《Smart Agricultural Technology》：Pear tree growth assessment across phenological stages via remote sensing data assimilation
编辑推荐：
精确评估梨树生长对于提高果实产量和品质、促进果业发展至关重要。为克服传统方法的局限性，本研究提出了一种基于世界粮食研究模型（WOFOST）和数据同化技术的、适应多个物候期的梨树生长综合评价方法，以实现及时、准确地评估梨树生长。田间数据采集自新疆阿拉尔市库尔勒香
精确评估梨树生长对于提高果实产量和品质、促进果业发展至关重要。为克服传统方法的局限性，本研究提出了一种基于世界粮食研究模型（WOFOST）和数据同化技术的、适应多个物候期的梨树生长综合评价方法，以实现及时、准确地评估梨树生长。田间数据采集自新疆阿拉尔市库尔勒香梨果园的四个关键物候期。为提高WOFOST模型对多年生梨树模拟的适用性，研究人员对三个方面进行了局部校准：物候期划分、碳分配规则和多年生器官周转过程。在区域尺度应用中，利用Sentinel-2影像构建了三种叶面积指数（LAI）反演模型：偏最小二乘回归（PLSR）、极端梯度提升（XGBoost）和随机森林（RF）。将精度最高的RF模型（R2=0.67–0.71）与集合卡尔曼滤波（EnKF）算法耦合，将反演的LAI同化到校准后的WOFOST模型中。筛选出六个核心指标，即LAI、贮藏器官总重（TWSO）、地上部总生产量（TAGP）、叶片总重（TWLV）、茎总重（TWST）和根总重（TWRT），通过最小-最大归一化进行标准化，并按物候期动态加权，构建了四级评价框架。结果表明，校准后的WOFOST显著提高了梨树模拟精度（三个方面R2=0.62、0.65和0.66）。LAI同化后，六个参数的R2均超过0.75。所提方法有效量化了梨树生长活力的时间动态和空间异质性，准确反映了实际生长模式。本研究为差异化果园管理提供了关键技术支撑和新途径。
梨树作为中国重要商品果树，其种植面积和产量均居世界前列。新疆是优质梨主产区，库尔勒香梨因皮薄质脆、汁多味香而享誉国内外。梨树长势直接决定果实产量与品质，准确、连续的长势监测是水肥调控、花果管理及灾害预警等精准决策的基础。然而，传统梨园长势监测多依赖人工田间调查，存在成本高、时效差、难以覆盖大尺度空间异质性等问题，无法支撑全生育期动态精细管理。同时，多年生梨树具有跨年碳循环、木质部碳储存与再利用、不同物候期养分分配剧烈变化等特殊生长机制，而主流作物过程模型如WOFOST多基于一年生作物开发，直接应用易产生模拟偏差，难以满足梨树生长状态的精确量化需求。单点模型也受气象和土壤空间异质性制约，直接空间外推精度不足。此外，现有果树生长评价多采用单一指标、固定权重，忽视了梨树在开花、果实膨大和成熟等阶段的不同生长重心与养分分配模式，缺乏生物合理性和分期管理适应性。针对模型适应性、区域模拟和综合评价三大核心问题，研究人员以新疆阿拉尔市盛果期库尔勒香梨园为对象，开展了本研究。
研究人员完成了WOFOST模型的本地化参数校准，基于Sentinel-2影像构建了LAI反演模型，并通过EnKF算法将遥感LAI同化至校准后的模型中，最终构建了多物候的梨树生长综合评价框架。研究成果发表在《Smart Agricultural Technology》。
在技术方法上，研究人员采集了新疆阿拉尔市库尔勒香梨园80个果园在花期、幼果期、果实膨大期和成熟期四个关键物候期的LAI数据，以及38个果园的多种生物量数据。基于Sentinel-2影像的13个波段计算了六种植被指数，经相关性和共线性分析后选定NDVI和NDRE作为输入，分别采用PLSR、XGBoost和RF算法建立LAI反演模型。将精度最优的RF模型与EnKF算法耦合，实现遥感LAI与WOFOST模型的动态同化。对模型输出的六个核心指标进行最小-最大归一化，并按物候期动态分配权重，建立四级生长评价标准。
