Integrating remotely sensed information into the APSIM wheat model to improve crop yield prediction

Hao, Shirui; Hendricks Franssen, Harrie-Jan; Western, Andrew; Ryu, Dongryeol

doi:43812

Integrating remotely sensed information into the APSIM wheat model to improve crop yield prediction

Hao, Shirui^RWTH*

2024 & 2025

Verantwortlichkeitsangabevorgelegt von Shirui Hao, M. Sc.

ImpressumAachen : RWTH Aachen University 2024

Umfang1 Online-Ressource : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2024

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2025. - Cotutelle-Dissertation

Genehmigende Fakultät
Fak05

Hauptberichter/Gutachter
Hendricks Franssen, Harrie-Jan (Thesis advisor)^RWTH* ; Ryu, Dongryeol (Thesis advisor) ; Western, Andrew (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2024-04-30

Online
DOI: 10.18154/RWTH-2024-08168
URL: http://publications.rwth-aachen.de/record/992344/files/992344.pdf

Einrichtungen

Inhaltliche Beschreibung (Schlagwörter)
APSIM (frei) ; agricultural modelling (frei) ; data assimilation (frei) ; modelling and simulation (frei) ; remote sensing (frei) ; wheat modelling (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
In der Landwirtschaft ist das Monitoring des Pflanzenwachstums und die rechtzeitige Vorhersage des Ernteertrags von großer Bedeutung. Die Modellierung und Vorhersage des Ernteertrags liefern Informationen zur Prüfung verschiedener Möglichkeiten zur Bewirtschaftung von Kulturen, zur Lenkung der Pflanzenzüchtung, zur Erkenntnis und Erforschung der Minderung von Umweltauswirkungen und zur Optimierung der Produktion. Prozessbasierte Ertragsmodelle, wie der Agricultural Production Systems sIMulator (APSIM), wurden weit verbreitet eingesetzt, um das Pflanzenwachstum zu simulieren und den Ertrag vorherzusagen, da sie das aktuelle Verständnis komplexer Zusammenhänge zwischen Pflanzen und Umwelt integrieren. Modelle vereinfachen jedoch komplexe Prozesse und es gibt Unsicherheiten in den prognostizieren Erträgen. Die Fernerkundungstechnologie bietet eine räumlich verteilte und zuverlässige quantitative Schätzung des Pflanzenzustands in Echtzeit, die durch die Verwendung von Datenassimilationsmethoden mit Ertragsmodellen integriert werden kann, um Vorhersageunsicherheiten zu reduzieren und damit die Vorhersagequalität zu verbessern. Diese Dissertation (1) überprüft die Leistung des APSIM-Wheat-Modells und identifiziert wichtige Faktoren, die die Unsicherheit der Ertragsvorhersage beeinflussen; (2) führt Sensitivitätsanalysen mit der Sobol’-Methode durch, um die Empfindlichkeit der Ertragsvorhersage gegenüber sechs einflussreichen Parametern zu untersuchen, die in Teil (1) identifiziert wurden; (3) bestimmt die geeignetsten Zustandsvariablen des APSIM-Wheat für die Datenassimilation und entwickelt einen Beobachtungsoperator, um die Modellanpassung mit Fernerkundungsbeobachtungen zu erleichtern; und (4) entwickelt ein Datenassimilationsschema, um fernerkundliche Informationen zur Pflanzenentwicklung