时空融合与变分同化协同提升冬小麦生长监测精度：临汾盆地案例研究

【字体：大中小】 时间：2025年10月19日 来源：Agronomy Journal 2

编辑推荐：

　　本综述系统构建了"时空融合-数据同化"双模块耦合框架，创新性地将STNLFFM（时空非局部滤波融合模型）与4DVAR（四维变分同化）算法相结合，有效解决了黄土高原碎片化农田区MODIS数据混合像元难题。研究表明：STNLFFM通过引入影像间转换系数，显著消除ESTARFM（增强型时空自适应反射融合模型）的长时序间隙条纹伪影；4DVAR同化后的LAI（叶面积指数）估算MAPE（平均绝对百分比误差）降至6.001%，产量估算精度提升2.734%，为复杂地形区作物模型同化提供了可扩展技术方案。

1 引言

作物生长模型作为系统性描述气候、土壤、田间管理和作物品种等多因素对作物生理过程影响的数学工具，已成为模拟作物状态、监测生长过程和预测产量的重要手段。然而这类模型高度依赖输入参数，特别是人类管理数据的复杂获取过程常导致参数化误差，加之模型结构固有的简化物理过程等问题，在复杂地形或高空间异质性区域的应用存在显著局限。遥感数据同化技术通过整合遥感观测与模型模拟，为区域尺度作物生长动态监测提供了有效支持。

当前同化研究面临的核心挑战在于LAI（叶面积指数）数据的时空分辨率矛盾：作物生长季内LA快速变化需要多时相遥感数据支持，而高空间分辨率数据获取频率有限。时空融合技术通过整合多传感器时空特征，生成兼具高时空分辨率的合成数据，成为解决这一矛盾的关键途径。ESTARFM（增强型时空自适应反射融合模型）和STNLFFM（时空非局部滤波融合模型）作为代表性融合方法，分别在异质性区域权重计算和长时间序列间隙处理方面展现独特优势。

本研究以黄土高原典型碎片化农业区——临汾盆地为研究区，重点探讨时空数据融合技术在CERES-Wheat模型同化研究中的应用价值，通过比较ESTARFM与STNLFFM的NDVI（归一化植被指数）融合效果，并结合4DVAR（四维变分）、EnKF（集合卡尔曼滤波）和PF（粒子滤波）等同化算法，构建面向复杂地形区的作物生长监测优化方案。

核心创新点

•
开发融合时空融合与数据同化的混合流水线，同步解决数据质量与尺度不匹配问题
•
定量验证面向物候敏感作物的时序加权方案有效性
•
揭示异质种植区尺度感知同化影响机制

2 材料与方法

2.1 研究区概况

临汾盆地位于中国黄土高原东南部半干旱温带区（110°30′-111°55′ E，35°20′-36°35′ N），四周环山，汾河纵贯全境。该区域属温带大陆性季风气候，年均降水量500-600mm，年均气温11.7-13.2°C，冬小麦种植面积占耕地总面积的58.36%。由于地处典型黄土高原半干旱区，春夏季干旱与高土壤蒸发频发，地形碎片化与水资源短缺成为制约农业发展的主要因素。

2.2 数据源与处理

研究获取2020-2021年冬小麦全生育期Sentinel-2数据（空间分辨率10m）和MOD09GA数据（空间分辨率500m，时间分辨率1天）。通过Sentinel应用平台进行重采样、镶嵌和投影转换，利用B4（红波段）和B8（近红外波段）计算Sentinel-2 NDVI，采用MODIS重投影工具处理MOD09GA数据并计算MODIS NDVI。

CERES-Wheat模型需要气象、土壤、田间管理和遗传四类参数输入。气象数据由农业气象部门提供，土壤参数通过野外实验与室内分析测定，田间管理参数来自实地调查，遗传参数包括春化特性、光周期、灌浆期等性状。研究在DSSAT平台中整合临汾盆地8个采样点（洪洞县西桥庄村、尧都区屯斗村等）的本地化参数，以成熟期、全生育期天数、LAI特征曲线和模拟产量作为验证变量进行模型校准。

2.3 分析方法论

研究采用ESTARFM和STNLFFM两种融合模型生成空间分辨率10m、时间分辨率1天的NDVI数据。ESTARFM基于不同源遥感数据时序相关性假设，通过改进光谱权重系数确定方法提升异质性区域融合精度；STNLFFM则基于非局部均值滤波构建权重函数，通过非局部相似像元计算参考期与目标期间关系。融合后的NDVI数据通过S-G（Savitzky-Golay）滤波平滑处理，随后采用4DVAR、EnKF和PF三种同化算法与CERES-Wheat模拟LAI进行集成。

