《Remote Sensing Applications: Society and Environment》：Comparative crop yield forecasting using satellite-derived biophysical and agro-climatic predictors in Sub-Saharan Africa.
编辑推荐：
及时准确的作物产量预测对于粮食安全早期预警系统至关重要，尤其是在气候脆弱地区。尽管操作化预测框架通常依赖于降水以及像归一化差异植被指数（NDVI）这样的植被指数，但它们提供可操作提前时间的能力仍然有限。在此，研究人员评估了卫星衍生的生物物理基本气候变量（ECV
及时准确的作物产量预测对于粮食安全早期预警系统至关重要，尤其是在气候脆弱地区。尽管操作化预测框架通常依赖于降水以及像归一化差异植被指数（NDVI）这样的植被指数，但它们提供可操作提前时间的能力仍然有限。在此，研究人员评估了卫星衍生的生物物理基本气候变量（ECVs）：叶面积指数（LAI）和光合有效辐射吸收比（FAPAR）在预测布基纳法索（BF）的谷子产量以及南非（ZA）和马拉维（MW）的玉米产量中的附加价值。使用随机森林（RF）模型，研究人员在国家和亚国家尺度上量化了整个生长季的预测技能。结果表明，LAI和FAPAR相对于收获提供了大约4个月（BF）、2个月（ZA）和最长达6个月（MW）的有效预测提前时间。在最佳性能时，平均绝对百分比误差（MAPE）在BF分别达到19.8%（LAI）和23.8%（FAPAR），在ZA为12.0%和9.8%，在MW为21.8%和20.8%。跨国家来看，生物物理参数通常优于NDVI和降水，尤其是在干旱和半干旱地区。在亚国家层面，LAI和FAPAR能够将行政单元划分为高技能和中等技能预测单元，揭示了与作物主导性相关的强烈空间异质性。然而，当目标作物不是主导类型时，预测技能下降，这凸显了操作化部署的一个重要局限性。总体而言，这些发现表明，卫星衍生的生物物理参数能够比常用预测因子提供更早且空间分辨率更高的产量信号，具有改善粮食安全早期预警系统及时性和有效性的潜力。
研究背景：气候变化加剧了极端天气事件，对发展中国家农业产生严重影响，导致全球小麦和玉米等作物减产，危及粮食安全和经济。在非洲，干旱和洪水等气候极端事件加剧了粮食不安全，例如2015-2016年厄尔尼诺驱动的干旱使东部和南部非洲约1300万人面临严重饥饿。作物收获的早期预测在缓解严重粮食不安全风险中起关键作用。粮食安全早期预警系统（EWS），如美国国际开发署的饥荒早期预警系统网络（FEWS NET）和联合国地球观测组织全球农业监测（GEOGLAM）的作物早期预警监测（CM4EW），帮助决策者管理农业规划、贸易和粮食不安全应对策略。这些系统使用农业气候监测和各种地球观测（EO）数据集，如CHIRPS降水、CHIRTS温度、FLDAS土壤水分、VIIRS归一化差异植被指数（NDVI）以及NOAA和ECMWF的天气和气候预报来预测粮食不安全并指导及时干预。基于遥感的农业气候预测因子（如降水和NDVI）因其高时间分辨率、全球覆盖和低延迟而被广泛用于亚国家级的近实时作物监测和产量预测，并成为许多操作化作物监测和粮食安全早期预警系统的基础，使其成为评估卫星衍生物理参数附加价值的合适基准预测因子。然而，近期作物产量预测研究越来越多地转向集成建模框架，结合多种环境和遥感信息源，包括气象变量、植被指数、土壤湿度、陆地表面温度和生物物理指标。研究还探索了替代特征构建策略，如基于物候的指标、累积季节性指标、异常预测因子以及捕捉作物条件与产量结果之间非线性关系的机器学习方法。同时，预测框架越来越强调尺度特定和操作化考虑，包括亚国家预测、季节内预测更新以及跨多个提前时间的评估，以支持农业早期预警系统。在此背景下，本研究评估了卫星衍生物理参数（叶面积指数（LAI）和光合有效辐射吸收比（FAPAR））相对于常规农业气候预测因子的预测性能，并评估了这些生物物理变量相对于广泛使用的降水、NDVI等预测因子的增量预测价值。