《Smart Agricultural Technology》:Field-scale potato yield prediction from sentinel-2 time series using lightweight deep learning models
编辑推荐:
本研究针对小样本条件下田块尺度马铃薯产量准确预测的挑战,研究人员开发并评估了一套集成特征选择与轻量化深度学习框架的产量估算方法。他们提出了名为Grouped TreeSHAP Stability Selection (GTSS)的特征选择法,并引入了两种轻量级深度学习架构LiteTemporalConv和MS-ConvBiGRU-Attn。研究结果显示,所提出的模型在精度上超越了多种机器学习(如RF, XGB)和传统深度学习基线方法,证明了目标特征选择和轻量化编码器在数据稀缺条件下的重要性,为精准农业决策提供了有力工具。
在人口持续增长、耕地资源紧张、气候变化加剧的多重压力下,全球农业正面临严峻的粮食安全挑战。到2050年,预计全球人口将接近百亿,而人均耕地面积却在不断减少。为了满足不断翻倍的食物需求,农业部门必须在提升产量的同时,采取环境可持续的耕作实践。在这一背景下,精准农业(Precision Agriculture, PA)技术,特别是借助遥感(Remote Sensing, RS)数据进行的作物产量预测,成为提高生产效率、优化资源配置、支持科学决策的关键。马铃薯(Solanum tuberosum L.)作为全球第三大主粮作物,对保障粮食安全至关重要。然而,传统的作物生长模型虽然能够模拟作物对环境和管理的响应,但其在田块尺度的大范围应用中,往往依赖于详细的输入数据和复杂的校准过程,可操作性和可扩展性面临挑战。与此同时,虽然深度学习(Deep Learning, DL)在利用大规模遥感数据进行产量预测方面展现出巨大潜力,但其成功通常依赖于海量的标注数据。在现实的农业生产中,单季、田块尺度的应用往往面临“小样本、高维度”的数据困境。那么,在数据稀缺的条件下,能否设计出高效、稳健的深度学习模型来进行准确的产量预测呢?这成为本研究试图回答的核心科学问题。针对这一问题,发表在《Smart Agricultural Technology》上的一项研究,为我们提供了创新的解决方案。
为攻克上述难题,研究人员在意大利威尼托(Veneto)地区选取了114个马铃薯田块作为研究对象,收集了2023年生长季内的地面实测产量数据。他们利用哨兵2号(Sentinel-2)卫星获取了覆盖马铃薯关键物候期的8个时相的多光谱影像。在方法学上,研究团队构建了一套完整的技术流程。首先,他们开发了一种名为分组树形SHAP稳定性选择(Grouped TreeSHAP Stability Selection, GTSS)的方法,用于从原始光谱波段和17个植被指数中,筛选出对产量预测最稳定、最重要的特征子集,以降低冗余、缓解小数据下的过拟合。接着,他们创新性地提出了两种专为有限训练数据设计的轻量化深度学习架构:LiteTemporalConv(一种轻量级时序卷积网络)和MS-ConvBiGRU-Attn(一种融合多尺度卷积、双向门控循环单元BiGRU和注意力机制的混合编码器)。为了评估性能,这两种模型与随机森林(Random Forest, RF)、支持向量机(Support Vector Machine, SVM)、极端梯度提升(eXtreme Gradient Boosting, XGB)、偏最小二乘(Partial Least Squares, PLS)等主流机器学习方法,以及标准的卷积神经网络(Convolutional Neural Network, CNN)和门控循环单元(Gated Recurrent Unit, GRU)等深度学习基线模型进行了系统性的十折交叉验证对比。此外,研究还通过一个独立的、位于伦巴第-皮埃蒙特(Lombardia–Piemonte)地区的空间数据集,进一步评估了最佳模型的区域泛化能力。
4.1. 特征选择评估
