https://doi.org/10.26089/NumMet.v27r330

Сравнение методов ассимиляции данных MODIS LAI в модель WOFOST для прогнозирования урожайности озимой пшеницы

Авторы

  • М. Э. Гасанов
  • А. Ю. Петровская
  • С. А. Матвеев
  • И. В. Оселедец

Ключевые слова:

ассимиляция данных
имитационная модель
WOFOST
MODIS LAI
дифференциальная эволюция
ансамблевый фильтр Калмана
4D-Var

Аннотация

В данной работе проводится систематическое сравнение трех методов для ассимиляции наблюдений индекса листовой поверхности с радиометра MODIS в модель WOFOST с целью прогнозирования урожайности озимой пшеницы в России. Исследуется эффективность метода дифференциальной эволюции, ансамблевого фильтра Калмана и четырехмерного вариационного метода в рамках единого вычислительного подхода при идентичных входных данных и метриках оценки. Проводится анализ чувствительности методом Соболя для выявления наиболее значимых параметров модели, используемых в качестве управляющих переменных во всех трех схемах ассимиляции. Результаты демонстрируют как относительные преимущества, так и ограничения каждого подхода в отношении воспроизведения динамики индекса листовой поверхности и точности прогнозирования урожайности на масштабе отдельных полей.


Загрузки

Опубликован

2026-08-04

Выпуск

Том 27 (2026): Выпуск 3.

Раздел

Методы и алгоритмы вычислительной математики и их приложения

Авторы

М. Э. Гасанов

Московский государственный университет имени М.В. Ломоносова, факультет почвоведения

• аспирант

А. Ю. Петровская

Сколковский институт науки и технологий, Центр искусственного интеллекта

• научный сотрудник

С. А. Матвеев

Московский государственный университет имени М.В. Ломоносова, факультет вычислительной математики и кибернетики

• научный сотрудник

И. В. Оселедец

Московский государственный университет им. М. В. Ломоносова, факультет искусственного интеллекта

