Assimilation of Leaf Area Index into the crop growth models GRAMI and SAFY to monitor maize crop : a case of study in the Marchfeld region

Abstract

Simple crop growth models (CGM) integrated with Leaf Area Index (LAI) retrieved from earth observation (EO) data allow monitoring crop growth at regional and plot scales. The global research objective of this study was to develop a method based on the GRAMI and SAFY crop growth models to estimate maize yield in the Marchfeld region, characterized by a restricted availability of input data. Maize yield data were collected for the seasons 2013 and 2014. The LAI was estimated by the CLAIR model from Landsat and DEIMOS data with a NRMSE of 12%. The assimilation of LAI into the crop growth models was analyzed for four approaches. The Look up Table (LUT) and Particle Swarm optimization (PSO) methods were tested at plot and pixel scale. Ensemble Kalman Filter (EnKF) and Particle Filter (PF) were implemented at pixel scale. The sensitivity analysis of LUT and PSO showed that for efficient calibration of the GRAMI and SAFY models, satellite-based LAI observations should be available every 15 days for LUT and 20 days for PSO. The average LAI random error should be smaller than 20%. SAFY calibrated at plot scale by PSO achieved a better performance compared to GRAMI with an estimation error at plot scale (EEP) of 12.5% and at regional scale (EER) of 0.2%. The calibration techniques performed well in forecasting maize yield one to two months before harvesting with an EER of 3% and 7.1% respectively. The yield estimation accuracy was increased by using pixel data. The EEP was reduced to 8.3% using SAFY calibrated at pixel scale for a reduced number of free parameters. The updating at pixel scale showed a good performance. The EEP using EnKF was 9.7% and the EER 2.3%. Moreover, the time of processing was reduced by 17 times compared to the PSO calibration at plot scale. PF showed in average for both crop seasons better accuracy than EnKF. The calibration of the SAFY model at plot scale using PSO and the updating at pixel scale using PF yielded a suitable average accuracy both at regional (2.5%) and plot scale (10.5%). Additionally, the low computational demand of PF makes the updating of SAFY at pixel scale possible even for larger regions.

Die Assimilation des aus Fernerkundungsdaten abgeleiteten Blattflächenindexe (Leaf Area Index, LAI) in einfache Wachstumsmodelle erlaubt das Monitoring des Pflanzenwachstums auf regionaler Ebene als auch auf Schlagebene. Das Forschungsziel der vorliegenden Arbeit ist die Entwicklung einer Methode zur Schätzung des Maisertrages in der Region Marchfeld, basierend auf den Wachstumsmodellen GRAMI und SAFY bei einer geringen Verfügbarkeit von Eingangsdaten. Hierzu wurden Maisertragsdaten für die Wachstumsperioden 2013 und 2014 erhoben. Der LAI wurde mit dem CLAIR-Modell aus Landsat- und DEIMOS-Daten mit einem NRMSE von 12% geschätzt. Look Up Tables (LUT) und Partikelschwarmoptimierung (PSO) wurden für die schlag- und pixelspezifische Assimilation getestet. Ensemble Kalman Filter (EnKF) und Particle Filter (PF) wurden hingegen nur pixelspezifisch umgesetzt. Das auf Schlagebene kalibrierte SAFY-Modell erzielte bessere Ergebnisse im Vergleich zum GRAMI-Modell, mit einem Schätzungsfehler auf Schlagebene (estimation error at plot scale, EEP) von 12,5% und auf regionaler Skala (estimation error at regional scale, EER) von 0,2%. Die Kalibrierungstechniken zeigten ein bis zwei Monate vor der Ernte gute Ergebnisse in der Prognose des Maisertrages mit EERs von 3% bzw. 7,1%. Die Verwendung von pixelbasierten Daten erhöhte die Genauigkeit der Ertragsschätzung. So konnte der EEP bei der Kalibrierung von SAFY mit einer verringerten Anzahl von freien Parametern auf 8,3% reduziert werden. Update mit pixelspezifischen Daten brachte gute Ergebnisse: der EEP mittels EnKF betrug 9,7% und der EER 2,3%. Zudem konnte die Prozessierungszeit im Vergleich zur PSO-Kalibrierung auf Schlagebene um das 17fache verringert werden. Im Durchschnitt zeigte PF eine bessere Genauigkeit für beide Erntezyklen als EnKF an. Eine wichtige Schlussfolgerung ist, dass aufgrund des geringeren Prozessierungsaufwandes ein pixelspezifisches Update von SAFY selbst für größere Gebiete ermöglicht wird.

La asimilación del índice de área foliar (LAI) derivado de datos de sensores remotos en modelos de crecimiento simples permite el seguimiento del crecimiento de las plantas tanto a nivel regional como a nivel de campo. El objetivo de investigación del presente trabajo es el desarrollo de un método para estimar el rendimiento de maíz en la región de Marchfeld, basado en los modelos de crecimiento GRAMI y SAFY con baja disponibilidad de datos de entrada. Para ello, se recogieron datos de rendimiento de maíz para los periodos de crecimiento 2013 y 2014. El LAI se estimó utilizando el modelo CLAIR a partir de datos de Landsat y DEIMOS con un NRMSE del 12%. Las tablas de búsqueda (LUT) y la optimización de enjambre de partículas (PSO) se probaron para la asimilación específica de hits y píxeles. Ensemble Kalman Filter (EnKF) y Particle Filter (PF), por otro lado, solo se implementaron específicamente para píxeles. El modelo SAFY calibrado a nivel de campo funcionó mejor que el modelo GRAMI, con un error de estimación a escala de parcela (EEP) de 12,5 % y a escala regional (error de estimación a escala regional (EER) de 12,5 %). . Las técnicas de calibración mostraron buenos resultados en la predicción del rendimiento de maíz con EER de 3% y 7,1%, respectivamente, uno o dos meses antes de la cosecha. El uso de datos basados ​​en píxeles aumentó la precisión de la estimación del rendimiento. El EEP se redujo al 8,3% al calibrar SAFY con un número reducido de parámetros libres. La actualización con datos específicos de píxeles arrojó buenos resultados: el EEP con EnKF fue del 9,7 % y el EER del 2,3 %. Además, el tiempo de procesamiento se redujo en un factor de 17 en comparación con la calibración PSO a nivel de campo. En promedio, PF indicó una mejor precisión para ambos ciclos de cultivo que EnKF. Una conclusión importante es que, debido al menor esfuerzo de procesamiento, es posible una actualización específica de píxeles de SAFY incluso para áreas más grandes.