Multi-source data assimilation of Sentinel-2 reflectance and SMAP soil moisture into APSIM for maize biomass estimation
Manuela Montella · Christian Bossung · Thanh Huy Nguyen 等 9 人
将Sentinel-2反射率与SMAP土壤水分同化进APSIM模型，提升玉米生物量估算精度。
粒子滤波同化Sentinel-2反射率（经PROSAIL耦合）与SMAP土壤水分
联合同化结果稳健，2023年RMSE为1258.83 kg/ha，nRMSE 16.62%，偏差-2
可探索多源数据同化在数据缺失与干旱条件下的自适应权重策略，并推广至其他作物与区域。
将Sentinel-2反射率与SMAP土壤水分同化进APSIM模型估算玉米生物量，方法新颖、结论可靠，对作物遥感监测有参考价值。
作物生长模型（CGM）是农业监测的重要工具。然而，其对大量输入参数的需求、模型参数化与结构相关的不确定性以及空间信息的缺乏，推动了数据同化（DA）等技术的应用。本文提出了一种数据同化框架，以改进玉米生物量估算。采用粒子滤波（PF）将遥感反射率和土壤水分（SM）数据分别独立及同时同化进入农业生产系统模拟器（APSIM）模型。Sentinel-2反射率观测数据通过将APSIM与辐射传输模型（RTM）PROSAIL耦合进行同化，而SMAP L波段土壤水分产品则直接同化进入APSIM。为评估所提方法可靠性而设计的合成实验，凸显了同化反射率在约束作物性状方面的优势，以及同化土壤水分在提供作物水分状况补充信息和促进更稳健集合轨迹方面的作用。实际案例结果证实了这些发现。土壤水分数据同化在数据缺失和干旱条件下尤为有价值。尽管联合同化未能持续超越单源同化策略，但其结果具有一致性，尤其在2023年，RMSE、nRMSE和偏差分别为1258.83 kg/ha、16.62%和-220.52 kg/ha。所提出的框架展示了多源数据同化在增强生物量估算和支持稳健、空间显式作物监测方面的潜力。