《Remote Sensing Applications: Society and Environment》：Remote Sensing–Driven Ensemble Smoother Assimilation of LAI for Regional Sugarcane Yield Estimation
编辑推荐：
本研究利用Ensemble Smoother方法将Landsat 7 ETM+影像的LAI数据整合至DSSAT/SAMUCA模型，显著提升巴西圣保罗州甘蔗产量估算精度，RMSE和MAE分别降低57%和72%，部分TEDs MAE降幅达96%。
朱利亚诺·曼特拉托·罗萨（Juliano Mantellatto Rosa）|伊扎埃尔·马丁斯·法托里·朱尼奥尔（Izael Martins Fattori Junior）|玛丽娜·卢西亚娜·阿布雷乌·德·梅洛（Marina Luciana Abreu de Melo）|法比奥·里卡多·马林（Fábio Ricardo Marin）
圣保罗大学，“路易斯·德·凯罗斯”农业学院（ESALQ-USP），巴西皮拉西卡巴，邮编13418-900
摘要
甘蔗在全球糖和乙醇生产中扮演着关键角色，因此需要准确且及时的产量监测。虽然将基于过程的作物模型（PBMs）与数据同化（DA）相结合在提高产量估算方面显示出潜力，但在区域尺度上应用全面的DA框架仍有待探索。本研究通过将遥感叶面积指数（LAI）数据同化到随机PBMs中，改进了巴西主要产糖区的甘蔗产量估算方法。利用来自Landsat 7 ETM+影像的超过167,000个LAI观测值，通过集合平滑器（ES）方法将数据同化到DSSAT/SAMUCA模型中，以减少模型不确定性。分析时间跨度为2003年至2013年，并采用技术外推域（TEDs）框架根据生物物理特性对圣保罗州的甘蔗种植区进行分类。结果表明，产量估算的准确性显著提高。所有TEDs的平均均方根误差（RMSE）从43.98 Mg ha-1降至17.83 Mg ha-1，平均绝对误差（MAE）从41.85 Mg ha-1降至11.65 Mg ha-1，分别减少了57%和72%。值得注意的是，某些个别TEDs的改进更为显著，最佳情况下MAE减少了96%。所有数值均指在TED级别聚合的像素级模拟结果。这些成果凸显了将遥感数据整合到基于过程的建模框架中，以改进区域尺度产量估算和加强作物表现回顾性评估的潜力。
引言
甘蔗是主要的半多年生作物，用于生产糖和乙醇，并且是生产重要副产品的来源，包括用于养分循环的酒糟和滤饼以及用于联合发电的甘蔗渣（Silva等人，2022年）。甘蔗在热带和亚热带地区广泛种植，占全球糖产量的近90%和生物乙醇产量的60%（Hu等人，2019年）。在巴西，糖乙醇产业与国内外市场紧密相连，因此准确且及时的产量估算对于维持可持续和负担得起的能源及食品供应至关重要（Pagani等人，2017年）。
文献中广泛认为，产量预测是指导种植决策、支持农业管理和在异常季节提供早期信号的重要工具，从而使利益相关者能够调整进口、调节市场并协调生产流程（Zhao等人，2013年）。然而，由于环境因素（辐射、温度、水分可用性和养分状况）与甘蔗特异性特征（如病虫害反应、生物量分配和蔗糖积累）之间的复杂相互作用，实现可靠的产量预测仍然具有挑战性（Hu等人，2019年；Costa等人，2014年）。
长期以来，作物模型一直被用于科学研究，并在应用场景中帮助糖和乙醇行业做出决策，解决气候变化（Marin等人，2013年；Singels等人，2014年）、管理优化（Marin等人，2014年；Thorburn等人，2005年）和风险评估（Everingham等人，2002年）等问题。已经开发了许多甘蔗模拟模型，包括DSSAT/CANEGRO（Inman-Bamber，1991年；Jones & Singels，2018年）、DSSAT/SAMUCA（Marin & Jones，2014年；Vianna等人，2020年）、APSIM-Sugarcane（Keating等人，1999年）、SWAP-WOFOST（Supit等人，1994年；van Dam等人，1997年）、STICS-Sugarcane（Brisson等人，2003年；Valade等人，2014年）等。其中，DSSAT/SAMUCA已针对巴西的热带条件进行了调整，并更新以包含其他模型未涉及的关键生理机制（Pereira等人，2021年）。
传统上，这些模型采用确定性方法，依赖于详细的土壤、天气、作物特性和管理输入数据。然而，测量误差和时空变异性会导致显著不确定性（Aggarwal，1995年；Nassif等人，2012年）。在区域尺度上，土壤湿度、冠层动态和气候条件的变化进一步加剧了估算的不确定性（Hansen & Jones，2000年；Jin等人，2018年）。因此，模型输入必须同时反映景观异质性和品种特异性特征（Jones等人，2010年）。
数据同化（DA）通过将遥感数据整合到模拟中，提高了作物模型的可靠性，改善了空间表示和估算精度（Curnel等人，2011年；Dente等人，2008年；Jin等人，2018年）。先前的研究表明，当DA在序列数据同化框架中明确实施时，可以支持近乎实时的农业决策（Shi等人，2015年）。然而，此类应用依赖于序列更新方案，与批量同化方法有根本区别。在这种情况下，集合卡尔曼滤波器（EnKF）因其计算效率和处理不确定性的能力而被广泛使用，尽管其序列更新可能会影响模型一致性（Jin等人，2018年）。相比之下，集合平滑器（ES）可以同时同化所有可用观测数据，确保模型状态与观测数据之间的一致性（Lee等人，2016年；Van Leeuwen & Evensen，1996年；Yu等人，2020年）。
