《Computers and Electronics in Agriculture》：Key growth stage estimation of rice based on two-layer parameter optimization of remote sensing and growth model
编辑推荐：
精准监测水稻关键生长期对智能施肥灌溉和适时收割至关重要，但遥感方法易受环境干扰且无法动态模拟作物生长机理。本研究创新性地提出双层参数优化策略：首先通过多源遥感植被指数（NDVI、NDRE、RECI、EVI）的融合计算第一层生长阶段估算，再结合作物生长模型进行第二层动态参数优化。实验表明该方法将全生长期均方根误差从单层优化策略的9.3天降低至5.3天，在早生长期监测精度提升尤为显著，同时有效捕捉了气候与农艺管理差异引起的空间变异，为构建高精度、稳定的作物生长阶段动态监测系统提供了新范式。
余明磊|何朝阳|李万宇|王雪|姚霞|程涛|朱艳|曹维星|田永超
国家信息农业工程技术中心、智慧农业工程研究中心（教育部）、作物系统分析与决策重点实验室（农业农村部）、江苏省信息农业重点实验室、江苏省现代作物生产协同创新中心、南京农业大学，南京210095，中国
摘要
准确监测水稻的关键生长阶段对于精准施肥和灌溉调度以及及时收获至关重要。遥感产品在估算作物物候时往往精度较低。基于过程的模型在田间尺度上表现良好，但其大规模应用受到参数数据匮乏和实时驱动因素有限的阻碍。本研究将遥感估算的生长阶段数据整合到作物模型中，利用两层参数优化中的第一层来生成整个生长期的估算结果。随后，将基于多种遥感植被指数估算的生长阶段结果与第一层优化策略生成的结果相结合，并应用两层参数优化策略的第二层来进一步提高预测精度。结果显示，使用遥感植被指数估算水稻生长阶段的平均均方根误差（RMSE）为9.2天。单层参数优化策略填补了遥感方法无法准确估算的关键生长阶段，平均RMSE为9.3天。本研究提出的两层参数优化策略将平均RMSE降低到5.3天，显著提高了水稻整个生长期的估算精度。跨年度和多品种测试验证了该方法的高鲁棒性，平均RMSE比单层方法降低了4.8天，并在早期生长阶段估算方面表现出色。区域尺度结果表明，该方法能够准确捕捉由气候和管理差异引起的空间变化，模拟误差最小。它证明了在提高水稻生长阶段估算的准确性和稳定性方面的良好性能，为作物生长阶段监测提供了一种新的技术方法。
引言
水稻（Oryza sativa L.）是一种对粮食安全具有全球重要性的主食作物（Fukagawa和Ziska，2019）。准确监测水稻生长阶段对于精准施肥、灌溉管理和及时收获至关重要（Higgins等人，2017；Herdiansyah等人，2023），以及应对气候变化不确定性以确保可持续农业（Hui等人，2024）。
传统的田间表型分析虽然准确，但劳动强度大、耗时且空间分布稀疏（Mandal等人，2020）。近年来，遥感技术凭借其能够监测大面积区域并提供时空连续性的能力，逐渐成为作物生长阶段监测的重要工具（Karmakar等人，2024）。基于阈值的方法和曲线拟合方法是两种主要的遥感作物生长阶段监测方法。阈值方法通过设置特定阶段的阈值来划分生长阶段（Salinero-Delgado等人，2021）。然而，固定的阈值设置往往缺乏动态适应性和生物学解释性。Yu和Zhuang（2006）提出了一种基于遥感数据的动态阈值方法，该方法已成功应用于多种遥感数据源，并提高了生长阶段跟踪的准确性。然而，阈值方法容易受到复杂环境中噪声和异常值的干扰，限制了其精度。相比之下，曲线拟合方法通过平滑植被指数曲线，可以更有效地提取作物生长阶段的关键转折点（Wang等人，2006）。在作物生长阶段监测中，叶绿素含量和植被生长状态的变化是两个关键指标。红边叶绿素指数（RECI）对叶绿素含量变化敏感，能够有效反映水稻拔节和抽穗阶段的光合作用和生长状况（Yang等人，2019）。增强植被指数（EVI）对植被生长和生物量高度敏感，可以准确识别分蘖和拔节阶段的生长特征（Liu等人，2017）。例如，Zheng等人（2016）使用双逻辑曲线拟合归一化差异植被指数（NDVI）和RECI，成功提取了水稻的重要生长阶段点，得出RECI在拔节和抽穗阶段表现更好，而NDVI在分蘖和抽穗阶段更有效。此外，Hufkens等人（2019）利用智能手机拍摄的田间作物图像结合曲线拟合，精确提取了小麦的拔节和灌浆阶段，进一步验证了该方法的有效性。尽管这些方法取得了成功，但基于阈值和曲线拟合的方法都缺乏模拟作物内部生长动态的能力，难以全面揭示生物过程（Luo和Yu，2017）。此外，基于遥感的作物生长阶段监测方法通常只能提取某些关键生长阶段点，无法实现整个生长期的动态监测。这些方法还对环境噪声和异常值的鲁棒性不足，影响了监测精度。
