A Dual-Phenological-Characteristic Weighting Method to Reconcile Time Discrepancies in Soybean Phenology Estimation from MODIS NDVI Time Series

方法

用MODIS NDVI 2000-2020数据，结合GU、曲率、导数三类物候模型

发现

多数生育期R²超0.65，RMSE多小于5天，降幅超40%，转黄期RMSE从12.8天降至2.8天。

机会点

可将该加权校正思路迁移到其他作物与多源遥感数据，并探索自适应权重与深度学习融合的物候反演。

准确的大尺度作物物候监测对于优化农业管理至关重要。遥感已被广泛用于估算作物物候阶段，但遥感物候指标与地面观测生育阶段之间常存在时间差异。此外，不同特征化模型衍生的物候参数与田间观测之间存在不同程度的偏差。本研究的主要目标是开发一种新方法，充分利用多种物候参数的偏差模式，以提高大豆物候反演精度。为此，我们利用2000—2020年MODIS NDVI（归一化差异植被指数）时间序列数据，采用基于GU、曲率和导数的方法提取了美国16个州大豆六个关键生育阶段——出苗、开花、结荚、黄化、落叶和收获——的11个物候参数。研究设计的核心是提出一种双物候特征加权（dual-phenological-characteristic weighting，DPCW）方法，该方法利用不同物候参数相对于地面观测生育阶段的偏差特征，通过配对两个不同参数生成复合物候特征。本文的关键创新在于利用双特征加权提高卫星衍生物候指标与田间观测之间的对应关系，为传统物候估算提供了一种替代方案。结果表明，六个生育阶段基于DPCW的最优组合分别为SOS（生长季开始）与GREEN、SOS与POS（生长季峰值）、MATURITY与POS、EOS（生长季结束）与SENES（衰老）、RD（衰退日期）与DD（下降日期）以及EOS与DORM（休眠）。反演得到的转换日期与地面观测之间的决定系数（R²）在大多数阶段超过0.65，其中出苗阶段从基准的0.052和偏移调整后的0.357提高至0.47。大多数情况下平均均方根误差（RMSE）小于5天，降幅超过40%，其中黄化阶段改善最为显著，RMSE从12.8天降至2.8天。本研究的一个优势在于其多州、多年代际验证，证明了DPCW方法在美国主要大豆种植区内的稳健性和时间一致性。