in das APSIM-Wheat-Modell zu integrieren. Dieses neue Datenassimilationsschema soll die Simulation der Weizenerträge sowie deren räumliche Variabilität mit dem APSIM-Wheat-Modell verbessern. Kapitel 2 überprüft die Vorhersagequalität von APSIM-Wheat, einem der gängigsten Getreide-Module von APSIM, und identifiziert die Faktoren, die die Unsicherheit der Ertragsvorhersage beeinflussen. Die Ergebnisse der Modellbewertung aus 76 veröffentlichten Studien in dreizehn Ländern auf vier Kontinenten wurden analysiert. Darüber hinaus wurde eine Metadatenbank aus modellierten und beobachteten Erträgen aus 30 Arbeiten innerhalb dieser Studien erstellt. Die Analyse zeigt, dass APSIM mit standortspezifischer Kalibrierung den Ertrag unter einer breiten Palette von Umgebungen in der Regel mit einem RMSE kleiner als 1 t/ha vorhersagt. Für regenwassergespeisten Weizen ergab die Überprüfung und Metaanalyse, dass geschätzte bodenhydraulische Eigenschaften, Bodenfeuchtebedingungen, Stickstoffverfügbarkeit, Hitze- und Frostereignisse sowie einige andere abiotische Stressfaktoren (Lagerung und Wurzelerkrankungen) zu größeren Abweichungen und Unsicherheiten in der Ertragsvorhersage führen. Kapitel 3 beschäftigt sich mich der Integration von Satellitenbeobachtungen in APSIM-Wheat, um die Genauigkeit und Robustheit der Ertragsvorhersage zu verbessern. Als wichtiger Schritt hin zur Integration von Satelliten und APSIM wurde in Kapitel 3 eine globale Sensitivitätsanalyse (unter Verwendung der Sobol'-Methode) durchgeführt, um die Empfindlichkeit von Einflussparametern auf die Ertragsvorhersage zu bewerten. Die Ergebnisse zeigen, dass der Niederschlag, der Anfangsgehalt an Bodenstickstoff und die Bodenparameter den größten Einfluss auf die Ertragsvariabilität haben. Die Vorhersage des Ertrags durch APSIM reagiert empfindlicher auf einen bestimmten Faktor, wenn dieser Faktor limitierend wirkt. Diese Ergebnisse werden im Folgenden verwendet, um ein Datenassimilationsschemata für Ertragsmodelle zu entwickeln. Der Index der grünen Blattfläche (GLAI) wurde als die Variable ausgewählt, die in das APSIM-Wheat-Modell integriert werden sollte. Sentinel-2 wurde aufgrund seiner hohen räumlichen (10-20 m) und zeitlichen (5 Tage) Auflösung und seiner Relevanz für die Schätzung des GLAI für die Erstellung der Beobachtungen ausgewählt. Ein Beobachtungsoperator, der die mathematische Zuordnung vom Modellzustand in den Beobachtungsraum (oder umgekehrt) liefert, wurde entwickelt, um verschiedene Vegetationsindizes mit dem APSIM GLAI in Kapitel 4 zu verknüpfen. Die Ergebnisse zeigen, dass der aus Sentinel-2 abgeleitete Chlorophyllindex (CI) unter Verwendung von Red-Edge-Bändern die engste Beziehung zum APSIM-simulierten GLAI aufweist. Die Unsicherheit des Beobachtungsoperators wurde ebenfalls ermittelt und zur Darstellung der Hintergrundvorhersageunsicherheit im Beobachtungsraum verwendet. Datenassimilation (DA) ist eine Reihe von statistischen Techniken, die eingesetzt werden können, um externe