基于农学信息的时间可迁移产量预测框架——最优物候时刻与密度制图法

《Precision Agriculture》:An agronomically informed framework for temporally transferable yield prediction

【字体: 大 中 小 】 时间:2026年09月27日 来源:Precision Agriculture 7.6

编辑推荐:

  目的:产量图对于农业决策至关重要,然而现有方法通常局限于特定作物或机械,限制了其更广泛的适用性。 方法:本研究引入了一个基于农学信息的时间可迁移产量预测框架,该框架将最优物候时刻(OPM)选择与一种空间产量再分配策略——密度制图法(DBYM)相结合。该框架依赖

  
目的:产量图对于农业决策至关重要,然而现有方法通常局限于特定作物或机械,限制了其更广泛的适用性。 方法:本研究引入了一个基于农学信息的时间可迁移产量预测框架,该框架将最优物候时刻(OPM)选择与一种空间产量再分配策略——密度制图法(DBYM)相结合。该框架依赖于在生理上有意义的作物阶段获取的卫星影像植被指数,以及独立已知的田块尺度总产量值,用以指导产量的空间分配。该方法在巴西和澳大利亚商业农田的10个生长季中进行了评估,涉及咖啡、甘蔗和小麦,涵盖人工和机械化生产系统。除DBYM外,还评估了使用相同OPM衍生输入的简单线性回归基线,以探究农学信息引导的时间输入选择本身的贡献。 结果:结果表明,仅基于OPM的输入已在跨季节预测中展现出强大的预测能力,而DBYM则提高了预测的空间一致性,尤其是在稀疏校准场景下。一致性指数范围为0.73至0.94,所有DBYM预测的莫兰双变量指数均显著(p < 0.01),证实了观测与预测产量模式之间的空间一致性。均方根误差(RMSE)值与机器学习及深度学习产量预测研究报告的结果相当,咖啡为0.21–0.28 Mg ha-1,甘蔗为5.43–6.22 Mg ha-1,巴西小麦为0.15–0.26 Mg ha-1,澳大利亚小麦为0.44–0.61 Mg ha-1。 结论:结果表明,预测性能可能受数据获取时间的农学相关性影响。通过将农学信息引导的时间输入与灵活的空间再分配框架相结合,DBYM能够跨季节扩展产量图时间序列,并为缺乏专用产量监测系统的农田提供了一种可扩展且资源高效的精准农业应用替代方案。

论文解读:基于农学信息的时间可迁移产量预测框架

1. 研究背景与问题提出

产量图是实现精准农业(Precision Agriculture, PA)和可持续农业发展决策的关键数据层,可用于评估环境影响、经济可行性、土壤-植物关系及未来生产力预测。然而,尽管产量图技术自20世纪90年代就已存在,其在实际农场运营中的全面采用率仍然很低。主要限制因素包括两方面:一是技术层面,即现有商业化产量测绘技术高度依赖配备产量监测仪的机械设备,这不仅限制了其在主要谷类作物中的应用,也使中小型农户面临财务和物流障碍;二是数据利用层面,即使获得了产量数据,如何将其转化为有效的管理决策也颇具挑战。
为克服这些限制,研究人员探索了利用遥感(Remote Sensing, RS)数据进行产量预测的替代方法。尽管机器学习和深度学习方法取得了进展,但这些方法往往需要大量历史数据集、复杂的计算架构,并且多集中于县、站点或田块尺度的空间聚合观测,难以应用于需要精细田块内预测和多样化生产系统的实际精准农业场景。此外,一个常被忽视的问题是,许多研究不加区分地使用全生育期卫星影像,这可能会稀释具有生理意义的信号,掩盖与产量形成最密切相关的关键物候阶段的信息。
因此,该研究旨在解决上述问题,提出了一个假设:基于数据获取时间的农学相关性可以提升产量预测性能。为此,研究人员引入了两个核心概念:最优物候时刻(Optimal Phenological Moment, OPM),即作物生长过程中,其生理上的空间变异性与最终产量表达关联最强的阶段;以及密度制图法(Density-Based Yield Mapping, DBYM),一种利用代理变量的统计分布来指导已知田块总产量进行空间再分配的框架。

2. 研究方法概述

为验证上述假设,研究人员设计并实施了一套完整的研究流程,主要关键技术方法如下:
  1. 1.
    数据采集与处理:
    • •
      田间数据:选取了位于巴西(咖啡、甘蔗、小麦)和澳大利亚(小麦)的四个商业农田作为研究对象,涵盖了10个生长季。所有田块均配备了高分辨率产量监测仪,用于获取地面真实产量数据,以验证预测结果。
    • •
      卫星数据:使用了两种卫星影像源:PlanetScope(3.0米分辨率)和Sentinel-2(10.0米分辨率)。从中提取归一化差值植被指数(Normalized Difference Vegetation Index, NDVI),构建整个生长季的时间序列。
  2. 2.
    核心方法论:
    • •
      最优物候时刻(OPM)识别:利用第一个可用生长季的数据,训练一个随机森林(Random Forest, RF)模型,以像素级的NDVI值为预测变量,实测产量为响应变量。通过分析RF的特征重要性,确定对产量空间变异性解释力最强的物候阶段,即为OPM。随后,将该OPM应用于后续生长季,评估其时间重复性。
    • •
      密度制图法(DBYM):这是一个空间产量再分配框架。其核心假设是在OPM识别的物候阶段,代理变量(如NDVI)与产量的空间排序具有单调一致性。该方法首先将代理变量转换为无量纲分数,然后结合独立已知的田块平均产量和由历史数据估算出的合理产量范围,通过线性缩放生成最终的产量空间分布图。该方法不依赖于点对点的精确函数关系,而是侧重于保持产量的相对空间结构。
  3. 3.
    预测与验证策略:
    • •
      预测场景:设置了两种校准情景:当前季节校准(current-season calibration, cs)和前季校准(previous-season calibration, ps),以模拟不同数据可得性下的应用。同时,将DBYM与一个简单的线性回归(Linear Regression, LR)基线模型进行对比,以评估OPM本身的价值。
    • •
      验证指标:使用均方根误差(Root Mean Squared Error, RMSE)、平均绝对误差(Mean Absolute Error, MAE)、一致性指数(Index of Agreement, IA)和莫兰双变量指数(Moran's I bivariate index, MI)来综合评估预测精度和空间一致性。

