基于Google Earth Engine的作物产量空间预测开源工具CrYP：整合遥感数据与过程模型实现精准农业管理

为解决传统作物模型空间分辨率不足的问题，研究人员开发了基于Google Earth Engine的开源工具CrYP，通过整合MODIS NDVI和ERA5-Land气象数据，实现了玉米、小麦和大麦的像元级产量预测。该工具成功捕捉了美国玉米带干旱年份(2012)与正常年份(2020)的产量差异，以及意大利小麦/大麦的空间变异，预测结果与官方统计高度吻合(RMSE 1.08-2.75 Mg ha-1)，为区域粮食安全监测提供了创新解决方案。

　　

在全球气候变化和粮食安全挑战日益严峻的背景下，准确预测作物产量成为农业决策的关键。传统过程模型如DSSAT、APSIM等虽然能模拟作物生理过程，但多为单点模型，难以捕捉区域空间异质性；而遥感监测虽能获取植被动态，却缺乏生理机制解释。这种"模型缺空间、遥感缺机理"的困境，使得大范围精准产量预测面临巨大挑战。

针对这一科学难题，来自GeoModelLab的研究团队在《Computers and Electronics in Agriculture》发表了创新性研究成果。他们开发的CrYP工具巧妙地将MODIS NDVI的时空连续观测与ERA5-Land气象数据相结合，在Google Earth Engine云平台上构建了首个开源的空间显式作物产量预测系统。该系统通过Savitzky-Golay滤波处理NDVI时间序列，基于土壤温度阈值确定播种窗口(CWS)，利用峰值NDVI(NDVI_flo)和播种期NDVI(NDVI_sow)计算植被覆盖度(FVC)，进而转换为叶面积指数(LAI)。在生理过程模拟方面，采用辐射利用效率(RUE)模型，整合了温度效应函数(f_temp)、冷胁迫(f_cold)、热胁迫(f_heat)和水分胁迫(RSWC)等多重环境限制因子，最终输出潜在产量及不同胁迫条件下的产量预测。

研究团队通过两个典型案例验证了CrYP的适用性。在美国爱荷华州玉米带的测试中，系统成功捕捉到2012年历史性干旱导致的产量锐减（较202年下降42%），模拟结果与USDA统计数据的误差仅2.75±1.14 Mg ha^-1。通过分解不同胁迫效应发现，水分短缺是主要限制因素（减产47.3%），而冷胁迫影响可忽略。在意大利的验证中，CrYP清晰揭示了皮埃蒙特小麦和普利亚大麦的物候梯度：东部地区小麦SOS比西部早85天，而地中海气候区的普利亚大麦物候期明显早于温带气候区。尽管存在轻微高估（大麦）或低估（小麦），但预测值与ISTAT官方数据的RMSE保持在0.82-1.08 Mg ha^-1范围内，展现出良好的可靠性。

这项研究的创新价值主要体现在三个方面：首先，CrYP首次实现了过程模型与遥感数据的像素级融合，克服了传统模拟单元(SU)均质化假设的局限；其次，通过GEE平台的并行计算能力，使大区域高分辨率产量预测变得高效可行；最后，工具采用模块化设计，参数设置直观（仅需调整RUE、温度阈值等少量生理参数），便于扩展应用到其他作物和地区。研究人员特别指出，虽然当前版本使用MODIS数据（250m分辨率），但系统架构支持接入Sentinel-2等高分辨率影像，为未来精度提升预留了空间。

该成果为农业管理部门提供了强有力的决策支持工具，特别是在极端气候事件频发的背景下，能够快速识别粮食安全风险区域。正如作者强调的，CrYP的开源特性将促进全球科研社区的协作改进，其设计理念也为下一代农业监测系统的开发指明了方向——即通过云计算平台整合多源数据与机理模型，实现从"点"到"面"的农业系统认知跃迁。随着全球粮食安全监测需求的日益迫切，这种兼顾物理机制与空间细节的建模方法，必将成为精准农业发展的关键技术路径。