基于Google Earth Engine的鹰嘴豆机理生长模型与收获前产量预测研究

《Precision Agriculture》：Harnessing Sentinel-2 imagery and AgERA5 data using Google Earth Engine for developing chickpea mechanistic growth modeling and pre-harvest empirical yield forecast

本研究针对精准农业技术成本高、操作复杂导致推广受限的问题，开发了基于Google Earth Engine(GEE)平台的鹰嘴豆机理生长模型和随机森林(RF)产量预测模型。通过整合Sentinel-2影像和AgERA5气象数据，实现了总地上干物质(TAGDB)和籽粒干物质(GDB)的每日模拟，以及收获前两个月的产量预报。模型在68个田间验证中表现出良好性能，为小规模农场提供了实用的精准农业解决方案。

　　

在全球气候变化和耕地退化的双重压力下，农业生产面临着前所未有的挑战。如何在不增加环境负担的前提下提高粮食产量，成为农业科学家亟需解决的重大问题。精准农业(Precision Agriculture, PA)作为数字农业的重要分支，通过先进技术检测和分析作物生产系统的变异性，为优化资源利用提供了新思路。然而，当前精准农业技术的推广应用却面临着高成本、技术复杂性、信息密集型技术操作难度大等多重障碍。

在这背景下，以色列研究团队将目光投向了Google Earth Engine(GEE)这一免费的数字平台。GEE提供了全球空间数据集的广泛访问权限，使其成为理想的精准农业平台。尽管GEE已被成功用于小麦品种对天气条件响应分析等研究，但针对小规模农场且能够实现近实时监测的田间作物应用仍然有限。

鹰嘴豆作为全球第二大食用豆类，在基于谷物的半干旱种植系统中具有重要地位。2003年至2022年间，全球鹰嘴豆种植面积增加了约45%，但其生产极易受干旱和高温等极端气候事件的影响。与大豆等其他豆类作物相比，鹰嘴豆的精准农业研究明显不足，缺乏可大规模应用的、用户友好的监测平台。

为填补这一空白，研究团队开展了一项为期多年的研究，旨在：(1)利用Sentinel-2和AgERA5在GEE上开发空间机理模型，估计整个生长季的TAGDB和GDB；(2)建立收获前空间经验模型，使用Sentinel-2影像预报GY；(3)创建基于GEE的应用程序框架，独立托管两个模型以便简单使用，并开源以促进在其他作物中的应用。

研究团队采用了多技术融合的研究方法，主要关键技术包括：基于Sentinel-2 NDVI的叶面积指数(LAI)估算技术、AgERA5气象数据同化技术、机理生长模型构建技术、随机森林机器学习算法以及Google Earth Engine平台集成技术。研究数据来源于2019-2024年间在以色列多个地区收集的68个鹰嘴豆田间的实地观测数据，包括叶面积指数、总地上干物质和籽粒干物质等生理参数。

机理模型构建与验证

研究基于辐射利用效率(Radiation Use Efficiency, RUE)和收获指数(Harvest Index, HI)理论，建立了鹰嘴豆每日生长模拟模型。通过2019-2021年的田间试验数据校准，得到鹰嘴豆的RUE为3.151×10^-7 ton MJ^-1(0.315 g MJ^-1)，并确定了HI与累积度日(Cumulative Degree Days, CDD)的三段函数关系。

模型在GEE平台上实现了10米分辨率的空间模拟，能够追踪鹰嘴豆生长季内TAGDB和GDB的每日变化。当田间平均LAI降至2以下时，模拟终止，此时得到的GDB即为最终产量估计。这种设计既考虑了作物生理意义，又避免了后期冠层衰老或杂草再生造成的光谱噪声。

经验模型开发与应用

研究利用2023年5月5日获取的Sentinel-2影像，建立了基于随机森林算法的产量预测模型。该日期选择在灌溉开始前后，对应鹰嘴豆开花后的关键物候期。通过留一环境交叉验证策略，模型在八个田间获得了2152个亚田间产量观测数据用于训练和验证。

特征重要性分析显示，红边波段(740 nm和783 nm)和短波红外1波段(1610 nm)对产量预测贡献最大，这与鹰嘴豆生物量和水分状况的生理特性相一致。模型生成的20米分辨率产量分布图显示了田间变异特征，为收获前决策提供了重要参考。

模型性能评估

在亚田间尺度上，机理模型和经验模型的确定系数(R²)分别为0.49和0.24，均方根误差(RMSE)分别为1.49 t ha^-1和1.15 t ha^-1，相对均方根误差(RRMSE)分别为19.89%和15.35%。在田间尺度上，机理模型和经验模型的R²分别为0.43和0.37，RMSE分别为0.90 t ha^-1和0.83 t ha^-1，RRMSE分别为19.35%和17.85%。

区域分析表明，模型在南部地区的预测性能优于北部地区，这可能与北部地区重黏土土壤特性有关。机理模型在南部地区的R²达到0.74，RRMSE为17.39%，而经验模型相应指标为0.54和24.71%。

GEE应用平台开发

研究团队开发了用户友好的GEE应用程序，只需输入田块边界、播种日期和关注日期三个参数，即可运行机理模型和经验模型。应用程序支持回溯分析和实时监测两种模式，并提供结果图层下载功能，便于生成处方图用于变量施肥等精准管理措施。

该研究成功开发了基于GEE平台的鹰嘴豆生长监测和产量预测系统，创新性地将机理模型与经验模型整合在同一应用中。机理模型通过模拟每日生物量积累过程，帮助农民理解作物生长对环境因素的响应机制；经验模型则提供简便的收获前产量预测，支持管理决策。两个模型在性能上呈现互补特征：机理模型更能捕捉环境驱动因素，而经验模型在预测具体产量值时表现更精确。

研究的重大意义在于首次为鹰嘴豆这一重要但研究不足的作物提供了可操作的精准农业工具。通过利用免费的卫星影像和气象数据，以及开源的GEE平台，大幅降低了精准农业技术的应用门槛。特别是对小规模农户而言，这种低成本、易操作的解决方案具有重要推广价值。

该研究的开源策略进一步增强了其影响力，所有模型代码均在GitHub上公开，为其他作物的类似研究提供了可借鉴的框架。随着农业大数据和云计算技术的不断发展，这种基于云平台的作物模型方法有望成为精准农业标准化工具开发的新范式。

研究的局限性主要来自Sentinel-2影像的云层干扰问题，未来可考虑融合Sentinel-1雷达数据加以改进。此外，模型在重黏土地区的性能有待提升，可能需要纳入土壤-植物-水分相互作用等更复杂的生理过程。尽管如此，这项研究为实现可持续农业集约化提供了重要技术支撑，为应对全球粮食安全挑战贡献了创新解决方案。