编辑推荐：
为解决水稻产量数据准确性问题，研究人员利用遥感数据优化产量图后处理，提高了产量与卫星数据相关性，助力精准农业。
在全球人口不断增长的背景下，农业生产面临着巨大的压力。如何在有限的耕地面积上提高农作物产量，保障粮食安全，成为了农业领域的重要课题。精准农业（Precision Agriculture，PA）作为一种现代化的农业管理策略，旨在通过对农田信息的精准获取和分析，实现农业生产的优化。其中，从联合收割机获取的产量数据是精准农业的关键，但这些数据的准确性存在挑战，例如数据变异性大、异常值处理复杂等，这使得现有产量数据后处理协议在商业规模应用上受到限制。同时，在水稻种植领域，利用遥感数据进行产量预测和优化管理的研究还相对较少，且缺乏自动化的产量图后处理协议。
为了解决这些问题，来自西班牙的研究人员开展了一项关于利用遥感数据优化水稻收割机产量图后处理的研究。该研究成果发表在《Precision Agriculture》上，为精准农业的发展提供了重要的理论和实践依据。
研究人员采用了多种关键技术方法。在数据获取方面，利用 Sentinel-2 A/B 卫星上的多光谱仪器（MSI）获取卫星图像，选取了绿（≈560 nm）、红（≈665 nm）和近红外（NIR，≈842 nm）三个光谱带的数据。同时，通过配备产量监测器的商业联合收割机获取产量数据，涉及两个不同地区（塞维利亚和巴伦西亚），使用了不同的软件（Trimble 和 Topcon）。在数据处理与分析上，提出了一种改进的数据后处理协议，分为四个步骤，包括去除生物极限外的数据、进行全局和局部调整、应用均值滤波等，并通过地理统计分析和遥感建模对不同后处理步骤生成的产量图进行验证。
研究结果
- 地理统计信息：研究发现，不同类型的后处理会删除部分多边形和像素，但在 Sentinel-2 分辨率下，删除的像素比例相似且较低（低于 3%）。后处理显著降低了产量数据的变异性，其中 G1L1 类型的变异系数（Coefficient of Variation，CV）最低（CV=2.87），且该类型在减少产量范围和优化半方差图方面表现最佳，表明其能有效减少数据异常。
- 卫星建模：不同的后处理类型会影响产量与卫星数据之间的相关性（r2）。采用较窄的区间（m ± n?SD）选择多边形，减少数据变异性，能够提高利用 Sentinel-2 数据创建的水稻产量估计模型的准确性。G1L1 后处理类型与卫星数据的相关性最佳，应用 3×3 均值滤波器后，r2进一步提高。
- 验证：通过对不同后处理类型的模型进行验证，发现初始步骤（step 1）的均方根误差（Root Mean Square Error，RMSE）较高（0.935 t?ha-1），随着后处理步骤的增加，RMSE 显著降低。最终，G1L1F1 后处理类型的 RMSE 平均为 0.572 t?ha-1，表明该后处理类型能有效提高产量估计模型的准确性。
研究结论与讨论
该研究验证了一种利用遥感数据优化水稻产量数据后处理的新协议的有效性。通过优化后处理，显著提高了 Sentinel-2 测量的反射率与作物产量之间的相关性，G1L1F1 后处理类型在验证产量估计模型方面表现出色。尽管后处理减少了数据变异性，但对总像素数影响较小，同时提高了 r2和 RMSE。以 Sentinel-2 的 10×10 m2空间分辨率作为产量图的参考网格，有助于分析作物行为。
研究还发现，产量估计模型的误差受多种因素影响，而数据后处理的不确定性（0.200 t?ha-1）为产量估计模型的发展提供了重要参考。未来的作物模型可以采用该数据处理协议，结合联合收割机传感器测量和 Sentinel-2 数据，更全面地了解田间变异性，提高作物建模方法的稳健性和可靠性。此外，该研究为优化水稻作物生产、制定更有效的作物管理策略提供了新的思路和方法，有助于推动精准农业的发展，提高农业生产的效率和可持续性。
