《Remote Sensing of Environment》：Improving regional winter wheat yield estimation by assimilating cross-scale heterogeneity information from UAV and satellite remote sensing
编辑推荐：
•从无人机（UAV）和哨兵卫星（Sentinel）数据中量化了异质性信息。•MDN在区域尺度上量化了像素内的作物-土壤异质性。•考虑异质性的同化方法提高了冬小麦产量估计的准确性。•该框架在不同年份的应用中表现良好。引言作为小麦的主要生产和消费国，中国贡献了全球约17%的小麦产量（
- •
从无人机（UAV）和哨兵卫星（Sentinel）数据中量化了异质性信息。
- •
MDN在区域尺度上量化了像素内的作物-土壤异质性。
- •
考虑异质性的同化方法提高了冬小麦产量估计的准确性。
- •
该框架在不同年份的应用中表现良好。
引言
作为小麦的主要生产和消费国，中国贡献了全球约17%的小麦产量（Han等人，2025b）。准确的冬小麦产量制图不仅有助于农民优化农业生产管理，还支持与食品安全相关的市场调控和政府决策（Feng等人，2020；Xiong等人，2026）。作物生长状况受到“环境×管理×基因型”相互作用的影响，导致田间存在强烈的空间异质性，尤其是在低强度农业系统中（Han等人，2024；Li等人，2026）。为了支持精准管理和运营决策，需要具备足够高的空间分辨率的产量估计数据来捕捉这种空间变异性（Huang等人，2015）。然而，在观测能力有限和样本稀疏的情况下，将异质性信息纳入大规模产量估计仍然具有挑战性。因此，迫切需要一个有效且稳健的框架来进行区域高分辨率产量制图。
卫星遥感是大规模农业监测的主要数据来源，广泛使用的数据传感器包括MODIS、Landsat、Sentinel-1和Sentinel-2（Chen等人，2024；Han等人，2024）。随着人工智能的进步，将卫星像素特征与作物-土壤参数联系起来的机器学习模型已成为区域制图的有效方法（Dong等人，2020）。然而，这些方法的性能在很大程度上取决于可用训练样本的数量和代表性（Ebrahimy等人，2023）。实际上，在不同的时空尺度上获取具有代表性的样本非常耗时，这导致难以在短时间内构建大规模标准化数据集（Hu等人，2024）。更重要的是，卫星像素与地面测量之间存在基本的尺度不匹配：即使哨兵卫星的10米×10米分辨率也远粗于典型的地面采样网格（例如1米×1米）（Mao等人，2022；Xiong等人，2026）。因此，基于点的地面测量可能无法真实反映异质田间的像素级别状况，从而削弱了基于卫星的作物-土壤反演的可靠性（Kolluru等人，2026）。当卫星像素内部存在显著变异时，这种尺度不匹配问题变得更加复杂。在这种情况下，单一像素级别的平均值可能会掩盖作物-土壤状况的内部异质性，而具有相似平均值的像素在实际分布上仍可能存在差异（Zhang等人，2023a）。这种像素内异质性信息的丢失可能会引入代表性误差到卫星反演结果中，尤其是在通过非线性关系获取作物-土壤参数时（Zeng等人，2026）。对于以小农耕作系统为主的地区（如中国），这种限制尤为关键，因为这些地区的田间异质性尤为明显（Gao等人，2025；Han等人，2024）。因此，解决这种尺度不匹配问题对于提高卫星衍生作物信息的准确性和适用性至关重要。
无人驾驶飞行器（UAV）的快速发展为捕捉卫星像素内的田间异质性提供了一种有前景的方法。与卫星观测相比，UAV具有更高的空间分辨率和更灵活的采集时间表，并已被广泛用于田间尺度作物监测（Sahoo等人，2025）。最近的研究使用UAV获取的作物-土壤参数作为地面测量和卫星数据之间的尺度桥梁，大幅增加了高质量训练样本的数量，缓解了尺度不匹配问题（Hu等人，2024；Kolluru等人，2026）。这种跨尺度策略已被用于大面积叶面积指数（LAI）、地上生物量（AGB）和土壤含水量（SMC）的制图（Han等人，2024；Lu等人，2022；Mao等人，2022）。然而，大多数现有研究主要集中在跨尺度应用的可行性上，并通常假设卫星像素内的UAV聚合平均值可以作为像素代表值。这种假设仅在相对均匀的田间条件下是合理的，并忽略了反映实际生长状况的异质性信息（Gao等人，2025；Han等人，2024）。当像素内分布高度分散或多模态时，仅凭平均值无法完全描述潜在的作物-土壤状况（Bischof等人，2026）。因此，像素内作物-土壤参数的分布范围和形状可以提供像素级别平均值无法提供的作物变异信息，特别是在异质田间。尽管先前研究取得了成功，但在利用跨尺度遥感应用明确量化和技术利用田间异质性方面仍存在明显差距。