作物生长模型模拟作物的发育过程，建立了作物与环境因素之间的定量关系，从而预测关键生长阶段事件（Drees等人，2024）。提高作物模型中生长阶段模拟的精度已成为近期研究的关键挑战和焦点（Liu等人，2021；Onogi，2022）。多项研究表明，优化模型参数和算法可以提高模拟性能。例如，Brown等人（2018）改进了APSIM模型在模拟小麦不同生长阶段的性能，特别是在早期生长、分蘖和开花阶段。同样，You等人（2022）表明，将动态作物生长过程与管理实践（如播种日期）相结合，可以大大提高生长阶段预测的准确性。Chen等人（2023）开发了WheatSM V5.0模型，该模型基于Python并与云服务集成，显著提高了小麦生长阶段模拟的精度。RiceGrow模型在模拟作物生理发育方面也显示出显著优势，通过整合温度和阳光等环境条件，并准确划分生长阶段（Zhu等人，2020）。此外，Zheng和Zhang（2023）采用贝叶斯模型平均方法来提高水稻生长阶段模型的模拟性能，有效降低了预测不确定性。尽管取得了这些进展，但由于精确参数数据的稀缺，作物生长模型的应用仍面临挑战。数据可用性的限制限制了模型在大空间尺度上的精度和预测性能。
近年来，遥感数据与作物生长模型的结合已成为监测和预测领域的一个热点（Geng等人，2024）。遥感数据具有广泛的时空覆盖范围，为作物生长模型提供了必要的外部驱动信息，而作物生长模型凭借其详细的模拟能力，可以准确描述作物的生长和发育过程。两者的结合有潜力显著提高生长阶段估算的精度和可靠性（Yang等人，2021）。目前，关于遥感模型与生长阶段耦合的研究主要涉及参数优化方法，其中将遥感得到的生长阶段数据输入作物生长模型以优化模型输入参数。例如，Chen等人（2018）分析了来自遥感数据的叶面积指数（LAI）曲线，计算曲率以识别生长阶段的拐点和峰值，并利用提取的生长阶段信息优化MCWLA-Wheat模型中的生长阶段模拟，提高了模型的模拟结果。同样，Ntakos等人（2024）将SCOPE辐射传输模型与WOFOST作物生长模型结合，利用遥感数据辅助参数化WOFOST模型，实现了作物发芽、开花和成熟的精确模拟。Zhao等人（2024）使用四维变分算法将WheatGrow模型与卫星图像结合，构建了一个用于估算小麦成熟期的模型。通过引入理论不确定性，他们进一步优化了同化系统，实现了小麦成熟期的精确预测。然而，这些方法的稳定性受到遥感数据质量的显著影响。此外，尽管现有研究主要集中在使用遥感数据优化模型输入参数上，但仍缺乏系统地将遥感得到的关键生长阶段信息整合到作物生长模型中以提高生长阶段估算精度的方法。这代表了未来研究的一个关键方向。
为了进一步提高估算水稻整个生长期的精度，本研究采用了两层参数优化策略，整合了来自多种遥感植被指数的生长阶段估算结果，利用多年多品种的田间实验数据。然后将参数优化结果与数据融合，再应用两层参数优化的第二层来动态调整模型参数。最终，开发了一种深度整合遥感数据和作物生长模型以进行生长阶段估算的方法。具体目标是：（1）评估不同遥感植被指数在估算关键水稻生长阶段方面的有效性；（2）开发一种使用遥感和生长模型的两层参数优化来估算水稻生长阶段的方法；（3）评估所提出方法的鲁棒性和实际应用性。
实验设计
田间实验（实验1-4）在中国江苏省如皋市的国家信息农业工程技术中心（NETCIA）站点进行（东经120°19′，北纬32°14′）。共评估了18个水稻品种，成熟期从138天到175天不等，涵盖了早熟、中熟和晚熟类型。2020年，在江苏省建立了十个站点的网络（实验5）来监测关键生长阶段（图1）。播种/移栽从南部开始延迟（5月初）
基于无人机遥感植被指数估算关键水稻生长阶段
本研究分析了2018年至2021年间使用四种植被指数（NDVI、NDRE、RECI和EVI）估算水稻拔节阶段、抽穗阶段和成熟阶段的准确性。结果（表4）显示，在所有年份中，RECI的RMSE和MAE均低于NDRE。具体来说，2018年和2021年RECI的RMSE分别为8.3天和7.1天，显著低于NDRE的9.3天和11.1天。
散点图
讨论
与传统的人工观察相比，遥感在及时性和空间覆盖范围方面具有优势。然而，它在区域尺度上经常受到环境异质性的影响，并且缺乏模拟作物内部发育过程的能力，限制了其在全周期动态监测中的实用性（Guo等人，2022）。作物生长模型可以模拟整个生长过程，并考虑天气和土壤因素（Chapagain等人，2022）。本研究介绍了一种新颖的两层
结论
本研究将遥感数据与作物生长模型相结合，研究了NDVI、NDRE、RECI和EVI在估算水稻不同生长阶段的性能，并提出了一种两层参数优化策略，用于准确监测关键水稻生长阶段。结果显示RECI和EVI在拔节和成熟阶段估算方面表现优异，EVI在抽穗阶段也具有很高的准确性。两层策略结合数据融合，显著提高了估算精度
CRediT作者贡献声明
余明磊：撰写——原始草稿、软件、方法论、正式分析、数据管理、概念化。何朝阳：撰写——原始草稿、方法论、资金获取、数据管理、概念化。李万宇：软件、方法论、调查。王雪：方法论、调查。姚霞：监督、方法论。程涛：监督、方法论。朱艳：监督、项目管理。曹维星：监督、项目管理。田永超：撰写——
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
致谢
本工作得到了以下支持：1. 中国国家重点研发计划（2023YFD2300500）。2. 江苏省自主创新能力项目（CX(23)1023）。3. 江苏省重点项目（现代农业）（BE2023368）。4. 中国博士后科学基金会博士后奖学金项目（Grant Number GZC20240723）。5. 江苏省优秀博士后人才资助计划（2024ZB402）。我们还要感谢匿名审稿人为手稿改进提供的宝贵意见。
