Assimilating Remote Sensing Phenological Information into the WOFOST Model for Rice Growth Simulation
Notice bibliographique
Résumé
Precise simulation of crop growth is crucial to yield estimation, agricultural field management, and climate change. Although assimilation of crop model and remote sensing data has been applied in crop growth simulation, few studies have considered optimizing the crop model with respect to phenology. In this study, we assimilated phenological information obtained from Moderate Resolution Imaging Spectroradiometer (MODIS) time series data into the World Food Study (WOFOST) model to improve the accuracy of rice growth simulation at the regional scale. The particle swarm optimization (PSO) algorithm was implemented to optimize the initial phenology development stage (IDVS) and transplanting date (TD) in the WOFOST model by minimizing the difference between simulated and observed phenology, including heading and maturity date. Assimilating phenology improved the accuracy of the rice growth simulation, with correlation coefficients (R) equal to 0.793, 0822, and 0.813 at three fieldwork dates. The performance of the proposed strategy is comparable with that of the enhanced vegetation index (EVI) time series assimilation strategy, with less computation time. Additionally, the result confirms that the proposed strategy could be applied with different spatial resolution images and the difference of simulated LAImean is less than 0.35 in three experimental areas. This study offers a novel assimilation strategy with regard to the phenology development process, which is efficient and scalable for crop growth simulation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».