基于物候和机器学习方法的阿肯色州田间尺度水稻种植和收获日期估算评估

《Science of Remote Sensing》:Evaluating phenological and machine learning approaches for estimating field-scale rice planting and harvest dates in Arkansas

【字体: 大 中 小 】 时间:2026年07月06日 来源:Science of Remote Sensing 7.1

编辑推荐:

  在农业环境中,种植日期(PD)和收获日期(HD)界定了生长季长度。该时间信息有助于监测产量、年度温室气体(Greenhouse Gas, GHG)收支以及资源循环。然而,针对全美水稻产量占比47.5%的阿肯色州,基于卫星的PD和HD估算研究仍然不足。物候和机器

  
在农业环境中,种植日期(PD)和收获日期(HD)界定了生长季长度。该时间信息有助于监测产量、年度温室气体(Greenhouse Gas, GHG)收支以及资源循环。然而,针对全美水稻产量占比47.5%的阿肯色州,基于卫星的PD和HD估算研究仍然不足。物候和机器学习方法可为空间显式PD和HD数据集的开发提供支持。本研究利用2015至2024年间收集的阿肯色州水稻田662个PD和500个HD的田间年份观测数据。研究采用四种物候方法评估植被指数(Vegetation Index, VI)轨迹与田间观测PD和HD之间的时间同步性,同时开发滞后信息气象物候随机森林模型(Lag-Informed Meteorological and Phenological Random Forest model, LIMP RF),将物候指标以及格网化气象和土壤变量作为预测因子。与季初指标和PD的相关性(r=0.49-0.75)相比,与季末转换相关的物候指标与HD表现出更强的时间同步性(r=0.79-0.82),这反映了相对于早期作物出苗,衰老和生物量移除具有更强的光谱特征。在随机分割验证下,LIMP RF框架预测PD的平均绝对误差(Mean Absolute Error, MAE)在测试集中为6.23天,而HD预测误差为4.23天。在逐年留二验证(Leave-Two-Years-Out validation, L2YO)下,模型性能下降,PD和HD测试MAE分别增加至9.63天和6.89天,表明年际气候变异性对模型性能具有影响。气候异常分析进一步表明,HD预测误差与年份间异常的饱和水汽压差(Vapor Pressure Deficit, VPD)和土壤温度条件密切相关,而PD预测误差表现出较弱的气候敏感性。稳健检测PD和HD的能力将有助于温室气体预算核算,以及理解气候变化对_validate_char
物候方法和机器学习方法在农业监测中具有重要应用价值。本研究聚焦于阿肯色州水稻种植日期(Planting Date, PD)和收获日期(Harvesting Date, HD)的估算,该州水稻产量占美国总产量的47.5%,但此前缺乏田间尺度的系统化研究。准确获取PD和HD对于划定生长季长度(Growing Season Length, GSL)、优化农业管理决策、提升温室气体(Greenhouse Gas, GHG)核算精度,以及理解气候变化对作物生长和产量的影响具有重要意义。水稻生长季确定了光合作用碳吸收的主要窗口期,也是甲烷(CH4)排放的主要时段,阿肯色州的研究表明约91%-94%的CH4排放发生在生长季内。然而,现有州尺度的PD和HD报告无法反映田间尺度的变异性,且实地调查方式劳动密集、难以大范围推广,因此亟需开发基于遥感数据的空间显式数据集。

研究人员针对2015至2024年间阿肯色州水稻田的662个PD和500个HD田间年份观测数据展开分析。研究所用的关键技术方法包括:基于融合Landsat-Sentinel-2的反射率数据,采用核归一化差值植被指数(Kernel Normalized Difference Vegetation Index, kNDVI)等植被指数(Vegetation Index, VI),通过非对称高斯拟合提取物候指标;运用谐波傅里叶级数进行时间序列特征降维,提取植被指数的周期性系数;构建四种物候方法(阈值法、导数法、拐点法和Gu法)刻画卫星物候指标与田间观测PD/HD的时间关系;开发物候信息线性模型PDSOSDER;以及构建滞后信息气象物候随机森林模型(LIMP RF),整合卫星衍生物候指标与时段敏感的气象累积变量,并对比Deines等人(2023年)的随机森林(Random Forest, RF)框架。验证策略采用随机分割(80%训练/20%测试)和逐年留二验证(Leave-Two-Years-Out, L2YO)两种交叉验证方式,样本来源于与七个农场和研究实体的直接合作。

