DOI: https://doi.org/10.5194/essd-18-309-2026
تاريخ النشر: 2026-01-13
المؤلف: Lorenzo Seguini وآخرون
الموضوع الرئيسي: الاستشعار عن بعد في الزراعة
نظرة عامة
تقدم ورقة البحث مجموعة بيانات عالمية قريبة من الوقت الحقيقي (NRT) لنسبة الإشعاع الضوئي النشط (FPAR) بدقة 500 متر، مصممة خصيصًا للتطبيقات الزراعية. تدمج هذه المجموعة بيانات MODIS-FPAR (المجموعة 6.1) و VIIRS-FPAR (المجموعة 2)، مما يضمن الاستمرارية من عام 2000 إلى ما بعد عام 2030. تم استخدام طريقة تصفية قوية تعتمد على مُخفف ويتاكر لتوليد تقديرات موثوقة لـ FPAR، مما يعالج بفعالية القضايا المتعلقة بالملاحظات النادرة الناتجة عن تغطية السحب. تتضمن مجموعة البيانات سلسلتين زمنيتين مصفاة كل منهما لمدة 10 أيام: مجموعة بيانات MODIS-FPAR المرجعية (2000-2023) ومجموعة بيانات VIIRS-FPAR المتداخلة (من 2018 فصاعدًا). تعطي طريقة التصفية الأولوية لجودة بيانات NRT من خلال توليد تقديرات متعددة لـ FPAR، وتحسينها تدريجيًا مع توفر ملاحظات جديدة.
تشير النتائج إلى أن مجموعة البيانات مُحسّنة لأنظمة الإنذار المبكر (EWS) وأنظمة توقع إنتاج المحاصيل (CYFS)، حيث توفر تقديرات FPAR الأساسية التي تسهل مراقبة إنتاجية الكتلة الحيوية وتوقعات إنتاج المحاصيل. تسلط الدراسة الضوء على أهمية تطبيق القيود خلال عملية التقدير لتجنب الاستنتاجات غير الواقعية في غياب الملاحظات عالية الجودة. بالإضافة إلى ذلك، كانت المعايرة المتداخلة لـ VIIRS-FPAR مع MODIS-FPAR حاسمة في معالجة الفجوات بين مجموعتي البيانات. مجموعة البيانات متاحة للجمهور ومن المتوقع أن تدعم تطبيقات متنوعة تتجاوز EWS و CYFS، بما في ذلك برامج التأمين على المؤشرات المعتمدة على EO. يؤكد المؤلفون التزامهم بالحفاظ على الصلة التشغيلية لمجموعة البيانات في ضوء تطور توفر البيانات ومهام المستشعرات.
مقدمة
تتناول مقدمة ورقة البحث هذه تأثير تقلب المناخ والطقس القاسي على إنتاجية الزراعة، مما يؤدي إلى تقلب أسعار الغذاء وانعدام الأمن الغذائي. تؤكد على أهمية أنظمة الإنذار المبكر (EWS) وأنظمة توقع إنتاج المحاصيل (CYFS) التي تستخدم بيانات الأرصاد الجوية ومراقبة الأرض (EO) لمراقبة ظروف المحاصيل وتقييم الأمن الغذائي. تسلط الورقة الضوء على أهمية أجهزة الاستشعار الضوئية ذات الدقة المنخفضة، التي، على الرغم من دقتها المكانية المنخفضة، توفر بيانات زمنية قيمة على المدى الطويل ضرورية لاكتشاف الشذوذ وتوقع إنتاج المحاصيل.
يناقش المؤلفون دور تقنيات EO المختلفة، وخاصة مؤشر الفرق النباتي الطبيعي (NDVI) ونسبة الإشعاع الضوئي النشط (FPAR)، في المراقبة التشغيلية وتوقع الإنتاج. يتم تحديد FPAR كمتغير حيوي حاسم لتقدير إنتاجية النبات ويعترف به كمتغير مناخي أساسي. تقدم الورقة مجموعة بيانات جديدة تتكون من سلاسل زمنية مصفاة ومتداخلة لـ FPAR من MODIS و VIIRS، مصممة لدعم المراقبة الزراعية التشغيلية وتوقع الإنتاج. تهدف هذه المجموعة، التي تتميز بدقة زمنية تبلغ 10 أيام وتمتد لأكثر من 20 عامًا، إلى توفير بيانات مستمرة، قريبة من الوقت الحقيقي (NRT)، لمعالجة الفجوات في مجموعات البيانات الحالية وتعزيز قدرات اتخاذ القرار لأصحاب المصلحة في الزراعة.
الطرق
في هذا القسم، يحدد المؤلفون المنهجية المستخدمة لتوليد مجموعة بيانات مشتركة مصفاة لنسبة الإشعاع الضوئي النشط (FPAR)، كما هو موضح في الشكل 1. يعتمدون التعريفات من Sedano et al. (2014)، مميزين بين التنعيم – الذي يُعرف بأنه استيفاء نقاط البيانات بناءً على الملاحظات المتاحة قبل وبعد كل نقطة – والتصفية، التي تقدر بيانات قريبة من الوقت الحقيقي (NRT) باستخدام الملاحظات السابقة فقط. يتم تفصيل خطوات المعالجة المحددة للتنعيم في الأقسام 4.1.1 و 4.1.2، بينما يتم مناقشة طرق التصفية في القسم 4.1.3.
