突破！南京农大在作物产量高精度高分辨率卫星遥感预测方面取得重要进展

iPlants · 公众号 · · 2024-07-07 13:26

正文

来源：南京农大

近日，农学院智慧农业创新团队在国际著名顶级遥感期刊《Remote Sensing of Environment》发表了题为“HIDYM: A high-resolution gross primary productivity and dynamic harvest index based crop yield mapper”的研究论文，报道了他们在作物产量高精度高分辨率卫星遥感预测技术方面的重要进展。

快速、准确及时地估测大面积作物产量在应对气候变化影响、支持农业决策以及保障粮食安全方面起着至关重要的作用。近几十年来，国内外学者发展了一系列作物产量卫星遥感估测方法，主要包括经验统计/数据驱动方法、基于总初级生产力（gross primary production, GPP）的半经验半机理方法和作物生长模型数据同化方法，这些方法普遍存在精度不高、效率低或普适性较差等问题。其中，基于GPP的半经验半机理方法在大尺度作物产量遥感预测中有较大潜力，它在考虑光合作用、干物质积累和分配生理机制的基础上，通过收获指数（harvest index, HI）将地上生物量转化为籽粒产量。然而，该方法存在着农田生态系统GPP估算的不确定性较大、没有考虑环境胁迫对作物干物质在不同器官之间分配的影响（收获指数设为固定常数）等问题。因此，迫切需要构建一种基于高分辨率GPP和时空动态HI的自动化方法，用于高效预测和绘制大范围农田的作物籽粒产量，而无需通过大量的田间实测产量样本进行模型训练。

该研究首先通过自助抽样法和多模型过程敏感性分析方法，分析了水稻生长季环境因子对GPP的影响规律，构建一种改进的双叶光能利用率模型（modified two-leaf light use efficiency model, mTL-LUE），以实现高空间分辨率GPP和生长季GPP积累量的高精度估算。此外，基于收获指数定义，利用作物移栽/播种、抽穗和收获三个时期的Sentinel-2影像，计算这些影像的缨帽变换（tasseled cap transformation, TCT）分量（湿度、绿度和亮度），随后提取这三个时期TCT分量的差值和比值（phenological difference ratio, PDR），提出一种逐像素的作物收获指数估算方法（PDR-TCT）（图1）。最后，通过耦合以上步骤形成高空间分辨率GPP与时空动态HI驱动的作物产量估测算法（high-resolution GPP and dynamic HI based yield mapper, HIDYM），生成多年大面积10米分辨率作物产量空间分布产品。

图1.（A）水稻和（B）冬小麦时序特征曲线上物候差值比值（PDR）提取的示意图。 DSOS、DPOS和DEOS分别代表生长季开始（SOS）、旺盛期（POS）和生长季结束（EOS）日期的遥感变量。注： x轴单位为天，y轴无量纲。

同时，使用多年田间实测产量数据对HIDYM的性能进行了系统评估，并在江苏省水稻和冬小麦产量预测方面，与广泛使用的卫星遥感GPP估算产品GPPMOD17和固定收获指数策略进行了对比。结果表明，mTL-LUE模型在水稻GPP估算方面优于原始TL-LUE模型（图2），减少了GPP估算不确定性。此外，PDR-TCT方法在估算水稻与冬小麦时空动态HI时（图3），由于其在捕捉产量形成过程方面的优势，比传统HI估算方法的计算效率和精度更高。与固定收获指数策略相比，HIDYM对水稻产量预测的提升比对小麦的更显著（图4）。

图2.(A) GPPorg、(B) GPPAND、(C) GPPOR1、(D) GPPOR2、(E) GPPOR3、(F) GPPOR4与GPPEC的比较。黑色虚线为1:1线。 GPPorg为原始双叶光能利用率模型模拟值，GPPAND为考虑大气温度、CO2和VPD共同作用下模拟值，GPPOR1-GPPOR4为受到不同二者组合因素作用的模拟值。

图3.基于PDR-TCT方法估算的江苏省作物收获指数空间分布图，(A-D) 为2019年至2022年水稻，(E-F) 为2021-2022年和2022-2023年冬小麦。

图4. 基于HIDYM方法的产量预测值与实测产量值散点图。

突破！南京农大在作物产量高精度高分辨率卫星遥感预测方面取得重要进展

正文

请到「今天看啥」查看全文