通过GTSS方法,研究人员成功筛选出一个对物候敏感的预测因子子集。在植被指数方面,有八个指数达到了≥60%的稳定性阈值并被保留,按重要性排序依次为:马铃薯生产力指数(Potato Productivity Index, PPI)、改进型叶绿素吸收率指数(Modified Chlorophyll Absorption Ratio, MCAR)、植物衰老反射指数(Plant Senescence Reflectance Index, PSRI)、叶面积指数(Leaf Area Index, LAI)、归一化差异450 nm指数(Normalized Difference 450 nm Index, ND45)、绿色叶绿素指数(Green Chlorophyll index, CLG)、光合有效辐射吸收比例(Fraction of Absorbed Photosynthetically Active Radiation, FPAR)和归一化差异植被指数(Normalized Difference Vegetation Index, NDVI)。在光谱波段方面,红边和近红外波段(B05, B07, B8A, B08)以及短波红外波段(B11, B12)显示出最高的贡献度。在时序选择上,六个最稳定的影像获取日期被选出,主要集中在6月和7月,与马铃薯生长的中晚期物候窗口(如冠层发育和块茎膨大期)高度吻合。这一特征选择过程显著降低了输入数据的维度,为后续的轻量化模型训练奠定了基础。
4.2. 深度学习模型的训练动态
训练过程显示,LiteTemporalConv和MS-ConvBiGRU-Attn两种模型均表现出良好的收敛性和稳定性。训练损失在初期迅速下降并趋于稳定,验证损失曲线也未与训练曲线发生明显偏离,这表明模型采用的全局平均池化、Dropout和L2正则化等策略有效防止了在小数据集上的过拟合。
4.3. 模型性能对比
在十折交叉验证中,两种新提出的深度学习模型均表现优异,全面超越了所有基线模型。其中,LiteTemporalConv取得了最高的预测精度,其确定系数R2达到0.84,均方根误差RMSE为3.18 吨/公顷,相对均方根误差rRMSE为6.36%。MS-ConvBiGRU-Attn也表现出强劲的性能,R2为0.82,RMSE为3.53 吨/公顷,rRMSE为7.03%。作为对比,表现最佳的机器学习基线模型XGB的R2为0.79,rRMSE为9.8%。而标准的CNN和GRU基线模型的性能则相对较差。这一结果清晰地表明,在有限数据条件下,精心设计的轻量化深度学习架构能够比复杂的传统深度学习模型和先进的机器学习方法更有效地捕捉遥感时序数据与产量之间的复杂关系。
4.4. 独立空间验证
为了评估模型的区域泛化能力,研究人员将训练好的LiteTemporalConv和MS-ConvBiGRU-Attn模型直接应用于独立的伦巴第-皮埃蒙特验证集(20个田块),未进行任何微调。结果表明,模型在陌生区域依然保持了较好的预测能力,LiteTemporalConv的R2为0.78,MS-ConvBiGRU-Attn的R2为0.76。虽然性能相比训练区域略有下降,但仍显示出可观的空间可移植性,证明了模型学到的特征具有一定程度的普适性。
4.5. 时序贡献分析与早期预测潜力
研究人员还通过置换重要性(Permutation Importance)方法分析了不同生长阶段(影像获取日期)对模型预测的贡献。结果显示,对于两个深度学习模型,6月和7月的观测日期(对应于冠层发育和块茎形成关键期)对最终预测的贡献最大。基于这一发现,研究进一步探索了模型的早期预测能力。实验表明,仅使用截至7月17日(生长季中期)的观测数据训练模型,其对于使用完整生长季数据(截至8月26日)的“晚期”产量估算,仍然表现出稳定的预测性能(预测误差仅小幅增加)。这预示着在实际应用中,有可能在收获前数月就对产量做出较为可靠的预估,对于农事安排和市场规划具有重要价值。
结论与讨论
本研究成功开发并验证了一个用于田块尺度马铃薯产量预测的集成框架。其核心贡献在于:第一,提出了GTSS特征选择方法,能够自动识别出与物候相关、对产量预测最稳定的光谱特征和观测时相,有效应对了高维小样本数据的挑战。第二,设计并实现了两种轻量化深度学习编码器(LiteTemporalConv和MS-ConvBiGRU-Attn),它们通过结构精简、正则化增强和数据扩增等技术,在仅有114个样本的数据集上取得了卓越的性能,证明了深度学习在数据稀缺条件下同样具备应用潜力。第三,系统的实验对比表明,所提模型在预测精度上显著优于多种先进的机器学习和传统深度学习模型,并且在独立空间验证中展现了良好的泛化能力。第四,时序分析揭示了作物生长中后期是产量预测的关键窗口,并初步验证了模型具备生长季中期进行产量预估的潜力。
这项研究的意义重大。在方法论上,它为农业遥感领域“小数据、大模型”的困境提供了切实可行的解决方案,推动了轻量化深度学习在精准农业中的实际应用。在实践层面,该框架为农民、农业企业和政策制定者提供了一种低成本、高效率、高精度的田块级产量监测工具,有助于实现更精细的田间管理、更准确的风险评估和更科学的粮食供应链规划,最终为提升全球农业生产的可持续性和韧性贡献了技术力量。