作物生长模型被广泛用于多尺度模拟作物动态生长。将反演的遥感数据作物参数与作物模型相结合的数据同化方法在描述作物生长和评估农业产量方面具有很大的潜力。本文将无人机(UAV)遥感对作物表型性状的序列观测整合到世界粮食研究(WOFOST)模型中，以提高对作物生长过程的模拟精度。

作者利用集成卡尔曼滤波(Ensemble Kalman Filter, EnKF)将无人机RGB影像中获取的两年夏玉米叶面积指数(LAI)同化到WOFOST中。首先采用拓展傅立叶振幅灵敏度测试(Extened Fourier Amplitude Sensitivity Test，EFAST)全局灵敏度分析方法确WOFOST作物敏感参数，采用SUBPLEX优化算法对参数进行调整和确定。利用EnKF将无人机反演的LAI与作物模拟LAI之间的差异最小化，将LAI数据同化到WOFOST模型中。

结果表明，将LAI同化到WOFOST模型中可以显著提高玉米产量预测的准确性。与非同化相比，数据同化将2020年的均方根误差(RMSE)从413 kg/ha降低到132 kg/ha, 2021年的均方根误差从392 kg/ha降低到215 kg/ha。通过不同集合大小和不同时间点对数据同化的影响，得出生殖生长期集合大小为100时产量预测精度最高。综合以上，利用数据同化(EnKF)技术将无人机作物性状整合到WOFOST模型中，可有效提高玉米产量精度。

图1.数据收集点的地理信息。(a)实验田的地理位置，绿色阴影区域为华北平原；(b) 4个红色点表示地面控制点位置，数字依次表示实验的20个不同地块，(c) 大疆精灵4 Pro V2.0；(d)和(e)分别为不同生长阶段采集的RGB图像和数字地表模型；(f) LAI-220C植物冠层分析仪

图2. 2020年玉米不同生育期RGB植被指数与LAI的线性回归关系

图3. 2021年玉米不同生育期RGB植被指数与LAI的线性回归关系

图4. 2020年和2021年玉米不同生育期RGB植被指数与LAI的线性回归关系

图5. 用一阶相关和二阶相关计算灵敏度。(a)一阶相关模型参数对玉米籽粒产量的敏感性；(b)二阶相关模型参数对玉米籽粒产量的敏感性

图6.WOFOST模型模拟与实测玉米LAI

图7.2020年和2021年营生长期数据同化集合的大小对LAI的影响。注：红色曲线为未同化的玉米LAI，灰色曲线为同化后的玉米LAI，绿色点为无人机遥感反演的LAI。(a)-(d)分别表示基于50、100、150和200个集合大小的数据同化下玉米LAI的动态变化。

图8.数据同化集合大小对2020年和2021年玉米生育期产量的影响

图9.不同生长期同化时间对LAI的影响

图10.不同同化时间对玉米生育期籽粒产量的影响

表1. 最优语义大小下5次同化与单次同化产量预测精度的比较