Informationen (wie In-situ-Messungen oder fernerkundliche Beobachtungen) mit einem Modell zu kombinieren, um die Vorhersageleistung des Modells zu verbessern. Sie ermöglicht die Aktualisierung der Modellzeitschritt-Zustandsvariablen mithilfe verfügbarer Informationen. In Kapitel 5 wurde ein synthetisches Datenassimilationsexperiment durchgeführt, um die aktualisierten Zustandsvariablen, die Aktualisierungszeiträume, die Aktualisierungsintervalle und die Unsicherheiten im Modell und in den Beobachtungen zu testen. Es wurde festgestellt, dass die Aktualisierung aller Biomassekomponenten im Weizenmodul (Korn, Blatt, Stängel, Ähre und Wurzel) über die gesamte Aussaat-Ernte-Dauer in täglicher Häufigkeit zu den besten Ergebnissen in der Ertragsvorhersage führt. Ein realistischerer Aktualisierungsintervall von 5 Tagen führte dennoch zu einer deutlichen Verbesserung. Die entwickelte Datenassimilationsstrategie wurde für acht Szenarien validiert, die hohe, mittlere und niedrige Ertragsfälle repräsentieren. Die Ergebnisse zeigen, dass die Aktualisierung aller Biomassezustände alle 5 Tage über die gesamte Wachstumsperiode hinweg die Vorhersageabweichung des Ertrags um 51% - 85% korrigierte, wobei die Abweichung von 230 - 2134 kg/ha auf 93 - 533 kg/ha reduziert wurde. Die Standardabweichung wurde ebenfalls um 41,7% - 66,7% reduziert. Nach dem synthetischen Experiment wurde das Datenassimilationsschema auf ein regenwassergespeisten Weizenfeld im Nordwesten von Victoria, Australien, angewendet, wobei Sentinel-2- und Planet-Scope-Beobachtungen verwendet wurden (Kapitel 6). Das Feld wurde hierzu in 58 Patches unterteilt, die die räumliche Variabilität des Ertrags charakterisieren. Zwei Fälle von offenem Kreislauf wurden verwendet, um die Robustheit der Datenassimilationsleistung zu bewerten. Die Ergebnisse zeigen, dass für den Hochertragsfall die Datenassimilation die Abweichung der Ertragsvorhersage um 37% - 97% korrigierte, mit einer mittleren Korrekturleistung von 73%. Die Unsicherheit wurde von 0,71 t/ha auf einen Bereich von 0,52 - 0,60 t/ha reduziert. Für den Niederertragsfall wurde die Abweichung um 18% - 94% korrigiert, und es wurde eine signifikante Unsicherheitsreduktion erreicht, die von 0,76 t/ha auf einen Bereich von 0,29 - 0,40 t/ha reduziert wurde. Es konnte die Effizienz und Robustheit des entwickelten Datenassimilationsschema für das APSIM-Wheat-Modell bei der Verbesserung der Ertragsabschätzung des Modells bezeigt werden. Diese Verbesserung bietet das Potenzial, qualitativ hochwertige Ertragsvorhersagen mit Glaubwürdigkeit zu liefern, um eine bessere Planung von Bewirtschaftungspraktiken und die Optimierung der Lebensmittelproduktion zu ermöglichen. Diese Arbeit bietet auch einen Leitfaden für den Designprozess eines Datenassimilationsframeworks für Ertragsmodelle, der als Anleitung zur Schätzung von Modellunsicherheit, zur Auswahl geeigneter Beobachtungen, zur Schätzung ihrer Fehler und zur Bestimmung der Zustandsaktualisierungsstrategie dienen kann.

