了作物模型的不確定性。
實驗結果表明，該方法顯著提高了冬小麥產量估算的精度。具體而言，經過參數優化和數據同化后，模型的相關系數（R?）從0.53提升到0.94，均方根誤差（RMSE）從824.82 kg/ha降至148.48 kg/ha，冬小麥產量的估算精度大幅提升。研究發現，在幾種不同的優化和同化策略中，SCE-UA與4Dvar的結合效果最佳，使得格網化模型可以達到最高的模擬精度。
該研究成果具有重要的應用價值。首先，這一方法有效解決了傳統作物模型在區域尺度上難以精確估算的問題，為大范圍農業生產預測提供了新的技術思路。其次，通過對年際冬小麥產量的高精度模擬，模型能夠幫助農業管理者實時監測作物生長狀況并及時應對潛在問題。此外，該研究還推動了空間化作物模型與遙感技術的結合，為未來智能農業和精準農業的發展奠定了基礎。
盡管研究取得了顯著成果，團隊也指出該方法仍有進一步優化空間，例如，遙感數據的精度提升、模型參數的區域化校準等。未來，隨著遙感技術和機器學習算法的持續進步，這種空間化作物模型有望在全球范圍內得到推廣應用，為應對氣候變化和保障糧食安全提供強有力的技術支持。
中國農業科學院農業資源與農業區劃研究所博士后李強為論文第一作者，高懋芳研究員為論文通訊作者，該研究得到北方干旱半干旱耕地高效利用全國重點實驗室、國家自然科學基金創新群體項目資助。
原文鏈接：https://doi.org/10.1016/j.compag.2024.109594
日期：2024-11-11