• профессор

Библиографические ссылки

  1. C. Rosenzweig, J. W. Jones, J. L. Hatfield, et al., “The Agricultural Model Intercomparison and Improvement Project (AgMIP): Protocols and pilot studies,” Agric. For. Meteorol. 170, 166–182 (2013).
    doi 10.1016/j.agrformet.2012.09.011
  2. S. Wolfert, L. Ge, C. Verdouw, and M.-J. Bogaardt, “Big Data in Smart Farming – a review,” Agric. Syst. 153, 69–80 (2017).
    doi 10.1016/j.agsy.2017.01.023
  3. F. Schierhorn, D. Müller, T. Beringer, et al., “Post-Soviet cropland abandonment and carbon sequestration in European Russia, Ukraine, and Belarus,” Glob. Biogeochem. Cycles 27 (4), 1175–1185 (2013).
    doi 10.1002/2013GB004654
  4. J. W. Jones, G. Hoogenboom, C. H. Porter, et al., “The DSSAT cropping system model,” Eur. J. Agron. 18 (3–4), 235–265 (2003).
    doi 10.1016/S1161-0301(02)00107-7
  5. D. P. Holzworth, N. I. Huth, P. G. deVoil, et al., “APSIM – Evolution towards a new generation of agricultural systems simulation,” Environ. Model. Softw. 62, 327–350 (2014).
    doi 10.1016/j.envsoft.2014.07.009
  6. A. de Wit, H. Boogaard, D. Fumagalli, et al., “25 years of the WOFOST cropping systems model,” Agric. Syst. 168, 154–167 (2019).
    doi 10.1016/j.agsy.2018.06.018
  7. C. Nendel, M. Berg, K. C. Kersebaum, et al., “The MONICA model: Testing predictability for crop growth, soil moisture and nitrogen dynamics,” Ecol. Model. 222 (9), 1614–1625 (2011).
    doi 10.1016/j.ecolmodel.2011.02.018
  8. H. Boogaard, J. Wolf, I. Supit, et al., “A regional implementation of WOFOST for calculating yield gaps of autumn-sown wheat across the European Union,” Field Crops Res. 143, 130–142 (2013).
    doi 10.1016/j.fcr.2012.11.005
  9. L. Poggio, L. M. de Sousa, N. H. Batjes, et al., “SoilGrids 2.0: producing soil information for the globe with quantified spatial uncertainty,” Soil 7 (1), 217–240 (2021).
    doi 10.5194/soil-7-217-2021
  10. W. A. Dorigo, R. Zurita-Milla, A. J. W. de Wit, et al., “A review on reflective remote sensing and data assimilation techniques for enhanced agroecosystem modeling,” Int. J. Appl. Earth Obs. Geoinf. 9 (2), 165–193 (2007).
    doi 10.1016/j.jag.2006.05.003
  11. J. Huang, J. L. Gómez-Dans, H. Huang, et al., “Assimilation of remote sensing into crop growth models: Current status and perspectives,” Agric. For. Meteorol. textbf276–277, Article Number 107609 (2019).
    doi 10.1016/j.agrformet.2019.06.008
  12. R. B. Myneni, S. Hoffman, Y. Knyazikhin, et al., “Global products of vegetation leaf area and fraction absorbed PAR from year one of MODIS data,” Remote Sens. Environ. 83 (1–2), 214–231 (2002).
    doi 10.1016/S0034-4257(02)00074-3
  13. X. Jin, L. Kumar, Z. Li, et al., “A review of data assimilation of remote sensing and crop models,” Eur. J. Agron. 92, 141–152 (2018).
    doi 10.1016/j.eja.2017.11.002
  14. V. Badenko, D. Eremenko, A. Topaj, and M. Gasanov, “A Method for Application of Remote Sensing Data in Crop Simulation Models,” in Proc. XV Int. Sci. Conf. Agricultural Machinery Industry, “Interagromash 2022’’. Lecture Notes in Networks and Systems. Vol. 574. (Springer, Cham, 2022), pp. 1596–1604.
    doi 10.1007/978-3-031-21432-5_171
  15. R. Storn and K. Price, “Differential Evolution – A Simple and Efficient Heuristic for Global Optimization over Continuous Spaces,” J. Glob. Optim. 11 (4), 341–359 (1997).
    doi 10.1023/A:1008202821328
  16. G. Evensen, “The Ensemble Kalman Filter: theoretical formulation and practical implementation,” Ocean Dyn. 53 (4), 343–367 (2003).
    doi 10.1007/s10236-003-0036-9
  17. G. S. Nearing, W. T. Crow, K. R. Thorp, et al., “Assimilating remote sensing observations of leaf area index and soil moisture for wheat yield estimates: An observing system simulation experiment,” Water Resour. Res. 48 (5), Article Number W05525 (2012).
    doi 10.1029/2011WR011420
  18. Y. Li, Q. Zhou, J. Zhou, et al., “Assimilating remote sensing information into a coupled hydrology–crop growth model to estimate regional maize yield in arid regions,” Ecol. Model. 291, 15–27 (2014).
    doi 10.1016/j.ecolmodel.2014.07.013
  19. W. Zhuo, H. Huang, X. Gao, et al., “An Improved Approach of Winter Wheat Yield Estimation by Jointly Assimilating Remotely Sensed Leaf Area Index and Soil Moisture into the WOFOST Model,” Remote Sens. 15 (7), Article Number 1825 (2023).
    doi 10.3390/rs15071825
  20. P. Courtier, J.-N. Thépaut, and A. Hollingsworth, “A strategy for operational implementation of 4D-Var, using an incremental approach,” Q. J. R. Meteorol. Soc. 120 (519), 1367–1387 (1994).
    doi 10.1002/qj.49712051912
  21. V. P. Shutyaev and E. I. Parmuzin, “Some algorithms for studying solution sensitivity in the problem of variational assimilation of observation data for a model of ocean thermodynamics,” Russ. J. Numer. Anal. Math. Model. 24 (2), 145–160 (2009).
    doi 10.1515/RJNAMM.2009.010
  22. S. K. Shangareeva, V. M. Stepanenko, G. M. Faykin, et al., “Variational Data Assimilation in the Constructor of Dynamic Soil Carbon Models,” Supercomput. Front. Innov. 12 (4), 88–100 (2025).
    doi 10.14529/jsfi250406
  23. A. H. Sparks, “nasapower: A NASA POWER Global Meteorology, Surface Solar Energy and Climatology Data Client for R,” J. Open Source Softw. 3 (30), Article Number 1035 (2018).
    doi 10.21105/joss.01035
  24. Y. Zhang and M. G. Schaap, “Weighted Recalibration of the Rosetta Pedotransfer Model with Improved Estimates of Hydraulic Parameter Distributions and Summary Statistics (Rosetta3),” J. Hydrol. 547, 39–53 (2017).
    doi 10.1016/j.jhydrol.2017.01.004
  25. N. Gorelick, M. Hancher, M. Dixon, et al., “Google Earth Engine: Planetary-scale geospatial analysis for everyone,” Remote Sens. Environ. 202, 18–27 (2017).
    doi 10.1016/j.rse.2017.06.031
  26. A. Savitzky and M. J. E. Golay, “Smoothing and Differentiation of Data by Simplified Least Squares Procedures,” Anal. Chem. 36 (8), 1627–1639 (1964).
    doi 10.1021/ac60214a047
  27. I. M. Sobol’, “Global sensitivity indices for nonlinear mathematical models and their Monte Carlo estimates,” Math. Comput. Simul. 55 (1–3), 271–280 (2001).
    doi 10.1016/S0378-4754(00)00270-6
  28. I. M. Sobol’, “On Sensitivity Estimation for Nonlinear Mathematical Models,” Matem. Modelirovanie 2 (1), 112–118 (1990).
  29. M. Gasanov, A. Petrovskaia, A. Nikitin, et al., “Sensitivity Analysis of Soil Parameters in Crop Model Supported with High-Throughput Computing,” in Proc. Int. Conf. Computational Science (ICCS 2020). Lecture Notes in Computer Science. Vol 12143. (Springer, Cham, 2020), pp. 731–741.
    doi 10.1007/978-3-030-50436-6_54
  30. J. Herman and W. Usher, “SALib: An open-source Python library for Sensitivity Analysis,” J. Open Source Softw. 2 (9), Article Number 97 (2017).
    doi 10.21105/joss.00097
  31. V. Shutyaev, V. Zalesny, V. Agoshkov, et al., “Four-Dimensional Variational Data Assimilation and Sensitivity of Ocean Model State Variables to Observation Errors,” J. Mar. Sci. Eng. 11 (6), Article Number 1253 (2023).
    doi 10.3390/jmse11061253
  32. R. H. Byrd, P. Lu, J. Nocedal, and C. Zhu, “A Limited Memory Algorithm for Bound Constrained Optimization,” SIAM J. Sci. Comput. 16 (5), 1190–1208 (1995).
    doi 10.1137/0916069
  33. P. Virtanen, R. Gommers, T. E. Oliphant, et al., “SciPy 1.0: fundamental algorithms for scientific computing in Python,” Nat. Methods 17, 261–272 (2020).
    doi 10.1038/s41592-019-0686-2

Лицензия

Copyright (c) 2026 М. Э. Гасанов, А. Ю. Петровская, С. А. Матвеев, И. В. Оселедец

Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.