近日，智慧農(nóng)業(yè)學(xué)院（人工智能學(xué)院）智慧農(nóng)業(yè)創(chuàng)新團(tuán)隊(duì)在國(guó)際著名頂級(jí)遙感期刊《Remote Sensing of Environment》發(fā)表了題為“Rice yield prediction in unseen years at field level with high-resolution gross primary productivity derived from Sentinel-2 imagery”的研究論文，報(bào)道了他們?cè)?span lang="zh-CN">大面積水稻單產(chǎn)衛(wèi)星遙感預(yù)測(cè)技術(shù)方面的重要進(jìn)展。

及時(shí)、準(zhǔn)確且無(wú)損的水稻產(chǎn)量預(yù)測(cè)與評(píng)估，是當(dāng)前智慧農(nóng)業(yè)發(fā)展的迫切需求，對(duì)水稻生產(chǎn)管理、種植結(jié)構(gòu)調(diào)整以及糧食安全保障具有重要意義。當(dāng)前研究雖然明確收獲前1-2月或抽穗灌漿期為水稻產(chǎn)量遙感預(yù)測(cè)的最優(yōu)時(shí)期，但缺乏更為精細(xì)的時(shí)間窗口，以滿(mǎn)足作物生長(zhǎng)精確管理的需求。此外，當(dāng)前基于植被指數(shù)（VI）的作物產(chǎn)量預(yù)測(cè)雖有較多進(jìn)展，但在應(yīng)對(duì)高生物量冠層光譜信號(hào)飽和與跨年份模型泛化方面仍存在局限。相較之下，總初級(jí)生產(chǎn)力（Gross primary productivity,GPP）能綜合反映光合碳同化過(guò)程，與作物生物量及產(chǎn)量具有更直接的生理聯(lián)系，表現(xiàn)出更大的應(yīng)用潛力。然而，GPP與傳統(tǒng)植被指數(shù)法在田塊級(jí)水稻產(chǎn)量預(yù)測(cè)中的性能差異與適用性尚不明確，有待系統(tǒng)性評(píng)估。最后，在不同生長(zhǎng)季氣候和管理?xiàng)l件變化背景下，跨年份的產(chǎn)量預(yù)測(cè)精度和穩(wěn)定性都有所下降，需要一種簡(jiǎn)便、穩(wěn)健的校正策略，以提升產(chǎn)量預(yù)測(cè)模型的跨年份泛化能力。

該研究首先基于不同年份高空間分辨率GPP遙感產(chǎn)品、田塊實(shí)測(cè)產(chǎn)量數(shù)據(jù)和時(shí)間序列諧波分析法（圖1），分析GPP和歸一化差值紅邊植被指數(shù)（Normalized difference red edge index，NDRE）在月尺度上分別與水稻產(chǎn)量的相關(guān)性。此外，利用水稻生長(zhǎng)季每10天間隔高分辨率GPP數(shù)據(jù)，確定水稻產(chǎn)量預(yù)測(cè)的最優(yōu)時(shí)間窗口。然后利用遷移學(xué)習(xí)算法和最佳時(shí)間窗口高分辨率GPP與NDRE數(shù)據(jù)預(yù)測(cè)水稻產(chǎn)量（圖2），解析GPP和植被指數(shù)NDRE在年際預(yù)測(cè)中的差異性。最后，提出適用于不同生態(tài)點(diǎn)的跨年度GPP校正（Cross-year GPP correction，CGC）方法（圖3），并評(píng)價(jià)其在不同生態(tài)點(diǎn)對(duì)水稻產(chǎn)量預(yù)測(cè)的精度。

圖1.基于高分辨率總初級(jí)生產(chǎn)力（GPP）的跨年度水稻產(chǎn)量預(yù)測(cè)技術(shù)流程圖

圖2.基于遷移學(xué)習(xí)算法的水稻產(chǎn)量預(yù)測(cè)技術(shù)

圖3.基于目標(biāo)年份的時(shí)間序列GPP曲線(xiàn)對(duì)參考年份GPP曲線(xiàn)的跨年度GPP校正（CGC）方法示意圖

研究結(jié)果表明，水稻產(chǎn)量與GPP和NDRE在單月及累積月尺度上均呈現(xiàn)顯著相關(guān)性（p < 0.05）。總體而言，累積月變量（GPP:r² = 0.38–0.67; NDRE:r² = 0.21–0.27）與產(chǎn)量的相關(guān)性高于單月變量（GPP:r² = 0.04–0.59; NDRE:r² = 0.00–0.41）（圖4）。此外，對(duì)于原始GPP數(shù)據(jù)而言，水稻生長(zhǎng)旺盛期（DOY 213-232：r² = 0.45 ~ 0.59）的表現(xiàn)始終優(yōu)于其他時(shí)段。每隔10天的數(shù)據(jù)累積值在產(chǎn)量預(yù)測(cè)性能上明顯優(yōu)于單個(gè)10天數(shù)據(jù)（圖5）。與原始GPP數(shù)據(jù)相比，諧波擬合GPP在單個(gè)（?r² = 0.03 ~ 0.48）和累積時(shí)期（?r² = 0.01 ~ 0.47）表現(xiàn)更為優(yōu)越（圖5）。

