近日，中国农业科学院农业资源与农业区划研究所农业绿色发展科学与工程团队构建了格网化冬小麦产量估算模型，通过遥感数据同化与机器学习技术的深度融合，显著提升了冬小麦区域产量预测的精度。相关成果以“Integrating remote sensing assimilation and SCE-UA to construct a grid-by-grid spatialized crop model can dramatically improve winter wheat yield estimate accuracy”为题发表在《农业计算机和电子技术（Computers and Electronics in Agriculture）》期刊上。
作物产量估算在农业政策制定、资源配置以及生产实践中都具有重要作用。然而，传统作物模型尽管在小范围内有较高精度，但在区域尺度上应用却面临巨大挑战，主要包括输入参数需求高、数据获取难、参数校准复杂等问题。为了克服这些瓶颈，研究团队提出了一种基于网格的作物模型，利用多源数据构建精准的区域冬小麦产量模型，并结合最新的机器学习和遥感数据同化技术，尝试在区域尺度上实现更高的产量预测精度。
该研究通过构建一个1公里分辨率的冬小麦格网化模型，将整个研究区域划分为若干独立的格网单元，每个单元输入气象、土壤、管理等多源数据进行作物生长模拟。团队在此基础上，使用了一种机器学习算法——随机复杂演化算法（SCE-UA），以实现自动参数优化，提高模型的适应性和预测能力。此外，研究中还应用了两种遥感数据同化方法：集成卡尔曼滤波（EnKF）和四维变分同化（4Dvar），通过将遥感叶面积指数（LAI）数据引入作物生长轨迹，进一步校正和优化模型模拟结果，从而有效降低了作物模型的不确定性。
实验结果表明，该方法显著提高了冬小麦产量估算的精度。具体而言，经过参数优化和数据同化后，模型的相关系数（R?）从0.53提升到0.94，均方根误差（RMSE）从824.82 kg/ha降至148.48 kg/ha，冬小麦产量的估算精度大幅提升。研究发现，在几种不同的优化和同化策略中，SCE-UA与4Dvar的结合效果最佳，使得格网化模型可以达到最高的模拟精度。
该研究成果具有重要的应用价值。首先，这一方法有效解决了传统作物模型在区域尺度上难以精确估算的问题，为大范围农业生产预测提供了新的技术思路。其次，通过对年际冬小麦产量的高精度模拟，模型能够帮助农业管理者实时监测作物生长状况并及时应对潜在问题。此外，该研究还推动了空间化作物模型与遥感技术的结合，为未来智能农业和精准农业的发展奠定了基础。
尽管研究取得了显著成果，团队也指出该方法仍有进一步优化空间，例如，遥感数据的精度提升、模型参数的区域化校准等。未来，随着遥感技术和机器学习算法的持续进步，这种空间化作物模型有望在全球范围内得到推广应用，为应对气候变化和保障粮食安全提供强有力的技术支持。
中国农业科学院农业资源与农业区划研究所博士后李强为论文第一作者，高懋芳研究员为论文通讯作者，该研究得到北方干旱半干旱耕地高效利用全国重点实验室、国家自然科学基金创新群体项目资助。
原文链接：https://doi.org/10.1016/j.compag.2024.109594
