PHYIELD: Towards multi-scale maize yield estimation with limited ground reference data via integrated crop models and phenology-guided deep learning

方法

系统校准作物模型生成多样模拟，结合物候引导深度学习，用有限地面产量数据建模。

发现

校准LAI与产量参数关键；R达0.53–0.73，RMSE 1.07–1.68 t/ha，优于单一模

机会点

可探索物候引导深度学习与作物模型耦合在少样本、跨区域迁移及其他作物上的泛化能力。

准确估算跨尺度（如区域行政尺度和田块尺度）作物产量对于全球粮食安全至关重要，因为农业正面临气候变化、人口增长、土壤退化和水资源短缺等日益严峻的挑战。遥感因其空间覆盖范围广、对作物状况的时间连续观测能力而被广泛用于作物产量估算。然而，在作物产量和作物管理数据有限可得的情况下，实现跨尺度的稳健产量估算仍然具有挑战性。尽管基于过程的作物模型能够捕捉植物—土壤—大气连续体的复杂相互作用，但其大规模应用受限于计算成本、参数化难度和模型输入（如管理措施）约束。经验数据驱动模型更为灵活且计算高效，但其严重依赖地面实测产量标签，而这些标签在时空上往往稀缺。为应对这些挑战，我们提出了PHYIELD，一种新型混合产量估算框架，该框架将系统校准的基于过程的作物建模与物候引导的深度学习相结合，用于在产量数据受限条件下进行县级和田块尺度的玉米产量估算。PHYIELD主要包括三个组成部分：系统性作物模型校准、多样化作物模型模拟和物候引导的深度学习。鉴于实践中产量观测稀疏的挑战和普遍性，PHYIELD独特地设计为利用有限的地面产量记录进行模型构建。其模型性能通过时间、空间和尺度迁移进行系统评估，并与独立作物模型和深度学习基准进行对比。结果表明，PHYIELD的系统性作物模型校准——特别是通过叶面积指数（LAI）校准，随后进行产量（生物量乘以收获指数[HI]）校准——对于在与深度学习耦合之前实现作物模型的区域差异化参数化至关重要。借助校准后作物模型的多样化模拟和物候引导的深度学习，PHYIELD在研究区实现了0.53–0.73的相关系数（R）、−1.47–0.96 t ha⁻¹的偏差和1.07–1.68 t ha⁻¹的均方根误差（RMSE），优于作物模型和深度学习基准。在显著的产量数据约束条件下（例如，仅可获得伊利诺伊州2023年县级产量数据），PHYIE