以往在甘蔗研究中的DA应用依赖于WOFOST和DSSAT等模型来估算产量和水分胁迫（Yu等人，2020年；Hu等人，2019年；Fattori Jr.等人，2022年），但这些研究仅限于实验地点、短时间跨度或小范围区域。在这里，我们提出了首个区域尺度的DA框架，整合了一个针对热带条件的基于过程的模型（DSSAT/SAMUCA）、多时相Landsat 7 ETM+叶面积指数（LAI）数据，以及结构化为22个技术外推域（TEDs）的空间明确土壤和气象数据集。该框架应用于巴西最具有战略意义的甘蔗生产区——圣保罗州约420万公顷的44,000个生产区块，证明了在批量数据同化框架内进行大尺度季后区域产量估算的可行性。这一进展超越了概念验证阶段，建立了一个可重复且可扩展的区域产量估算框架，对糖能源行业的区域尺度分析具有潜在意义。本研究生成的空间明确估算为季后产量估算、模型基准测试和异质环境下的作物表现回顾性分析提供了改进的基础。
通过集合平滑器方法将遥感LAI数据整合到DSSAT/SAMUCA中，所提出的框架展示了数据同化如何显著提高区域尺度产量估算的准确性和一致性。我们的贡献在于将遥感数据、农业环境信息和基于过程的作物建模整合到一个可扩展的框架中，用于季后产量估算。
研究区域
模拟在巴西东南部圣保罗州的商业甘蔗生产区进行，这是该国最富生产力的甘蔗产区。在该地区，甘蔗通常在10月至5月期间种植或重新生长，收获时间取决于当地糖厂的运营计划，通常在12至18个月后进行。种植集中在该州的中部和北部地区，这些地区的气候条件特别有利。
结果
图4显示了2003年至2013年间圣保罗州22个TEDs的模拟甘蔗产量，与观测值、开放循环（OP）模拟结果和DA结果进行了对比。图5总结了所有领域通过DA获得的RMSE降低情况。
改进最为显著的是TED 7和TED 9，RMSE分别降低了约79%，从32.15 Mg ha-1降至6.68 Mg ha-1，以及从34.74 Mg ha-1降至7.44 Mg ha-1。TED 17的RMSE也大幅降低了70%，从42.22 Mg ha-1降至12.46 Mg ha-1
框架有效性
本研究应用了基于ES方法的DA框架，将遥感LAI观测数据整合到巴西主要甘蔗生产区的DS作物模型中。在11年期间（2003–2013年），该方法在22个TEDs中一致性地提高了最终产量估算，相对于OP模拟显示出了显著改进。如表2所示，DA在所有TEDs中显著降低了RMSE和MAE值
结论
本研究证明了将遥感叶面积指数（LAI）同化到基于过程的DSSAT/SAMUCA模型中，可以改进巴西圣保罗州的甘蔗产量估算，在11年期间（2003–2013年）效果显著。数据同化（DA）框架在所有22个TEDs中均优于开环模拟，RMSE减少了高达79%，MAE减少了高达98%。
虽然同化观测值的数量有助于提高准确性，但这只是部分原因
作者贡献声明
法比奥·里卡多·马林（Fábio Ricardo Marin）：撰写——审稿与编辑、可视化、验证、监督、资源管理、项目行政。玛丽娜·卢西亚娜·阿布雷乌·德·梅洛（Marina Luciana Abreu de Melo）：撰写——审稿与编辑、可视化、验证。伊扎埃尔·马丁斯·法托里·朱尼奥尔（Izael Martins Fattori Junior）：撰写——审稿与编辑、可视化、验证、软件开发、方法论、正式分析。朱利亚诺·曼特拉托·罗萨（Juliano Mantellatto Rosa）：撰写——初稿撰写、方法论研究、正式分析、数据管理、概念化
未引用参考文献
Abebe等人，2022年；Atzberger，2013年；Fattori Junior和Marin，2023年；Fattori Junior等人，2022年；Jones等人，1989年；Pereira等人，2025年。
伦理声明
作者声明本文所述工作是原创的，此前未以预印本或学术论文的形式发表。该手稿未在其他地方考虑出版。
所有作者均已阅读并批准了手稿的最终版本，提交已获得进行研究机构的授权。
如果被接受发表，该手稿不会在其他地方发表
科学写作中生成式AI的使用声明
作者声明未使用任何生成式人工智能（AI）工具来生成内容、解释结果或撰写本文的科学部分。生成式AI仅用于在作者直接监督下审查和改进英语语言的清晰度和语法。手稿中呈现的所有科学观点、分析、解释和结论均为作者本人的工作。
利益冲突声明
? 作者声明以下财务利益/个人关系可能被视为潜在的利益冲突：玛丽娜·L·A·德·梅洛报告获得了圣保罗研究基金会（FAPESP）的财务支持。法比奥·R·马林报告获得了圣保罗研究基金会（FAPESP）的财务支持。法比奥·R·马林还获得了巴西国家科学技术发展委员会（CNPq）的财务支持。朱利亚诺·M·罗萨报告
致谢
作者感谢圣保罗研究基金会（FAPESP）[Grant 2021/00720-0和2024/02381-6]、巴西国家科学技术发展委员会（CNPq）[Grant 302597/2021-2]以及高等教育人员协调机构（CAPES）提供的财务支持。他们还感谢热带农业碳研究中心（CCARBON/USP）通过FAPESP Grant [2021/10573-4]提供的支持。