3. 研究结果与发现

(1)最优物候时刻:农学至关重要的时刻
通过对第一个生长季数据的RF特征重要性分析,研究人员成功为每种作物识别出了OPM,并在后续生长季中观察到其高度的重复性。
  • •
    咖啡:OPM出现在7月至8月的花芽分化末期(休眠期)。此时期NDVI下降,与咖啡两年生结果特性相关,此时产量的空间变异性最高。
  • •
    甘蔗:OPM出现在分蘖期末期。分蘖决定了有效茎数,是产量的关键决定因素,此时NDVI达到平台期后开始下降。
  • •
    小麦:OPM出现在分蘖末期至拔节期。这是群体建成、决定潜在穗数的关键阶段,NDVI曲线呈现快速上升后的稳定期。
  • •
    异常情况:在澳大利亚小麦2022年生长季,由于收获前发生严重洪涝灾害,OPM被迫转移至灌浆后期。这表明极端事件会扰乱正常的产量形成过程,导致OPM偏移。
(2)农学信息输入的优势
通过与简单线性回归(LR)模型的对比,研究发现,即使只使用OPM选择的单一NDVI复合图像作为输入,LR也能取得与DBYM相当的预测效果。这一结果有力地支持了研究的核心假设:农学信息引导的时间输入选择本身就能提供强大的预测能力。然而,在咖啡田这种仅有少量校准数据的稀疏校准场景下,DBYM相比LR表现出更优的空间分布一致性和更低的预测误差,表明其空间再分配策略在此类受限条件下更具优势。
(3)DBYM框架的产量图验证
研究人员对15个DBYM预测结果进行了详细验证:
  • •
    均值与分布:大部分预测的平均产量与观测值吻合良好。虽然预测值的极值范围有所收窄(这是预测模型的常见现象),但中位数等中心分位数分布保持得较好,表明DBYM优先保留了产量的空间排序结构。
  • •
    精度指标:各项精度指标表现优异。RMSE和MAE的范围分别为:咖啡0.21–0.28和0.17–0.23 Mg ha-1;甘蔗5.43–6.22和4.37–5.00 Mg ha-1;巴西小麦0.15–0.26和0.12–0.21 Mg ha-1;澳大利亚小麦0.44–0.61和0.33–0.45 Mg ha-1。所有预测的一致性指数(IA)均超过0.73,最高达0.94。所有预测的莫兰双变量指数(MI)均在99%置信水平下显著,证实了预测与观测产量模式之间存在显著的空间一致性。
  • •
    时空可迁移性:无论是使用当前季节还是前季的产量范围校准,DBYM都能产生稳健的预测结果。即使在2022年澳大利亚小麦遭受洪灾的情况下,使用前季校准系数的预测虽然误差增大,但仍能捕捉到主要的受灾空间格局,显示了方法的鲁棒性。

4. 讨论与结论

讨论总结:研究结果强调了OPM概念的普适价值,它独立于特定的预测算法。未来的研究应更系统地考虑作物生理学和物候学在遥感预测中的作用,避免不加区分地使用全生育期光谱信号。DBYM作为一种新的空间再分配方法,为那些缺乏专用产量监测系统的田块提供了实用工具,但其在不同作物、环境和生产系统中的适用性仍需进一步验证。此外,研究中观察到的预测值极值收窄现象值得深入探讨,这可能源于模型优化倾向和NDVI在高生物量条件下的饱和效应。使用模拟数据、探索其他光谱代理变量以及积累更大规模的多年度数据库,将是未来研究的重要方向。
结论翻译:本研究为空间产量预测带来了两项互补性的贡献。首先,最优物候时刻(OPM)的概念表明,在生理上有意义的阶段选择作物信息,即使采用简单的预测方法,也能在跨季节预测中提供强大的预测能力。重要的是,OPM独立于DBYM再分配策略,因此可以被整合到其他预测方法中。其次,密度制图法(DBYM)作为一个空间再分配框架被提出,它利用OPM引导的代理数据以及独立已知的田块尺度总产量来生成空间产量估计。在对咖啡、甘蔗和小麦的应用中,DBYM再现的空间产量模式与高分辨率地面真实数据具有高度一致性。通过减少对专用产量监测系统和广泛校准的依赖,DBYM为延长产量图时间序列以及在缺乏此类系统的田块中生成空间产量信息提供了一种实用的方法。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号