Las mejoras en el manejo del agua y los cultivos agrícolas

Las mejoras en el manejo del agua y los cultivos agrícolas requieren información detallada sobre los estados del cultivo y del suelo, y su evolución. La asimilación de datos proporciona una forma atractiva de obtener esta información integrando mediciones con el modelo de manera secuencial. Sin embargo, la asimilación de datos para el sistema suelo-agua-atmósfera-planta (SWAP) sigue siendo la falta de exploración integral debido a una gran cantidad de variables y parámetros en el sistema. En este estudio, se empleó la estimación simultánea de parámetros de estado usando el filtro de conjunto de Kalman (EnKF) para evaluar el rendimiento de asimilación de datos y proporcionar asesoramiento sobre el diseño de medición para el sistema SWAP. Los resultados demostraron que una selección adecuada del vector de estado es crítica para la asimilación efectiva de datos. Especialmente, la actualización de la etapa de desarrollo fue capaz de evitar el efecto negativo del "cambio fenológico", que fue causado por la etapa fenológica contrastada en diferentes miembros del conjunto. La estrategia de asimilación de estimación de parámetros de estado (SSPE) simultánea superó a la estrategia de asimilación de estado de actualización solo (USO) debido a su capacidad para aliviar la inconsistencia entre las variables y parámetros del modelo. Sin embargo, el desempeño de la estrategia de asimilación de SSPE

podría deteriorarse con un número creciente de parámetros inciertos como resultado de la estratificación del suelo y el conocimiento limitado sobre los parámetros del cultivo. Además de las mediciones de humedad del suelo superficial (SSM) e índice de área foliar (LAI) más fácilmente disponibles, se requirió humedad profunda del suelo, rendimiento de grano u otros datos auxiliares para proporcionar restricciones suficientes en la estimación de parámetros y para asegurar el rendimiento de asimilación de datos. Este estudio proporciona una idea de la respuesta de la humedad del suelo y el rendimiento de grano a la asimilación de datos en el sistema SWAP y es útil para el movimiento de la humedad del suelo y el diseño de modelos y medidas de crecimiento de cultivos en la práctica.

Palabras clave: asimilación de datos; INTERCAMBIAR; la humedad del suelo; crecimiento de cultivos; estimación simultánea de parámetros de estado

1. Introducción

El conocimiento del contenido de agua del suelo y los estados de crecimiento de los cultivos es fundamental para las prácticas de gestión agrícola (MacDonald y Hall, 1980). Sin embargo, las mediciones in situ y directas de esta información con la frecuencia y precisión adecuadas son muy costosas y requieren mucho tiempo. Por lo tanto, se han desarrollado varios modelos para proporcionar esta información simulando las interacciones entre el suelo, la atmósfera y la planta, incluidos WOFOST (Supit et al., 1994), DASSAT (Hoogenboom, 2004), EPIC (Sharpley y Williams, 1990), SPA (Sus et al, 2010), STICS (Brisson et al., 2003) y SWAP (van Dam et al., 1997), etc. La robustez de dichos modelos depende de su capacidad para imitar la biomasa del cultivo y el rendimiento en respuesta a agua, nitrógeno y otros factores ambientales, y depende de la disponibilidad de propiedades del suelo, parámetros de cultivo, forzamientos meteorológicos y condiciones iniciales (Curnel et al., 2011; de Wit y van Diepen, 2007; Hansen y Jones, 2000). Sin embargo, debido a las incertidumbres en la estructura del modelo,

datos de entrada y parámetros, las estimaciones basadas en modelos siempre están sujetas a errores.

Para mejorar las estimaciones del modelo, muchos esfuerzos iniciales se han dirigido a la estimación de los parámetros del modelo. Se han utilizado algunos métodos clásicos de inferencia / inversión de parámetros, como la calibración por lotes (Duan et al., 1993), pseudo-Bayesian (Freer et al., 1996) y el método DREAM (Vrugt et al., 2008, 2009). ampliamente aceptado para minimizar el error residual de modelado. Hasta la fecha, el modelado inverso ha pasado de considerar solo la incertidumbre de los parámetros a considerar la combinación de errores de entrada, estructurales del modelo y de parámetros (Vrugt et al., 2005a), y de considerar el error residual estacionario y gaussiano a la inclusión de la heterocedasticidad y la no normalidad de residuos modelo (Schoups y Vrugt, 2010). Entre todos estos avances, la asimilación secuencial de datos ha ganado considerable popularidad debido a su capacidad de actualizar continuamente los estados del modelo mediante la fusión secuencial de nuevas mediciones. Vrugt y col. (2005a) demostraron que la asimilación secuencial de datos, junto con la optimización global, puede proporcionar un marco general para tratar explícitamente la incertidumbre estructural de entrada, salida y modelo al fusionar observaciones con simulaciones de modelo. En el estudio de la hidrología, los datos de observación que incluyen humedad del suelo, evapotranspiración, flujo y observaciones del nivel del agua se han asimilado secuencialmente para mejorar la predicción del modelo (Crow et al., 2008; Das et al., 2008; Yu et al., 2012 ; Meng et al., 2017; Barthélémy et al., 2017; Zou et al., 2017). Recientemente, el método de asimilación de datos secuenciales junto con el modelo de cultivo demostró la efectividad de mejorar la simulación del crecimiento del cultivo y la predicción del rendimiento del cultivo (de Wit et al., 2012; de Wit y van Diepen, 2007; Dente et al., 2008; Huang et al. ., 2013; Ma et al., 2013; Nearing et al., 2012; Sus et al, 2014). Algunos estudios demostraron que incluso con una estructura de modelo sesgada, los datos secuenciales , La asimilación secuencial de datos tiene la capacidad de mejorar el rendimiento del modelo de cultivo mediante la actualización de las variables de estado con observaciones de detección remota (Ines et al.,

2013). Huang y col. (2015) demostraron que el método de asimilación de datos variacionales 4D es una forma prometedora de estimar el rendimiento del trigo a escala regional, pero el rendimiento de la asimilación depende en gran medida de la precisión de recuperación del índice de área foliar (LAI) y la corrección de la escala. Con el rápido desarrollo de varios satélites y vehículos aéreos no tripulados, las mediciones de teledetección ahora pueden proporcionar una amplia gama de información sobre el suelo y las plantas, incluidas las observaciones de humedad de la superficie del suelo (Entekhabi et al., 1994), índice de área foliar (Haboudane, 2004; Verger et al., 2008), nitrógeno de la hoja (He et al., 2016), biomasa (Claverie et al., 2012), contenido de clorofila (Zhang et al., 2008) y evapotranspiración (Mutiga et al., 2010) . A pesar de las incertidumbres inherentes, la asimilación de estas observaciones multivariadas ofrece una oportunidad única para comprender mejor el complejo sistema suelo-agua-atmósfera-planta (Dorigo et al., 2007; Lakhankar et al., 2009).

...