4DVAR算法通过定义代价函数并最小化其值优化模型参数；EnKF利用集合数据实现实时状态估计；PF则通过粒子群逼近系统后验概率分布。精度评估采用MAPE（平均绝对百分比误差）和RE（相对误差）指标，计算公式分别为：

MAPE = (1/n)Σ|(y-x)/x|×100%

RE = (y-x)/x×100%

其中y为预测值，x为实测值，n为样本量。

3 结果与分析

3.1 CERES-Wheat模型模拟验证

校准后的CERES-Wheat模型在临汾盆地8个采样点的模拟结果显示：冬小麦生育期最大差异达11天，模拟成熟期与实测成熟期的绝对误差为-1至0天。模拟LAI与实测LAI的总体MAPE为6.24%，其中尧都区屯斗村误差最小（0.77%），侯马市小里村误差最大（11.17%）。产量模拟MAPE为7.59%，相对误差范围-14.71%至12.58%，主要表现为高估趋势。模型在山区-农田过渡带受微气候影响误差较大，但整体表现满足应用需求。

3.2 ESTARFM NDVI与STNLFFM NDVI精度评价

对比分析显示：ESTARFM NDVI和STNLFFM NDVI的值域范围与变化趋势均与Sentinel-2 NDVI保持一致。STNLFFM NDVI相较于Sentinel-2 NDVI的偏差和RMSE（均方根误差）均小于ESTARFM NDVI，但ESTARFM NDVI的相关性略高（r=0.622 vs 0.577）。ESTARFM在2020年12月21日和2021年2月19日出现条纹伪影，而STNLFFM在2020年10月17日存在较大误差。

NDVI与实测LAI的相关性分析表明：STNLFFM NDVI与LAI的决定系数最高（R²=0.6721），且在低NDVI值区间 inversion 效果最佳；ESTARFM NDVI在NDVI>0.2时模拟精度与STNLFFM相当，但对低值响应存在偏差；MODIS NDVI受混合像元影响相关性最差（R²=0.3405）。因此STNLFFM NDVI被选为后续同化研究的输入数据。

3.3 同化算法精度比较

同化结果显示：冬小麦主要生育期前，由于缺乏实测数据校准，转换LAI存在高估误差，导致EnKF LAI和PF LAI与模拟LAI出现显著偏差。4DVAR通过优化算法调整模型参数，保持了与模拟LAI一致的趋势。在主要生育期内，4DVAR和PF均能有效调整转换LAI，但4DVAR LAI在多数采样点更接近模拟LAI，且峰值出现时间（5月初）较模拟LAI推迟约10天，更符合实际物候规律。

精度评估表明：4DVAR LAI的MAPE最低（6.001%），优于模拟LAI（6.285%）、PF LAI（12.098%）和EnKF LAI（17.175%）。产量估算中，4DVAR同化使平均MAPE从7.588%降至4.854%，山区-农田过渡带站点精度提升尤为显著，如洪洞县站点RE从12.58%降至7.09%。

4 讨论

时空融合技术有效解决了MODIS NDVI在碎片化农田区的混合像元问题。ESTARFM在端元丰度变化显著时权重计算易产生偏差，而STNLFFM通过强调时间差异因子和引入非局部均值滤波整体权重，改善了长时序间隙的融合质量。研究表明STNLFFM NDVI在数据精度和适用性方面均表现优异。

同化算法比较揭示：4DVAR通过最小化代价函数实现了全生育期LAI的优化整合，特别在主要生育期前的参数调整方面展现优势；PF在主要生育期内表现良好但前期适应性不足；EnKF则因模拟与观测LAI的物候漂移问题导致精度最低。变分同化方法构建的最小化目标函数在临汾盆地复杂地形区展现出高度适用性。

未来研究可探索融合多状态变量（如ET、ET_p、SM等）的同化方案，并分析不同生育期NDVI-LAI反演模型精度差异，以进一步优化同化数据质量。

5 结论

校准后的CERES-Wheat模型在临汾盆地冬小麦成熟期模拟误差≤2天，LAI模拟MAPE为6.24%，产量模拟MAPE为7.58%，但在山地-农田过渡带存在估算偏差。

时空融合生成的10m/1天分辨率NDVI数据显著改善了MODIS NDVI的适用性。STNLFFM通过影像间转换系数优化，有效消除了ESTARFM因高分辨率数据长间隙产生的条纹伪影。

4DVAR同化算法表现最优，LAI估算MAPE降至6.001%，产量估算平均MAPE提升至4.854%，显著改善了过渡带产量估算精度，为复杂地形区作物模型同化提供了可靠技术路径。