A new version of this entry is available:
Loading...
Doctoral Thesis
2024
Assimilation of leaf area index data from satellite remote sensing to improve the forecasting power of crop models
Assimilation of leaf area index data from satellite remote sensing to improve the forecasting power of crop models
Abstract (English)
In face of the threats to agricultural production arising from climate change, natural hazards, and suboptimal management, there is a need to better understand crop responses to these conditions. Numerous process-based crop models of varying complexity have been developed to estimate crop responses. However, the predictive power of these models is reduced by uncertainties originating from model inputs, weather, parameter estimation, and model structure. This research addresses these uncertainties by integrating observational data, specifically from remote sensing, into the simulations. The focus is on assimilating remotely sensed Leaf Area Index (LAI) into different crop models, acknowledging the diverse scales of input, weather, parameter, and model uncertainty. The dissertation has three primary objectives: i) Examine the assimilation of LAI into a simple crop model (PILOTE) with minimal input requirements. ii) Evaluate the assimilation of remotely sensed LAI into various process-based crop models and their multi-model ensemble. iii) Analyse the assimilation of remotely sensed LAI into the most suitable crop model and assess the impact of model calibration on the results. The presented research study utilized observational data from wheat fields over nine years in two regions of southwest Germany (Kraichgau and Swabian Jura). The Particle Filtering method was employed for data assimilation (DA), and LAI data was derived from Landsat and Sentinel-2 satellites using an empirical radiative transfer model called the Choudhury model. Weather uncertainty was addressed through the use of the MARKSIM downscaled weather generator.
In the first phase, the PILOTE model was utilized, and both in-situ and remotely sensed LAI values were assimilated. The results indicate that assimilating remotely sensed LAI considerably improves yield predictions, similar to those based on measured LAI. Weather uncertainty appeared as a major contributor to prediction uncertainty. The contribution of LAI data assimilation to improving the PILOTE model predictions suggest that regional calibration is crucial, as the PILOTE model inherently lacks the capability to account for regional variability.
In the second part of this thesis, the focus was shifted to the exclusive assimilation of remotely sensed LAI into different the process-based crop models: CERES, GECROS, and SPASS, as well as the multi-model ensemble consisting of all models. Prior to DA, all models were calibrated using measured data. To address uncertainties related to model inputs, sowing date, nitrogen fertilizer application, soil hydraulic parameters, and weather data were treated as random variables. The findings reveal that weather data, followed by soil parameters, contributes the highest level of uncertainty to the predictions. The uncertainties in weather data consistently led to underestimated yield predictions across all models. Notably, assimilating LAI into the multi-model ensemble emerged as the most effective strategy, producing the most promising yield predictions with reduced bias and uncertainty. Models showed different responses to LAI assimilation, with CERES showing minimal impact of DA, while SPASS and GECROS demonstrated meaningful improvement. The correlations between errors of modeled LAI and yield error were found the key criteria for selecting a model for DA. Models with high correlation like SPASS are more suitable for LAI assimilation.
In the third and final phase, the SPASS model was employed to assess the influence of different calibration scenarios on DA. These scenarios were designed based on the availability of data: calibration to yield only, calibration to phenology and yield, calibration to LAI and yield, and calibration to phenology, LAI, and yield. The results show that the assimilation of LAI and weather data remarkably reduce overall uncertainty in crop yield predictions. The findings underscore that scenarios involving the calibration of the model to phenology data consistently yield superior predictions for crop yield. This highlights that, given the set of SPASS model parameters used for winter wheat calibration, additional field-based LAI data does not necessarily enhance the calibration quality. The study also finds that uncertainties associated with weather ensembles exert a more substantial influence compared to those resulting from the calibration process. This underlines the paramount importance of accounting for variations and discrepancies in weather forecasts when evaluating yield uncertainty.