بالإضافة إلى ذلك، يصف المؤلفون طرق تقييم الجودة لعملية التصفية في القسم 4.2. كما يتناولون مقارنة ومحاذاة بيانات FPAR المصفاة من مجموعة أجهزة قياس الأشعة تحت الحمراء المرئية (VIIRS) مع تلك من جهاز قياس الأشعة تحت الحمراء المتوسطة الدقة (MODIS) في القسم 4.3، مما يضمن تقييمًا شاملاً لدقة وموثوقية مجموعة البيانات.
النتائج
تسلط نتائج دراسة الإزالة الضوء على فعالية نهج القيود في تقليل متوسط الخطأ المطلق (MAE) خلال مراحل الدمج لتحليل سلسلة MODIS-FPAR الزمنية. من خلال حساب متوسط MAE لجميع البكسلات المزروعة على مدى 19 عامًا، قارنت الدراسة مقاييس الخطأ مع وبدون تصفية مقيدة. أشارت النتائج إلى أن التصفية المقيدة خفضت بشكل كبير MAE، خاصة في المرحلة الأولية C0، حيث كانت الأخطاء العالية تُعزى إلى ملاحظات FPAR منخفضة الجودة الناتجة عن تغطية سحابية أو ثلجية مستمرة.
علاوة على ذلك، كشفت تحليل متوسط الخطأ (ME) أن التصفية غير المقيدة أدت إلى قيم ME سلبية في الغالب، مما يشير إلى تقدير منخفض لتغطية السطح (CF)، بينما أدت التصفية المقيدة إلى قيم ME إيجابية قليلاً، مما يشير إلى تقدير مرتفع طفيف لـ CF. تضاءلت هذه الفجوة في المراحل اللاحقة مع توفر المزيد من البيانات، مما أدى إلى تقليل MAE. بشكل عام، تؤكد هذه النتائج على قيمة آلية القيود، مما يدعم تنفيذها التشغيلي لتحسين الدقة في تقييمات FPAR.
المناقشة
في هذا القسم، يناقش المؤلفون المنهجيات ومصادر البيانات المستخدمة لتحليل نسبة الإشعاع الضوئي النشط (FPAR) من خلال منتجات الأقمار الصناعية MODIS و VIIRS. تستند بيانات MODIS FPAR، المستمدة من المجموعة 6.1، إلى خوارزمية رئيسية تتضمن أنواع الهياكل النباتية وزوايا الشمس والمستشعر، مع استخدام خوارزمية احتياطية عند الضرورة. تمتد البيانات من فبراير 2000 إلى يونيو 2022، مع إجراء تعديلات محددة خلال فترات انقطاع البيانات. تهدف بيانات VIIRS FPAR، من المجموعة 2، إلى تحقيق التناسق مع MODIS من خلال المعايرة المتقاطعة، وتستخدم أيضًا تنسيق بيانات منظم. تتم معالجة كلا مجموعتي البيانات لاستبعاد البكسلات غير المزروعة وتستخدم دقة زمنية ديكادية لتتوافق مع التحليلات الزراعية.
يحدد المؤلفون نهجهم لتنعيم FPAR والتصفية القريبة من الوقت الحقيقي (NRT)، والتي تستخدم مُخفف ويتاكر (WS) لتحقيق توازن بين دقة البيانات وسلاستها. يتم تعديل WS لأخذ مؤشرات تقييم الجودة (QA) في الاعتبار، مع تخصيص أوزان بناءً على الفحوصات البصرية للبيانات التاريخية. تم تصميم طريقة التصفية NRT لتوفير تقديرات FPAR في الوقت المناسب مع معالجة التحديات التي تطرحها الملاحظات النادرة. كما يصف المؤلفون عملية المعايرة المتداخلة بين مجموعات بيانات MODIS و VIIRS FPAR لضمان التوافق والدقة، باستخدام تصحيحات الفرق المتوسط لضبط مصدر البيانات. بشكل عام، تهدف المنهجيات الموضحة إلى تعزيز موثوقية تقديرات FPAR للمراقبة الزراعية والتقييمات البيئية.
DOI: https://doi.org/10.5194/essd-18-309-2026
Publication Date: 2026-01-13
Author(s): Lorenzo Seguini et al.
Primary Topic: Remote Sensing in Agriculture
Overview
The research paper presents a near-real-time (NRT) global dataset of the Fraction of Photosynthetically Active Radiation (FPAR) at a 500 m resolution, specifically designed for agricultural applications. This dataset integrates MODIS-FPAR (Collection 6.1) and VIIRS-FPAR (Collection 2) data, ensuring continuity from 2000 to beyond 2030. A robust filtering method utilizing the Whittaker smoother was employed to generate reliable FPAR estimates, effectively addressing issues related to sparse observations caused by cloud cover. The dataset includes two 10-day filtered time series: the MODIS-FPAR reference dataset (2000-2023) and the intercalibrated VIIRS-FPAR dataset (2018 onward). The filtering approach prioritizes NRT data quality by generating multiple estimates of FPAR, progressively refining them as new observations become available.