In agriculture, monitoring crop growth, and predicting crop yield in a timely manner are of great importance. Crop yield modelling and forecasting provide information to test various crop management options, guide crop breeding, understand and explore mitigation of environmental impacts, and optimise production. Process-based crop models, such as the Agricultural Production Systems sIMulator (APSIM), have been widely applied to simulate crop growth and predict yield because they incorporate the current understanding of complex crop-environment dynamics. However, models simplify complex processes and predict yield with uncertainty. Remote sensing technology provides spatially distributed and reliable quantitative estimation of crop status near real-time, which can be integrated with crop models by using data assimilation methods to mitigate prediction uncertainties and improve predictive performance. This thesis (1) reviews the performance of the APSIM-Wheat model and identifies the important factors that influence yield prediction uncertainty; (2) undertakes sensitivity analyses using the Sobol’ method to examine the sensitivity of crop yield prediction to six influential parameters identified in part (1); (3) determines the most suitable APSIM-wheat state variables for data assimilation and develops an observation operator to facilitate model updating with remote sensing observations; and (4) develops a data assimilation scheme to integrate remotely sensed crop information into the APSIM-Wheat model. The proposed scheme improves the wheat yield estimation performance and enables the model to better simulate spatial variability in yield. Chapter 2 reviews the performance of APSIM-Wheat, one of the most popular crop modules in APSIM, and identifies the factors that influence yield prediction uncertainty. Model evaluation results from 76 published studies across thirteen countries on four continents were analysed. In addition, a meta-database of modelled and observed yields was established from 30 papers within these studies. The analysis indicates that with site-specific calibration, APSIM predicts yield with an RMSE typically smaller than 1 t/ha under a wide range of environments. For rainfed wheat, the review and meta-analysis found that estimated soil hydraulic characteristics, soil water conditions, nitrogen availability, heat and frost events, and some other abiotic stresses (lodging and root disease) lead to larger yield prediction residuals and uncertainty. Integrating satellite observations into APSIM-Wheat is hypothesised to improve the yield prediction accuracy and robustness. As an important steppingstone towards the satellite-APSIM integration, a global sensitivity analysis (using the Sobol’ method) was conducted to rank the sensitivity of influential parameters affecting yield prediction (Chapter 3). Results indicate that precipitation, initial soil nitrogen content, and soil parameters have the largest influence on yield variability. APSIM’s yield prediction becomes more sensitive to a factor when that factor becomes more limiting. These results are used to guide the design of data assimilation schemes for crop models. Green leaf area index (GLAI) was selected as the variable to assimilate into the APSIM-Wheat model. Sentinel-2 was chosen to produce the observations due to its high spatial (10-20 m) and temporal (5 days) resolutions and its relevance to estimating GLAI. An observation operator, which provides the mathematical mapping from model state to observation space (or vice versa), was developed to link several vegetation indices with APSIM GLAI in Chapter 4. The results show that Sentinel-2 derived chlorophyll index (CI) calculated using red edge bands have the closest relationship with APSIM simulated GLAI. The uncertainty of the observation operator was also determined and used to represent the background prediction uncertainty in the observation space. Data assimilation (DA) is a set of statistical techniques that can be employed to combine external information (such as in situ measurements or remotely sensed observations) with a model to improve model prediction performance. It enables the updating of model time-step state variables using available information. In Chapter 5, a synthetic data assimilation experiment was conducted to test the updated state variables, the updating periods, the updating intervals, and the uncertainties added to the model and observations. It was found that updating all biomass components in the wheat module (grain, leaf, stem, spike, and root) from the whole duration of sowing-harvest at a daily frequency resulted in the best yield prediction performance. A more realistic 5-day updating interval still resulted in noticeable improvement. The designed data assimilation strategy was validated for eight scenarios representing high-, medium-, and low-yield cases. The results show that updating all biomass states every 5 days across the whole growing season effectively corrected yield prediction residual by 51% - 85%, with the residual decreasing from 230 – 2134 kg/ha to 93 – 533 kg/ha. The standard deviation was also decreased by 41.7% – 66.7%. After the synthetic experiment, the data assimilation scheme was applied to a rainfed winter wheat field located in north-western Victoria, Australia using Sentinel-2 and Planet Scope observations (Chapter 6). The field was segmented into 58 patches characterising yield spatial variability. Two open loop cases were used to assess the robustness of the data assimilation performance. The results show that for the high-yield open loop case, data assimilation corrected yield prediction residual by 37% – 97%, with a median correction efficiency of 73%. The uncertainty was decreased from 0.71 t/ha to a range of 0.52 – 0.60 t/ha. For the low yield open loop case, the residual was corrected by 18% – 94%, and a more significant uncertainty reduction was achieved, decreasing from 0.76 t/ha to between 0.29 and 0.40 t/ha. The developed data assimilation framework for the APSIM-Wheat model shows efficiency and robustness for improving model yield estimation. The improvement provides the potential to deliver quality yield predictions with credibility, enabling better planning of management practices and optimisation of food production. This work also provides a pipeline for the design process of a crop model data assimilation framework, which can serve as a guide for estimating model uncertainty, choosing appropriate observations, estimating their errors, and determining the state updating strategy.

OpenAccess:
PDF
(additional files)