In conclusion, this doctoral thesis demonstrates that assimilating remotely sensed LAI into different crop models enhances crop yield prediction and mitigates uncertainties related to inputs, weather, calibration, and model complexity. It underscores the importance of analyzing correlations between assimilated variable errors and yield prediction errors for model and variable selection. Also, although LAI assimilation improves yield prediction, it is not necessary that the crop model is calibrated to LAI. Weather uncertainty is the most influential factor among the various sources of uncertainties. Improving medium-term weather forecasting will lead to significant progress in predicting crop yields.
Abstract (German)
Angesichts der Gefährdung der landwirtschaftlichen Produktion durch den Klimawandel, mögliche Naturkatastrophen, aber auch suboptimales Management besteht die Notwendigkeit, die Reaktionen von Kulturpflanzen auf ihre Umweltbedingungen besser zu verstehen. Für die Vorhersage von Ernteerträgen in großem Maßstab, um die Ernährungssicherheit sicherzustellen, sind Simulationen hilfreich. Bislang wurden zahlreiche prozessbasierte Ertragsmodelle mit unterschiedlicher Komplexität entwickelt, um die Reaktionen von Kulturpflanzen auf ihre Wachstumsbedingungen zu simulieren. Leider wird die Vorhersagekraft dieser Modelle jedoch durch die Unsicherheiten in Modellinputs, Wetter, Parameterkalibrierung und Modellstruktur gemindert. Meine Forschung reduziert diese Unsicherheiten, indem sie beobachtete externe Daten, insbesondere Fernerkundungsdaten, in die Modellkonfiguration integriert. Der Schwerpunkt liegt auf der Assimilation des fernerkundeten Blattflächenindex (LAI) in verschiedene Ertragsmodelle unter Berücksichtigung der vielfältigen Maßstäbe von Eingabe-, Wetter-, Parameter- und Modellunsicherheit. Die Dissertation hat drei Hauptziele: i) Assimilation von vor Ort gemessenen und fernerkundeten LAI-Daten in ein einfaches Ertragsmodell (PILOTE) mit minimalen Eingabeanforderungen, ii) Assimilation von fernerkundetem LAI in verschiedene prozessbasierte Ertragsmodelle und deren Multi-Modell-Ensemble, iii) Assimilation von fernerkundetem LAI in das am besten geeignete Ertragsmodell und Bewertung des Einflusses der Modellkalibrierung auf die Ergebnisse. Für die Untersuchungen wurden Beobachtungsdaten von Weizenschlägen in zwei Regionen Südwestdeutschlands (Kraichgau und Schwäbische Alb) über neun Jahre verwendet. Für die Datenassimilation (DA) wurde die Particle Filtering-Methode eingesetzt. Die LAI-Daten wurden aus Landsat- und Sentinel-2-Satellitendaten unter Verwendung eines empirischen Strahlungstransfermodells (Choudhury) abgeleitet. Die Wetterunsicherheit wurde durch die Verwendung des Downscaling- Wettergenerators MARKSIM einbezogen. Die Ergebnisse des ersten Teils dieser Arbeit deuten darauf hin, dass die Assimilation von fernerkundetem LAI die Ertragsvorhersagen erheblich verbessert, ähnlich denjenigen, die auf gemessenes LAI basieren. Die Wetterunsicherheit erwies sich als der Hauptfaktor der Vorhersageunsicherheit. Die Ergebnisse legen nahe, dass das PILOTE-Modell regional kalibriert werden sollte. Im zweiten Teil dieser Arbeit werden ausschließlich fernerkundete LAI-Daten in die Ertragsmodelle assimiliert: in CERES, GECROS, SPASS und in ihr Multi-Modell- Ensemble. Vor der DA wurden alle Modelle mit gemessenen Daten kalibriert. Um auch Unsicherheiten im Zusammenhang mit Modellinputs zu behandeln, wurden Aussaatdatum, Stickstoffdüngung, bodenhydrologische Parameter und Wetterdaten als Zufallsvariablen behandelt. Die Ergebnisse zeigen, dass Wetterdaten, gefolgt von