LAI被定义为冠层绿色元素总表面积的一半与单位水平地面面积之比，FAPAR定义为被活叶吸收用于光合作用的太阳辐射比例。使用LAI和FAPAR作为作物产量预测因子的理由在于其相对于传统植被指数（如NDVI和增强型植被指数（EVI））具有明显的额外预测能力。这些植被指数主要依赖可见光和近红外波段，常忽略作物关键的结构和生理特征，如叶片分层和叶绿素饱和，使NDVI在密集植被条件下或作物胁迫期间对生理结构不敏感。在水胁迫时，植物表现出叶片面积减少、叶片卷曲和冠层结构变化等生理响应，显著影响光吸收和能量平衡，而NDVI会饱和无法检测此类变化，但LAI和FAPAR能更准确反映这些生理响应，从而提供对作物健康和胁迫响应的改进洞察。过去研究已证实LAI和FAPAR作为作物产量预测因子的潜力，如在尼罗河三角洲LAI提前一个月以上预测水稻产量并优于其他植被指数，在乌克兰LAI和FAPAR相比NDVI分别提高了46%和40%的小麦产量预测精度。然而，尽管对卫星衍生物理参数的兴趣日益增长，其在操作化作物产量预测中的应用仍存在关键空白：大多数现有研究集中在单一作物、固定预测时间或聚合区域尺度，限制了对预测技能在整个生长季如何演变的理解。特别是，关于预测精度随收获前提前时间如何变化、模型性能在亚国家行政单元间是否一致，以及LAI、FAPAR等生物物理参数相对于降水和NDVI等广泛使用预测因子的增量操作化价值，证据有限。解决这些空白对于提高数据稀缺、气候脆弱地区早期预警系统的可靠性和可用性至关重要。本研究旨在通过三个关键贡献填补这些空白：量化预测技能作为收获前提前时间的函数，评估生物物理ECVs相对于常用农业气候预测因子的增量价值，以及评估亚国家尺度预测性能的空间异质性。
研究人员开展的研究：本研究系统比较了卫星衍生的生物物理参数（LAI和FAPAR）与常规农业气候预测因子（降水和NDVI）在撒哈拉以南非洲三个国家（布基纳法索的谷子、南非和马拉维的玉米）的亚国家尺度产量预测表现。使用随机森林（RF）模型，采用7:3的滚动时间序列训练-测试方案，评估了从生长季开始到收获前各月的预测技能，并量化了不同预测因子组合的增量价值。样本队列来源：作物产量数据来自FEWS NET数据仓库（FDW）的行政单元级（1级或2级）收获面积和产量数据，覆盖布基纳法索（45个行政单元，1999-2019年）、南非（9个省级单元，2000-2020年）和马拉维（19个行政单元，2000-2017年）。生物物理参数（LAI和FAPAR）来自哥白尼陆地监测服务（CLMS）的1公里分辨率旬产品，聚合为月均值；降水数据来自CHIRPS（5公里日值，累计月总和）；NDVI数据来自NOAA AVHRR和USGS eVMOD/eVIIRS的混合数据集（1公里月最大值）。所有EO数据均应用IIASA-IFPRI全球作物掩膜（>0%作物分数阈值）提取作物像素，然后计算行政单元内空间均值。RF模型使用100棵决策树，固定随机种子，不进行超参数调优，以保持模型结构一致并隔离预测因子的影响。模型评估指标为平均绝对百分比误差（MAPE）和均方根误差（RMSE），并基于MAPE计算技能评分。关键方法包括：基线模型（时间趋势+行政单元）、单变量模型（降水、NDVI、LAI、FAPAR分别加基线和时间趋势）、操作化农业气候模型（NDVI+降水+趋势+单元）和组合模型（LAI+FAPAR+NDVI+降水+趋势+单元）。通过比较MAPE差异评估生物物理参数的增量价值，并使用干旱指数（生长季降水与参考蒸散之比）将行政单元划分为气候类别（干旱/半干旱/干燥半湿润、湿润），分析气候对预测技能的影响。还进行了Wilcoxon符号秩检验评估性能差异的统计显著性。
研究结果：
