Exploitation of multi-temporal and multi-sensor satellite data for improving biophysical and agronomic variables retrieval and yield prediction through data assimilation into the Aquacrop model
Author(s)
Upreti, Deepak
Date Issued
December 16, 2020
Type
Doctoral Thesis
Abstract
The use of remote sensing data has been shown to be very useful for field management, crop acreage estimation and yield prediction, both for field scale applications, e.g., in precision agriculture, and at regional scale. The development of new technologies and the availability of high spatial and spectral resolution satellite data allow the increasing use of these techniques. The aim of this work is to combine multi-source remote sensing data with the Aquacrop crop model, developed by the Food and Agriculture Organization (FAO), using an open-source version (Aquacrop-OS), for estimating the durum wheat yield at the field scale, using a sequential data assimilation-based ensemble Kalman filter approach.
As a first step, multiple hybrid machine learning algorithms were compared for the retrieval of wheat crop biophysical variables from Sentinel-2 satellite data. Gaussian Process Regression (GPR) performed best among all the methods of retrieval in the case of canopy cover. This method was thus further adopted, to be applied to all the Sentinel-2 and VENμS cloud free images available in the crop growing seasons 2017-2018 and 2018-2019 for the study site of Maccarese (Central Italy).
On the crop modeling part, initially a global sensitivity analysis approach was used to identify the most influential crop model parameters, using simulations for the study area (Maccarese Farm, Central Italy). The sensitivity analysis was performed with three different methods, Morris Screening, Extended Fourier Amplitude Sensitivity Test (EFAST) and PAWN method. These three different methods have different rationale and background. We sorted the sensitivity indices for all the parameters of the model and found a common set of most influential parameters to the target output, which was grain yield. The parameters identified as most sensitive in the analysis were further subjected to a Bayesian calibration using the observed canopy cover of the 2017-2018 season. The optimized crop model parameter values found in this calibration were validated with the observed canopy cover data of the year 2018-2019 and yield data for the year 2017-2018. A good agreement was found in the case of the canopy cover, but the yield assimilated was slightly overestimated.
After the sensitivity analysis and the Bayesian calibration, the crop model Aquacrop-OS was ready to ingest the in-season canopy cover from Sentinel- and VENμS satellite data. We used sequential data assimilation-based ensemble Kalman filter approach of data assimilation to combine the canopy cover time series in the crop growth model Aquacrop-Open Source. On each observation date during the crop growth season using canopy cover from the satellite data and simulated canopy cover, a new updated value was estimated, and the new model simulations start from that value, this way the simulated value gets close to the observed value. Canopy cover only from Sentinel-2, only from VENμS data and their combined data was ingested separately to assess the performance of the assimilation. Overall, all the three sources of canopy cover performed well, but the increased number of observations by combing both the sources of data did not improved assimilation, rather it was computationally expensive.
This study shows the possibility to estimate durum wheat production by combining multi source remote sensing data and an open-source crop growth model, Aquacrop-OS, highlighting the strengths and weakness of the assimilation procedure.
L'uso di dati telerilevati si è dimostrato molto utile per la gestione agronomica, la stima della superficie coltivata e la previsione della resa, sia per applicazioni su scala di campo, come nell'agricoltura di precisione, sia su scala regionale. Lo sviluppo di nuove tecnologie e la disponibilità di dati satellitari ad alta risoluzione spaziale e spettrale consentono un uso crescente di queste tecniche. Lo scopo di questo lavoro è di combinare dati telerilevati satellitari provenienti da diverse fonti con il modello Aquacrop, sviluppato dalla FAO ed utilizzato in questo lavoro nella versione open-source Aquacrop-OS, al fine di stimare la produzione di grano duro su scala di campo, utilizzando l'approccio “ensemble Kalman filter” basato sull’assimilazione di dati sequenziali.
In una fase iniziale, sono stati confrontati diversi algoritmi ibridi di machine learning per ottenere le variabili biofisiche del grano duro, a partire dai dati del satellite Sentinel-2. Tra i metodi considerati, la Gaussian Process Regression (GPR) ha dato i migliori risultati per la stima della copertura fogliare. Il metodo è stato quindi applicato a tutte le immagini di Senitnel-2 e VENμS caratterizzate da ridotta nuvolosità per le stagioni colturali 2017-18 e 2018-19.
Per quanto riguarda il modello colturale, come prima cosa è stata utilizzata una “global sensitivity analysis” per identificare i parametri colturali del modello più rilevanti, con simulazioni per l’area di studio (Azienda Maccarese, Italia centrale). La sensitivity analysis è stata eseguita con tre diversi metodi: Morris Screening, Extended Fourier Amplitude Sensitivity Test (EFAST), e metodo PAWN. I tre metodi hanno diverse assunzioni e fondamenti logico-statistici. Gli indici di sensibilità di tutti i parametri del modello sono stati ordinati ed i parametri con maggiore influenza sulla produzione di granella sono stati raggruppati. Questi parametri sono stati sottoposti ad una procedura di calibrazione di tipo Bayesiano usando i dati osservati di copertura fogliare della stagione 2017-18. I valori ottimali dei parametri del modello così ottenuti sono stati validati usando i dati osservati di copertura fogliare del 2018-19 e di resa in granella del 2017-18. Un buon accordo è stato riscontrato tra dati simulati ed osservati di copertura fogliare, mentre la resa è stata leggermente sovrastimata dal modello.
Il modello colturale, tramite la sensitivity analysis e la calibrazione Bayesiana, è stato preparato per poter assimilare i dati satellitari di Sentinel-2 e VENμS. E’ stata utilizzata un’assimilazione sequenziale usando l’approccio ”ensemble Kalman filter” per combinare le serie temporali di copertura fogliare nel modello Aquacrop-OS. Per ogni data in cui i dati satellitari di copertura fogliare erano disponibili, è stato aggiornato il valore simulato di copertura fogliare. Le nuove simulazioni sono iniziate tenendo conto di tale valore, ottenendo quindi dei valori simulati sempre più vicini a quelli osservati. I dati di copertura fogliare provenienti dal solo Sentinel-2, quelli provenienti dal solo VENμS e quelli ottenuti dalla fusione delle immagini di entrambi i satelliti sono stati combinati con il modello colturale per valutare l’efficacia dell’assimilazione. Complessivamente, l’assimilazione ha dato buoni risultati in tutti e tre i casi, ma l’aumento del numero di osservazioni ottenuto con la fusione delle immagini dei due satelliti non ha migliorato l’efficienza dell’assimilazione, portando invece ad aumento del costo computazionale.
Questo studio mostra la possibilità di stimare la produzione di grano duro combinando dati di telerilevamento provenienti da fonti diverse con un modello colturale open-source, Aquacrop-OS, ed evidenzia i punti di forza e di debolezza della procedura di assimilazione.
Additional information
Dottorato di ricerca in Scienze delle produzioni vegetali e animali
File(s)![Thumbnail Image]()
Name
dupreti_tesid.pdf
Size
6.21 MB
Format
Adobe PDF
Checksum (MD5)
9d173cb355add0d237cd89260b08cb25