Zur Seitenansicht
 

Titelaufnahme

Titel
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 / submitted by: Javier Esteban Portillo
Weitere Titel
Die Assimilation des Blattflächenindex in die Wachstumsmodelle GRAMI und SAFY für das Mais-Monitoring: eine Fallstudie in der Region Marchfeld
VerfasserPortillo, Javier Esteban
Begutachter / BegutachterinAtzberger, Clement ; Vuolo, Francesco
Betreuer / BetreuerinAtzberger, Clement ; Vuolo, Francesco
ErschienenVienna, October 2016
Umfang134 Blätter : Illustrationen, Diagramme
HochschulschriftUniversität für Bodenkultur Wien, Dissertation, 2016
Anmerkung
Abweichender Titel laut Übersetzung der Verfasserin/des Verfassers
Zusammenfassung in deutscher Sprache
SpracheEnglisch
Bibl. ReferenzOeBB
DokumenttypDissertation
Schlagwörter (DE)Landwirtschaftliche Fernerkundung / Wachstumsmodellierung / Mais / GRAMI / SAFY / Partikelschwarmoptimierung / Ensemble Kalman Filter / Partikelfilter
Schlagwörter (EN)agricultural remote sensing / crop growth modeling / maize / GRAMI / SAFY / particle swarm optimization / ensemble Kalman filter /particle filter
Schlagwörter (GND)Marchfeld / Maisanbau / Fernerkundung
URNurn:nbn:at:at-ubbw:1-17647 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Assimilation of Leaf Area Index into the crop growth models GRAMI and SAFY to monitor maize crop [7.34 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Englisch)

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.

Zusammenfassung (Deutsch)

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. Die Assimilation des LAI in die Wachstumsmodelle wurde für vier verschiedene Methoden untersucht. 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. Eine Sensitivitätsanalyse von LUT und PSO zeigte, dass für eine optimale Kalibrierung der genannten Modelle satellitenbasierte LAI-Beobachtungen alle 15 Tage für LUT und alle 20 Tage für PSO verfügbar sein sollten. Der durchschnittliche LAI-Zufallsfehler sollte unter 20% liegen. 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. Die Kalibrierung des SAFY-Modells auf Schalgebene mittels PSO und das Update mit pixelbasierten Daten mittels PF ergaben eine ausreichende durchschnittliche Genauigkeit auf regionaler Ebene (2,5%) und auf Schlagebene (10,5%). Eine wichtige Schlussfolgerung ist, dass aufgrund des geringeren Prozessierungsaufwandes ein pixelspezifisches Update von SAFY selbst für größere Gebiete ermöglicht wird.