Estimación del Crecimiento del Arroz y Predicción del Rendimiento mediante la Combinación del Modelo DSSAT y Datos de Teledetección Utilizando la Técnica de Cadena de Markov de Monte Carlo
Autores: Chen, Yingbo; Wang, Siyu; Xue, Zhankui; Hu, Jijie; Chen, Shaojie; Lv, Zunfu
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Estimación del Crecimiento del Arroz y Predicción del Rendimiento mediante la Combinación del Modelo DSSAT y Datos de Teledetección Utilizando la Técnica de Cadena de Markov de Monte Carlo
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Botánica
Palabras clave
Modelos de cultivos
Datos de teledetección
índice de área foliar
Acumulación de nitrógeno en plantas
Sistema de Soporte a la Decisión para la Transferencia de Agrotecnología
Cadena de Markov de Monte Carlo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 7
Citaciones: Sin citaciones
La integración de modelos de cultivos y datos de teledetección se ha convertido en un método útil para monitorear el estado de crecimiento de los cultivos y el rendimiento de los cultivos basado en la asimilación de datos. El objetivo de este estudio fue utilizar los valores del índice de área foliar (LAI) y los valores de acumulación de nitrógeno en las plantas (PNA) generados a partir de índices espectrales para calibrar el modelo del Sistema de Soporte a la Decisión para la Transferencia de Agrotecnología (DSSAT) utilizando la técnica de Monte Carlo Markov Chain (MCMC). Los parámetros de gestión iniciales, incluyendo la fecha de siembra, la tasa de siembra y la tasa de nitrógeno, se recalibran en función de la relación entre las variables de estado de teledetección y las variables de estado simuladas. Esta técnica integrada se probó en conjuntos de datos independientes adquiridos de tres pruebas de campo de arroz en el sitio experimental en Deqing, China. Los resultados mostraron que el método de asimilación de datos logró las estimaciones más precisas de LAI (R = 0.939 y RMSE = 0.74) y PNA (R = 0.926 y RMSE = 7.3 kg/ha) en comparación con el método del índice espectral. Las diferencias promedio (RE, %) entre los parámetros inicializados invertidos y los parámetros de entrada originales para la fecha de siembra, la tasa de siembra y la cantidad de nitrógeno fueron del 1.33%, 4.75% y 8.16%, respectivamente. El rendimiento estimado estuvo en buena concordancia con el rendimiento medido (R = 0.79 y RMSE = 661 kg/ha). La desviación cuadrática media (RMSD) promedio para los valores simulados de rendimiento fue de 745 kg/ha. Se cuantificó la incertidumbre del rendimiento a partir de la asimilación de datos entre modelos de cultivos y teledetección. Este estudio encontró que la asimilación de datos de modelos de cultivos y datos de teledetección utilizando la técnica MCMC podría mejorar la estimación del índice de área foliar de arroz (LAI), la acumulación de nitrógeno en las plantas (PNA) y el rendimiento. La asimilación de datos utilizando la técnica MCMC mejora la predicción de LAI, PNA y rendimiento al resolver el efecto de saturación del índice de vegetación de diferencia normalizada (NDVI). Este método propuesto en este estudio puede proporcionar un soporte preciso para la toma de decisiones en la gestión de campos y anticipar las fluctuaciones regionales del rendimiento con anticipación.
Descripción
La integración de modelos de cultivos y datos de teledetección se ha convertido en un método útil para monitorear el estado de crecimiento de los cultivos y el rendimiento de los cultivos basado en la asimilación de datos. El objetivo de este estudio fue utilizar los valores del índice de área foliar (LAI) y los valores de acumulación de nitrógeno en las plantas (PNA) generados a partir de índices espectrales para calibrar el modelo del Sistema de Soporte a la Decisión para la Transferencia de Agrotecnología (DSSAT) utilizando la técnica de Monte Carlo Markov Chain (MCMC). Los parámetros de gestión iniciales, incluyendo la fecha de siembra, la tasa de siembra y la tasa de nitrógeno, se recalibran en función de la relación entre las variables de estado de teledetección y las variables de estado simuladas. Esta técnica integrada se probó en conjuntos de datos independientes adquiridos de tres pruebas de campo de arroz en el sitio experimental en Deqing, China. Los resultados mostraron que el método de asimilación de datos logró las estimaciones más precisas de LAI (R = 0.939 y RMSE = 0.74) y PNA (R = 0.926 y RMSE = 7.3 kg/ha) en comparación con el método del índice espectral. Las diferencias promedio (RE, %) entre los parámetros inicializados invertidos y los parámetros de entrada originales para la fecha de siembra, la tasa de siembra y la cantidad de nitrógeno fueron del 1.33%, 4.75% y 8.16%, respectivamente. El rendimiento estimado estuvo en buena concordancia con el rendimiento medido (R = 0.79 y RMSE = 661 kg/ha). La desviación cuadrática media (RMSD) promedio para los valores simulados de rendimiento fue de 745 kg/ha. Se cuantificó la incertidumbre del rendimiento a partir de la asimilación de datos entre modelos de cultivos y teledetección. Este estudio encontró que la asimilación de datos de modelos de cultivos y datos de teledetección utilizando la técnica MCMC podría mejorar la estimación del índice de área foliar de arroz (LAI), la acumulación de nitrógeno en las plantas (PNA) y el rendimiento. La asimilación de datos utilizando la técnica MCMC mejora la predicción de LAI, PNA y rendimiento al resolver el efecto de saturación del índice de vegetación de diferencia normalizada (NDVI). Este método propuesto en este estudio puede proporcionar un soporte preciso para la toma de decisiones en la gestión de campos y anticipar las fluctuaciones regionales del rendimiento con anticipación.