The findings indicate that the dataset is optimized for early warning systems (EWS) and crop yield forecasting systems (CYFS), providing essential FPAR estimations that facilitate monitoring of biomass productivity and crop yield predictions. The study highlights the importance of applying constraints during the estimation process to avoid unrealistic extrapolations in the absence of high-quality observations. Additionally, the intercalibration of VIIRS-FPAR with MODIS-FPAR was crucial in addressing discrepancies between the two datasets. The dataset is publicly accessible and is expected to support various applications beyond EWS and CYFS, including EO-based Index Insurance programs. The authors emphasize their commitment to maintaining the dataset’s operational relevance in light of evolving data availability and sensor missions.
Introduction
The introduction of this research paper addresses the impact of climate variability and extreme weather on agricultural productivity, leading to food price volatility and insecurity. It emphasizes the importance of Early Warning Systems (EWS) and Crop Yield Forecasting Systems (CYFS) that utilize meteorological and Earth Observation (EO) data to monitor crop conditions and assess food security. The paper highlights the significance of low-resolution optical sensors, which, despite their lower spatial resolution, provide valuable long-term timeseries data essential for anomaly detection and crop yield forecasting.
The authors discuss the role of various EO technologies, particularly the Normalized Difference Vegetation Index (NDVI) and the Fraction of Photosynthetically Active Radiation (FPAR), in operational monitoring and yield forecasting. FPAR is identified as a critical biophysical variable for estimating vegetation productivity and is recognized as an essential climate variable. The paper introduces a new dataset comprising filtered and intercalibrated FPAR timeseries from MODIS and VIIRS, designed to support operational agricultural monitoring and yield forecasting. This dataset, characterized by a temporal resolution of 10 days and spanning over 20 years, aims to provide continuous, near-real-time (NRT) data, addressing gaps in existing datasets and enhancing decision-making capabilities for stakeholders in agriculture.
Methods
In this section, the authors outline the methodology for generating a combined filtered Fraction of Photosynthetically Active Radiation (FPAR) dataset, as illustrated in Figure 1. They adopt the definitions from Sedano et al. (2014), distinguishing between smoothing—defined as the interpolation of data points based on available observations before and after each point—and filtering, which estimates near-real-time (NRT) data using only past observations. The specific processing steps for smoothing are detailed in Sections 4.1.1 and 4.1.2, while filtering methods are discussed in Section 4.1.3.
Additionally, the authors describe the quality assessment methods for the filtering process in Section 4.2. They also address the comparison and alignment of the filtered FPAR data from the Visible Infrared Imaging Radiometer Suite (VIIRS) with that from the Moderate Resolution Imaging Spectroradiometer (MODIS) in Section 4.3, ensuring a comprehensive evaluation of the dataset’s accuracy and reliability.
Results
The results of the ablation study highlight the effectiveness of the constraint approach in reducing mean absolute error (MAE) during the consolidation stages of the MODIS-FPAR timeseries analysis. By averaging MAE for all vegetated pixels across 19 years, the study compared error metrics with and without constrained filtering. The findings indicated that constrained filtering significantly lowered MAE, particularly in the initial C0 stage, where high errors were attributed to low-quality FPAR observations caused by persistent cloud or snow coverage.
Moreover, the mean error (ME) analysis revealed that unconstrained filtering resulted in predominantly negative ME values, indicating an underestimation of canopy cover (CF), while constrained filtering yielded slightly positive ME values, suggesting a mild overestimation of CF. This discrepancy diminished in later stages as more data became available, leading to reduced MAE. Overall, these results underscore the value of the constraint mechanism, supporting its operational implementation for improved accuracy in FPAR assessments.
Discussion
In this section, the authors discuss the methodologies and data sources used for analyzing Fraction of Photosynthetically Active Radiation (FPAR) through MODIS and VIIRS satellite products. The MODIS FPAR data, sourced from Collection 6.1, utilizes a primary algorithm that incorporates vegetation structural types and sun-sensor geometries, with a backup algorithm employed when necessary. The data spans from February 2000 to June 2022, with specific adjustments made during periods of data interruption. The VIIRS FPAR data, from Collection 2, aims for consistency with MODIS through cross-calibration, and similarly employs a structured data format. Both datasets are processed to exclude non-vegetated pixels and utilize a dekadal temporal resolution to align with agronomic analyses.
The authors detail their approach to FPAR smoothing and near-real-time (NRT) filtering, which employs a Whittaker smoother (WS) to balance data fidelity and smoothness. The WS is adapted to account for quality assessment (QA) indicators, with weights assigned based on visual inspections of historical data. The NRT filtering method is designed to provide timely FPAR estimates while addressing challenges posed by sparse observations. The authors also describe the intercalibration process between MODIS and VIIRS FPAR datasets to ensure compatibility and accuracy, utilizing mean difference corrections to align the two data sources. Overall, the methodologies outlined aim to enhance the reliability of FPAR estimates for agricultural monitoring and ecological assessments.