### 3.1 WOFOST模型校准
研究人员采用Sobol全局敏感性分析方法识别影响梨树生长的关键参数，并结合田间实测数据，按照“先物候、后生物量”的分步策略进行校准，对物候期积温阈值、发育速率、光合参数和同化物分配参数等进行了调整。同时将WOFOST的发育阶段（DVS）与BBCH物候标尺对应，重新定义了梨树物候期。验证结果显示，校准后模型模拟的生育期进程与梨树实际生长节律高度一致；地上部总生产量（TAGP）和贮藏器官总重（TWSO）的模拟精度较高（R2=0.66和0.65），叶面积指数（LAI）、叶片总重（TWLV）和茎总重（TWST）的R2分别为0.62、0.62和0.60。这说明经过本地化校准，WOFOST模型能够较好地模拟新疆阿拉尔地区梨树的生长过程。
### 3.2 卫星遥感LAI反演
基于相关性和多重共线性分析，研究人员选择归一化植被指数（NDVI）和归一化红边指数（NDRE）作为输入变量，采用PLSR、XGBoost和RF三种算法分别构建四个物候期的LAI反演模型。结果表明，RF算法在所有时期均表现最优，测试集R2在0.67–0.71之间，RMSE为0.07–0.26 m2 m?2。基于RF模型反演的LAI时空变化显示，梨树LAI从花期到果实膨大期逐渐上升，并在果实膨大期达到峰值4.3；成熟期因下部老叶衰老脱落而逐渐下降，这与梨树实际生长规律相符，证实了反演数据的可靠性，并为后续数据同化提供了高质量输入参数。
### 3.3 EnKF数据同化结果
为克服单点模型的区域应用局限，研究人员利用EnKF算法将遥感反演的LAI动态同化至校准后的WOFOST模型，并以38个独立梨园的LAI、TAGP、TWSO、TWLV、TWST和TWRT实测数据进行验证。结果显示，同化后六个参数的模拟精度均显著提升，R2均超过0.75，且在四个关键物候期保持稳定。其中，LAI在果实膨大期精度最高（R2=0.84），TWSO在花期精度最高（R2=0.83），TWLV在成熟期精度最高（R2=0.83）。这表明遥感数据同化能够有效提升区域尺度梨树生长参数的模拟精度，实现大面积梨园生长动态的高分辨率模拟。
### 3.4 梨树生长综合评价方法结果
研究人员对同化模型输出的六个指标进行最小-最大归一化处理，并按各物候期的核心生长需求动态分配权重，构建了综合生长指数（GI），将梨园长势划分为优、良、中、差四个等级。将该方法应用于阿拉尔地区118个梨园（不包括用于同化验证的38个梨园），结果显示：花期优等级占比最高（57%），优良合计达80%；幼果期优等级比例降至41%，中等等级升至34%；果实膨大期分化加剧，优等级降至29%，中等等级升至35%，成为占比最高的等级；成熟期分化达到峰值，优等级降至全周期最低（27%），良等级升至36%，优良合计63%，形成“优少中良多”的格局。值得注意的是，差等级比例在四个时期始终保持在3%–5%，未见明显波动，提示这些梨园的生长限制可能源于固有因素而非物候期影响。该综合评价方法能够直观揭示不同梨园间的生长差异，有助于识别异常生长地块。
在讨论部分，研究人员指出，WOFOST模型虽基于一年生作物设计，但其核心是光合作用、呼吸作用和同化物分配等普遍生理机制，通过参数优化可以突破作物类型限制，实现对多年生果树的模拟。遥感数据同化框架将模型从单点扩展至区域尺度，并可通过LAI的动态变化间接补偿修剪、灌溉等管理数据缺失带来的误差。多参数综合评价体系克服了单一指标和固定权重的片面性，形成了“结构–功能–积累”的完整评价链。研究局限性在于验证数据仅来自2023年单一年份，梨树营养状态和花芽分化受上年气候和管理影响，模型参数的跨年稳健性有待进一步验证。未来需开展多年多点观测，扩展研究区域和品种，完善技术框架。
研究结论部分翻译如下：(1) WOFOST模型的本地化参数校准有效提高了其对多年生梨树的适用性，实现了整个生长周期关键生理指标的准确模拟，为梨树生长机制模拟提供了可靠支持。(2) 利用随机森林算法从Sentinel-2影像反演区域LAI，并通过EnKF将遥感LAI同化进入校准后的WOFOST模型，显著提高了区域尺度梨树生长参数的模拟精度，实现了大面积梨园长势动态的高时空分辨率模拟。(3) 基于同化模拟结果，选取六个核心生长指标，经过归一化和按物候期动态加权，建立了梨树综合生长评价体系。该体系能够定量表征梨园长势的空间差异，弥补了传统经验性监测的不足，为梨园精准化、规模化经营提供了标准化技术依据。