数据同化结合了遥感和作物模型的优势，通过使用从遥感数据获得的作物-土壤参数来依次更新作物模型状态，从而提高产量估计的准确性（Cheng等人，2025b）。这些框架对作物生长和产量形成过程施加了基于过程的约束，可以减少由于大尺度上作物品种和管理实践信息不完整导致的模拟不确定性（Feng等人，2020）。同化的有效性高度依赖于同化网格的空间尺度（连接作物模型和遥感观测的基本单元）。更高分辨率的同化网格通常能更有效地描述田间异质性，从而提高估计准确性（Cao等人，2025）。在大多数同化框架中，观测不确定性由规定的误差项表示，而同化网格内作物-土壤条件的空间分布通常没有明确表示（Huang等人，2024）。如果忽略像素内异质性，具有相似平均值但内部分布不同的像素可能会对作物模型施加类似的观测约束，可能会无法区分具有不同内部结构的像素（Ryu等人，2020）。在高异质性区域，粗糙的卫星像素甚至可能因代表性差和误差放大而增加同化风险（Han等人，2024）。然而，由于传感器像素大小、图像覆盖范围和重访频率的限制，直接提高卫星遥感数据的空间分辨率仍然极其困难（Cai等人，2026）。幸运的是，UAV遥感提供了一种潜在的方法来弥补这一差距，通过捕捉卫星像素内的异质性。然而，如何将跨尺度遥感与数据同化结合起来，以明确考虑田间异质性并从而提高产量估计，目前仍研究不足。
因此，本研究开发了一种UAV-卫星跨尺度方法来量化田间异质性，并将其集成到数据同化框架中，以改进区域冬小麦产量估计。具体来说，我们的目标包括：（1）开发一种跨尺度方法来量化作物-土壤参数的像素内异质性；（2）探索考虑异质性的数据同化策略以实现最佳产量估计；（3）评估所提出框架的性能和可转移性。重要的是，本研究并非多种方法的简单组合。相反，我们将来自跨尺度遥感的像素内异质性视为可测量信息，并在同化过程中使用它来明确约束作物模型状态更新，从而测试其提高区域产量估计准确性和稳健性的潜力。
章节摘要
实验地点
关中平原是中国主要的冬小麦生产区（图1）。该地区具有温带季风气候，年平均降水量为682毫米，年平均气温为14摄氏度。选择关中平原的代表性农业区咸阳市作为研究地点，以开发和评估适用于干旱和半干旱农业系统的产量估计框架。咸阳的冬小麦通常在11月初播种，6月初收获
利用UAV反演作物-土壤参数
图4展示了使用不同机器学习算法构建的作物-土壤反演模型的性能。总体而言，所有四种模型在训练集上的准确性和误差均低于测试集（R2：0.54–0.96对比0.51–0.88；NRMSE：7.82%–36.01%对比15.93%–38.53%）。这种性能下降是预期的，因为模型泛化能力通常会在应用于不同数据分布的样本时下降。在这些非线性反演任务中，随机森林（RF）和人工神经网络（ANN）的表现优于朴素线性回归（PLSR）
集成UAV和卫星的优势
遥感平台之间的尺度差异决定了它们在农业监测中的互补作用。UAV提供了精细的田间结构，而卫星提供了广泛的空间覆盖和长期的时间序列数据；然而，两者都受到空间分辨率和区域覆盖之间的权衡限制（Hu等人，2024；Mao等人，2022）。为了解决这一限制，我们开发了一种创新的UAV-卫星跨尺度方法来估计
结论
在异质农业系统中进行高分辨率冬小麦产量估计仍然具有挑战性，因为将稀疏的地面观测数据转移到区域尺度的同时保持田间异质性很困难。为了解决这个问题，本研究开发了一种跨尺度数据同化框架，将地面数据、UAV和哨兵卫星遥感以及WOFOST模型结合起来
CRediT作者贡献声明
程志凯：撰写——审阅与编辑，撰写——初稿，可视化，验证，监督，软件，资源管理，项目管理，方法论，调查，正式分析，数据管理，概念化。顾晓波：撰写——审阅与编辑，验证，方法论，资金获取。徐阳：方法论，数据管理。方晓海：数据管理。张正涛：数据管理。李鹏林：数据管理。李玉鹏：软件，方法论。孙世坤：方法论，
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。
致谢
本研究由国家自然科学基金（项目编号：52479049和51909221）、陕西省重点研发计划（项目编号：2024NC-ZDCYL-02-08）以及中国政府科技发展地方专项基金（项目编号：2024ZY-JCYJ-02-41）资助。
程志凯|顾晓波|徐阳|方晓海|张正涛|李鹏林|李玉鹏|孙世坤|杜雅丹|蔡焕杰