4.1 生物物理参数的预测技能：通过比较LAI和FAPAR模型与基线模型（仅时间趋势+行政单元）的MAPE，确定了有效预测提前时间。在布基纳法索，LAI模型在9月（开花至早期灌浆期）达到最低MAPE 19.76%，有效提前约4个月；FAPAR模型在8月（开花期）达到最低MAPE 23.75%，有效提前约5个月。在南非，LAI模型在11月（营养生长早期）最低MAPE 11.24%，FAPAR模型在2月（灌浆期）最低MAPE 9.76%，但两者均未在国家级超越基线模型，进一步分析表明在更短提前时间（如2月）时提供额外技能。在马拉维，LAI和FAPAR均在1月（生殖发育早期）达到最低MAPE（21.8%和20.77%），有效提前约6个月。结果说明生物物理参数可在收获前2-6个月提供有效预测，但国家级技能因作物和区域而异。
4.2 生物物理参数作物预测技能的及时性：基于最佳月份（9月BF、2月ZA、1月MW）的MAPE，将行政单元划分为高技能（<20%）、中等技能（20-35%）和低技能（>35%）。在布基纳法索，LAI模型在高技能单元中表现最佳（22个单元），优于降水（16个）和NDVI（12个）；FAPAR模型在中等技能单元较多。在南非，FAPAR模型在高技能单元中领先（8个），LAI、NDVI和降水各7个，且LAI和FAPAR无低技能单元。在马拉维，FAPAR和NDVI各有5个高技能单元，但LAI模型在中等技能单元最多（10个）且无低技能单元。通过干旱指数分类，发现LAI和FAPAR在干旱/半干旱/干燥半湿润地区普遍优于降水，而在湿润地区优势不一致；但跨气候区，LAI和FAPAR始终优于NDVI。
4.3 生物物理参数相对于降水和NDVI的预测技能：使用象限图分析LAI/FAPAR模型与降水/NDVI模型的MAPE差异（正值表示生物物理参数更优）。对于LAI vs 降水，MAPE差异范围-13.63%至39.39%，大多数行政单元（尤其是高技能和中等技能）显示LAI更优，但在布基纳法索的Tuy单元和南非的林波波省出现退化。对于LAI vs NDVI，差异范围-9.8%至16.62%，高技能单元中LAI优势明显，如布基纳法索的Tapoa提高15.19%。FAPAR vs 降水（差异-12.89%至43.2%）和FAPAR vs NDVI（差异-11.06%至19.39%）也显示类似模式，但FAPAR在布基纳法索预测谷子时表现不如LAI，与谷子的光周期敏感性和FAPAR在生长旺季饱和有关。统计检验（Wilcoxon符号秩检验）证实LAI相对于降水（p=0.008）和NDVI（p<0.001）的改进具有统计显著性，而FAPAR相对于NDVI显著（p=0.003），相对于降水不显著（p=0.179）。
4.4 操作化作物产量预测模型的技能：评估了仅用农业气候预测因子（降水+NDVI）与组合模型（加入LAI和FAPAR）的性能。在国家级，组合模型在生长旺季的预测技能提升，特别是在高产行政单元（如布基纳法索的Yatenga、南非的Mpumalanga、马拉维的Dedza）。特征重要性分析显示，在布基纳法索FAPAR主导整个生长季；在南非，降水、LAI和FAPAR在生长旺季重要性最高；在马拉维，LAI和FAPAR是最有影响力的预测因子，凸显生物物理变量的贡献。
讨论与结论总结：本研究通过比较生物物理参数（LAI和FAPAR）与常规预测因子（降水和NDVI）在撒哈拉以南非洲三个国家的亚国家尺度产量预测，证明了卫星衍生的生物物理参数可为操作化作物产量预测提供附加价值。关键发现包括：(1)生物物理参数（LAI和FAPAR）有效捕捉亚国家作物产量变异性，在收获前2-6个月表现出高预测技能；(2)使用LAI和FAPAR的模型相对于降水和NDVI模型性能提升；(3)LAI和FAPAR模型在所有三个国家中普遍优于NDVI模型，尤其是在布基纳法索和南非的干旱、半干旱和干燥半湿润地区；(4)LAI对作物类型敏感，在目标作物（如谷子）非主导的行政单元中精度下降，因为生物物理信号受其他作物（如玉米）影响，如在布基纳法索某些单元观察到；(5)FAPAR对非光周期作物（如玉米）预测最佳。研究强调将生物物理参数纳入操作化作物产量预测系统对粮食安全早期预警的价值，能够提供更早、空间分辨率更高的产量信号，支持资源分配、针对性干预和风险管理的决策改进。研究局限性包括马拉维历史记录较短（18年），以及使用静态作物掩膜可能混合目标与非目标作物信号。未来研究可采用时间变化、作物特异性掩膜以提高精度。
