通过将GLASS LAI同化到作物生长模型中，改进冬小麦产量估计的方法——基于贝叶斯后验的集成卡尔曼滤波器

数据同化已被证明是一种潜在的作物产量估计方法。精确量化模型和观测误差是确定数据同化系统成功的关键。然而，在大多数先前的研究中，作物生长模型的误差并未充分考虑。本研究的目标是更好地量化数据同化系统中的模型不确定性。首先，我们通过使用全球陆地表面卫星（GLASS）250米LAI产品、区域统计数据、站点观测和田间测量，利用马尔可夫链蒙特卡罗（MCMC）方法校准了一种作物生长模型并推断其后验不确定性。其次，将模型后验不确定性应用于集成卡尔曼滤波（EnKF）算法，以更好地表征模型误差的集成分布。我们的结果表明，所提出的基于贝叶斯后验的EnKF可以提高冬小麦产量估计的准确性，点尺度（决定系数R²值由0.06提高到0.41，平均绝对百分比误差MAPE值从12.65%降低到7.82%，均方根误差RMSE值从987降至688 kg∙ha⁻¹）和区域尺度（R²值从0.30提高到0.57，MAPE值从19.67%降低到10.13%，RMSE值从1275降至695 kg∙ha⁻¹），与开环估计相比。我们的分析还表明，与标准高斯扰动基础的EnKF相比，基于贝叶斯后验的EnKF表现更好。所提出的框架为类似农业景观的区域尺度作物产量估计提供了重要参考。