圖4.江蘇省田塊級(jí)水稻產(chǎn)量與（A）GPP和（B）NDRE在四年間不同時(shí)間窗口（定義為[開(kāi)始月份，結(jié)束月份]）的皮爾遜相關(guān)系數(shù)平方值

圖5.2019年至2022年江蘇省田塊級(jí)產(chǎn)量與GPP的相關(guān)性

本研究提出的CGC方法在不同水稻生產(chǎn)區(qū)（江蘇和黑龍江）的產(chǎn)量預(yù)測(cè)中表現(xiàn)良好，并且在獨(dú)立年份的產(chǎn)量預(yù)測(cè)精度（R² = 0.55 ~ 0.73）高于遷移學(xué)習(xí)算法的預(yù)測(cè)結(jié)果（R²= 0.54 ~ 0.62）。該方法無(wú)需大量地面實(shí)測(cè)樣本，在年平均產(chǎn)量存在明顯差異的年份（2019）和極端高溫年份（2022）中，產(chǎn)量預(yù)測(cè)均表現(xiàn)良好（圖6）。未來(lái)研究可以將它遷移到其他地區(qū)或更多年份，用于更大面積作物單產(chǎn)和總產(chǎn)的準(zhǔn)確高效預(yù)測(cè)。該研究首次提出了一種基于高空間分辨率GPP的輕量化水稻產(chǎn)量跨年份預(yù)測(cè)方法，在少量實(shí)測(cè)樣本條件下實(shí)現(xiàn)高精度單產(chǎn)預(yù)測(cè)，攻克了大范圍水稻單產(chǎn)預(yù)測(cè)模型年際遷移性差的難題，突破了目前植被指數(shù)預(yù)測(cè)方法精度不高的限制（圖7和8）。該技術(shù)明確了遙感GPP產(chǎn)品在水稻單產(chǎn)預(yù)測(cè)中的地位與應(yīng)用價(jià)值，深化了對(duì)GPP與作物光合生產(chǎn)關(guān)系的理解，為現(xiàn)有GPP產(chǎn)品在農(nóng)業(yè)遙感領(lǐng)域的應(yīng)用拓展提供了新思路。同時(shí)，該研究為農(nóng)業(yè)管理部門(mén)和規(guī)模種植大戶(hù)等新型經(jīng)營(yíng)主體提供了準(zhǔn)確、客觀(guān)、及時(shí)的田塊級(jí)產(chǎn)量預(yù)測(cè)手段，以更加有效應(yīng)對(duì)氣候變化和病蟲(chóng)害的影響，提高農(nóng)業(yè)生產(chǎn)的韌性和可持續(xù)性。

圖6.以2022年為參考年模型應(yīng)用于2019年至2021年得到的江蘇省水稻產(chǎn)量預(yù)測(cè)值與實(shí)測(cè)值的散點(diǎn)圖

圖7.基于2022年參考年模型預(yù)測(cè)的2021年江蘇省水稻產(chǎn)量空間分布圖

圖8.基于2022年參考年模型預(yù)測(cè)的2021年江蘇省臨海農(nóng)場(chǎng)水稻產(chǎn)量空間分布圖

本研究由南京農(nóng)業(yè)大學(xué)國(guó)家信息農(nóng)業(yè)工程技術(shù)中心主持完成，我校已畢業(yè)博士研究生余衛(wèi)國(guó)為論文第一作者，朱艷教授、程濤教授為共同通訊作者。曹衛(wèi)星教授、姚霞教授、江沖亞教授和鄭恒彪副教授參與了研究工作。江蘇省農(nóng)科院邱琳副研究員和黑龍江科技大學(xué)宋麗娟副研究員分別在試驗(yàn)數(shù)據(jù)獲取方面提供了支持。

據(jù)了解，智慧農(nóng)業(yè)團(tuán)隊(duì)在國(guó)家自然科學(xué)基金創(chuàng)新研究群體等項(xiàng)目資助下，在數(shù)據(jù)驅(qū)動(dòng)和半機(jī)理性作物產(chǎn)量遙感估測(cè)模型方面開(kāi)展了系統(tǒng)性研究，顯著提升了作物產(chǎn)量衛(wèi)星遙感估測(cè)模型的準(zhǔn)確性、機(jī)理性和普適性。

論文鏈接：

https://doi.org/10.1016/j.rse.2025.115061