Bodenparametern, das höchste Maß an Unsicherheit zu den Vorhersagen beitragen. Die Unsicherheiten in den Wetterdaten führten konsistent zu Unterschätzungen der vorhergesagten Erträge, über alle Modelle hinweg. Bemerkenswert ist, dass sich die Assimilation von LAI-Daten in das Multi-Modell- Ensemble als die effektivste Strategie zeigte und die besten Ertragsvorhersagen mit reduzierter Verzerrung und Unsicherheit lieferte. Dabei zeigten die Modelle unterschiedliche Reaktionen auf die LAI-Assimilation, wobei der Einfluss der DA bei CERES minimal war, während die Vorhersagen mit SPASS und GECROS durch DA sehr deutlich verbessert werden konnten. Die Korrelationen zwischen Fehlern des modellierten LAI und Ertragsfehlern wurden als Kriterien für die Auswahl eines Modells für DA identifiziert. Das Modell mit der höchsten Korrelation (SPASS) ist am besten für die LAI-Assimilation geeignet. Im dritten und letzten Teil wurde das SPASS-Modell verwendet, um den Einfluss verschiedener Kalibrierungsstrategien auf die DA zu bewerten. Diese Strategien wurden basierend auf der Verfügbarkeit von Daten entworfen: Kalibrierung nur auf den Ertrag, Kalibrierung auf Phänologie und Ertrag, Kalibrierung auf LAI und Ertrag und Kalibrierung auf Phänologie, LAI und Ertrag. Die Ergebnisse zeigen, dass die Assimilation von LAI und Wetterdaten die Gesamtunsicherheit bei den Ertragsvorhersagen bemerkenswert reduzieren. Die Ergebnisse unterstreichen, dass Strategien, die die Assimilation von Phänologiedaten beinhalten, konsequent bessere Vorhersagen für den Ertrag liefern. Das hebt hervor, dass zusätzliche feldbasierte LAI-Daten nicht unbedingt die Qualität der Kalibrierung verbessern. Die Studie stellt auch fest, dass Unsicherheiten im Zusammenhang mit Wetterensembles gegenüber denen, die aus dem Kalibrierungsprozess resultieren, einen wesentlich stärkeren Einfluss ausüben. Dies unterstreicht die Wichtigkeit, Schwankungen und Abweichungen in der Wettervorhersage zu berücksichtigen, wenn es um die Bewertung der Ertragsunsicherheit geht. Abschließend zeigt diese Doktorarbeit, dass die Assimilation von fernerkundeten LAI-Daten in Ertragsmodelle die Vorhersage von Ernteerträgen verbessert und Unsicherheiten im Zusammenhang mit Inputs, Wetter, Kalibrierung und Modellkomplexität vermindert. Die Arbeit betont die Wichtigkeit der Analyse von Korrelationen zwischen Fehlern der assimilierten Variablen und Ertragsvorhersagen für die Auswahl von Modell und Variablen. Des Weiteren verbessert die Assimilation von LAI Daten zwar die Ertragsvorhersage, doch ist es nicht notwendig, dass das Ertragsmodell anhand von LAI-Daten kalibriert wird. ist Die wichtigste Quelle der Unsicherheit ist das Wetter. Infolgedessen würde eine Verbesserung der mittelfristigen Wettervorhersage einen großen Fortschritt bei den Ertragsvorhersagen ermöglichen.
File is subject to an embargo until
This is a correction to:
A correction to this entry is available:
This is a new version of:
Notes
Publication license
Publication series
Published in
Other version
Faculty
Faculty of Agricultural Sciences
Institute
Institute of Soil Science and Land Evaluation
Examination date
2024-07-05
Supervisor
Edition / version
Citation
DOI
ISSN
ISBN
Language
English
Publisher
Publisher place
Classification (DDC)
630 Agriculture
Collections
Original object
Free keywords
Standardized keywords (GND)
Sustainable Development Goals
BibTeX
@phdthesis{Zare2025,
url = {https://hohpublica.uni-hohenheim.de/handle/123456789/17571},
author = {Zare, Hossein},
title = {Assimilation of leaf area index data from satellite remote sensing to improve the forecasting power of crop models},
year = {2025},
}