研究结果部分,"田间观测的种植和收获数据"显示:PD平均为年序日(Day of Year, DOY)119.7±20.9,HD平均为DOY 257.5±16.5;从PD到植被指数峰值平均需88.6±16.7天,从峰值到HD平均需51.5±14.4天;早、中、晚种植分位数组在土壤温度、累积生长度日(Growing Degree Days, GDD)、饱和水汽压差(Vapor Pressure Deficit, VPD)等气象变量上呈现显著差异,早期种植对应更冷的土壤和更低的热量累积。"物候指标与观测PD/HD的时间关系"表明:四种物候方法与HD的同步性均优于PD,阈值法和导数法与PD的相关性最强(r=0.75),但存在约54-56天的生物学滞后;Gu法的生长转折日期(Upturn Date, UD)最接近实际种植事件(平均偏差27.94天);与季末(End of Season, EOS)相关的指标与HD相关性更高(r=0.79-0.82),阈值法的EOS最接近HD(平均偏差约-10天),而拐点法的休眠期存在48个样本无法识别。"模型对PD、HD和PDSOSDER的预测"部分显示:LIMP RF模型在随机分割验证下,PD预测训练MAE为2.81天、验证MAE为6.62天、测试MAE为6.92天,HD预测训练MAE为2.09天、验证MAE为4.87天、测试MAE为4.93天;但在L2YO验证下性能下降,PD测试MAE升至9.63天,HD测试MAE升至6.89天;PDSOSDER在L2YO下表现更稳定,PD测试MAE为8.78天,优于Deines等人框架的14.22天;HD预测始终优于PD预测。"PD和HD预测的环境控制因素"部分揭示:PD预测中SOSTRS(基于阈值法的生长季开始)、AirTmin_cum(累积最低空气温度)和SoilTmean_cum(累积平均土壤温度)最为重要;HD预测中衰退日期(Recession Date, RD)、EOSTRS和EOSTRS×SOSTRS交互项最为关键;气候异常分析表明HD预测误差与VPD异常(r=-0.72, p=0.019)和土壤温度异常(r=-0.66, p=0.036)显著相关,而PD预测误差的气候敏感性较弱。

讨论部分,研究人员分析了物候模型与PD/HD的偏移机制。PD与卫星物候指标存在更大时间偏移,因为播种早于出苗和可见冠层发育,卫星-derived生长季开始(Start of Season, SOS)仅能检测植被光学可检测后的阶段;HD与EOS对应更优是由于收获相关的冠层衰老和生物量移除产生更强、更同步的光谱信号。HD预测优于PD预测的原因在于:衰老相关冠层衰退产生更强、更可检测的时间转换信号;秋季衰老速率(rau)的变异性低于春季绿涨速率(rsp),提供更稳定的信号;从PD到峰值涵盖更多发育阶段,而峰值到HD阶段较少。特征丰富度改善了分布内性能但限制了PD的年际外推泛化:多变量的LIMP RF在随机分割下表现优异,但L2YO下性能下降,表明年际气候变异性限制了模型泛化;而基于过程的PDSOSDER通过整合GDDcum,在L2YO下表现更稳定,对冷年具有更好鲁棒性。HD误差与VPD和土壤温度异常密切相关,反映后期物候受植物-大气相互作用和环境胁迫控制;PD误差则主要与温度依赖的萌发和出苗过程相关。研究局限性包括卫星数据的云覆盖干扰、样本量有限、以及LIMP RF对年际气候变异的敏感性。未来建议整合合成孔径雷达(Synthetic Aperture Radar, SAR)数据以缓解云隙问题,采用循环神经网络等先进方法,并纳入田间尺度的淹水动态信息以改进碳核算。

研究结论翻译如下:PD和HD对于理解作物产量和碳核算具有重要意义,因为它们界定了生长季的时间边界。在本研究中,研究人员首先评估了卫星衍生物候指标如何刻画与阿肯色州PD和HD的时间关系。物候方法捕捉了部分田间尺度时间变异性,其中阈值法对HD预测表现最优(R2=0.67,MAE=11.5天),Gu法对PD估计最接近(MAE=32.86天,但R2较低);阈值法和导数法的PD估计显示出较强相关性(R2≈0.6),但MAE仍高达约54天。为改进PD预测,研究人员开发了线性模型PDSOSDER,实现了约8天的MAE。随后,研究人员通过整合物候指标与滞后信息气象变量构建了LIMP RF模型,实现了对早、中、晚种植条件的有效分离:早期种植对应较冷的土壤和更低的热量累积,而较晚种植经历更高的生长度日和更暖的土壤条件,导致更快的作物发育轨迹。LIMP RF模型在随机分割验证下达到2.8-6.62天MAE(R2≈0.96),在L2YO框架下误差为5.21-9.63天MAE,反映了年际气候变异性下的泛化能力降低。该建模框架展示了为阿肯色州水稻生成空间显式PD和HD数据集的潜力,为区域作物监测和碳预算提供了有价值的输入。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号