利用来自Sentinel-2影像的高分辨率初级生产力数据，在田间水平上预测未见年份的稻米产量

《Remote Sensing of Environment》：Rice yield prediction in unseen years at field level with high-resolution gross primary productivity derived from Sentinel-2 imagery

水稻产量预测中高分辨率GPP与NDRE的对比研究，通过Sentinel-2影像分析发现GPP在产量预测中表现更优（Δr2=0.04-0.41），谐波拟合可有效提升预测精度，提出的跨年GPP校正（CGC）方法在江苏地区水稻产量预测中优于ADDA模型（R2=0.55-0.73 vs 0.54-0.62），尤其在极端气候年景（2019,2022）和小地块（<0.6ha）场景下展现强适应性。

　　在农业生产中，准确预测田级水稻产量对于优化精准农业实践和增强国家粮食安全体系具有重要价值。近年来，随着遥感技术的发展，研究人员越来越多地利用卫星数据进行作物产量预测，但针对未见过的年份进行大规模区域的田级产量预测仍面临诸多挑战。当前，许多研究使用植被指数（VIs）或总初级生产力（GPP）来预测作物产量，但很少系统地评估它们在预测性能和稳定性方面的差异，尤其是在整个生长季节的时间序列卫星影像背景下。此外，关于大规模区域中未见过年份的田级产量预测研究也较为有限。

为了解决这些问题，我们对从Sentinel-2影像中提取的归一化红边差值指数（NDRE）与通过改进的双叶光合效率模型生成的高分辨率GPP之间的关系进行了深入比较。研究重点在于分析它们与水稻产量的关联性，并确定最佳的预测时间窗口。我们使用原始和经过谐波拟合的GPP数据，在10天的时间间隔下评估了最佳预测时间窗口。此外，我们提出了一种跨年GPP校正（CGC）方法，作为一种高效的模型迁移方法，用于未见过年份的产量预测，并将其与一种新兴的数据驱动领域迁移学习算法——对抗性判别领域适应（ADDA）模型进行了比较。具体而言，这些方法在东部和东北部中国的大规模田级水稻产量数据集上进行了评估，该数据集覆盖了2019年至2022年。

研究发现，GPP在预测水稻产量方面优于NDRE，表现出更高的稳定性和可靠性。具体而言，单月预测的决定系数（R2）范围为0.04–0.29，而累积月预测的R2范围为0.22–0.41。此外，谐波拟合的GPP数据可以进一步提升产量预测的准确性。在两个研究区域中，CGC方法显著提高了跨年预测的精度（R2 = 0.55–0.73），其表现优于ADDA模型（R2 = 0.54–0.62）。所提出的方法仅依赖少量的田级产量样本，并且在那些具有显著跨年产量变化（如2019年）或极端天气条件（如2022年）的年份中也表现出良好的鲁棒性。这项研究对于在大规模区域中使用公开的遥感影像和有限的田级产量数据进行水稻产量预测具有广阔的应用前景，特别是在精准作物管理和粮食安全评估背景下，对于小农户农业系统尤为重要。

水稻作为全球三大主粮作物之一，是全球近一半人口的主要粮食来源。中国是全球最大的水稻生产国之一，水稻种植面积约占中国总粮食作物种植面积的24.31%。2024年，水稻产量占中国总谷物产量的29.37%，表明水稻在中国农业体系中的重要地位。然而，中国大部分农田面积较小，通常小于0.6公顷，并且分布较为零散。与此同时，全球粮食安全正面临人口快速增长和极端气候事件频发的双重挑战。及时、可靠且空间上明确的田级水稻产量预测可以帮助农民做出更科学的管理决策，有助于缓解气候变化带来的影响。近实时的产量预测还能帮助政府制定应对潜在粮食市场波动的策略。

随着Sentinel-1/2影像的出现，10米空间分辨率的遥感数据为监测小农户农田提供了新的可能性。此前的研究表明，Sentinel-2影像在作物产量预测方面优于Sentinel-1影像。由于Sentinel-2自2017年以来具有5天的重访周期，使得对小农户农田进行前所未有的时间分辨率监测成为可能。一般来说，精细的时间窗口（<15天）在精准农业管理中起着关键作用。之前的研究指出，最佳的预测窗口通常出现在收获前一个月至两个月，或从抽穗到灌浆阶段，这些阶段的产量相关光谱信号最为显著。理论上，最佳的预测时间与作物的物候阶段密切相关，这些阶段在不同地区和同一地区内部可能显著变化。然而，当前的时间窗口较为宽泛，未能准确捕捉作物生长阶段的变化，因此难以满足现代精准农业管理（如灌溉和施肥）的需求。因此，有必要利用时间序列遥感影像，通过统计或数据驱动模型，定义更加精细的时间窗口（如10天）进行作物产量预测。

传统上，植被指数（VIs）作为预测作物产量的关键独立变量，因其与作物生长特征的强相关性而被广泛应用。盛季的植被指数能够有效反映作物在生物和非生物胁迫下的生长状况，而晚季的植被指数则在反映作物生物量和产量方面能力下降。总初级生产力（GPP），定义为生态系统通过光合作用吸收的碳，与光合作用相关的生物量和产量形成具有直接联系。尽管这种关系较强，但GPP数据在作物产量预测中的应用仍较为有限。这可能与社区中可用的GPP产品空间分辨率较低（≥500米）有关，这些产品主要设计用于全球生态系统应用。对于精准农业中的田级作物管理，这种粗分辨率显然是不够的。此外，广泛使用的MOD17 GPP产品在农业生态系统中可能低估了GPP，这可能限制了其在作物产量预测中的有效性。

与直接从光学影像中获取的植被指数相比，GPP是一种通过气象和遥感数据转换得到的间接变量。因此，有必要开发高质量和高分辨率的GPP产品，这些产品在田级作物产量预测和识别最佳精细时间窗口方面具有巨大潜力。之前的研究表明，GPP在数据驱动模型中对于产量预测的表现优于植被指数，如归一化植被指数（NDVI）和增强植被指数（EVI）。作为一种综合反映总光合碳同化能力的指标，GPP与作物生物量和产量形成之间的关联性也强于EVI。相比之下，传统植被指数主要反映冠层的绿色程度，并且在高生物量条件下容易饱和，从而限制了其在中后期生长阶段中对产量变化的区分能力。此外，对叶绿素敏感的植被指数在作物产量预测中通常优于EVI和NDVI。它们可以用于检测与产量相关的营养缺乏变化，并且与光合作用密切相关。这些指数在未见过年份的产量预测中也表现出比原始Sentinel-2波段反射率更好的性能和稳定性。

尽管这些对叶绿素敏感的植被指数在作物产量预测中没有显著差异，但每种指数在不同生长阶段都有其特定的优势。特别是归一化红边差值指数（NDRE），它结合了红边和近红外（NIR）波段，显著增强了其对叶绿素的敏感性，同时减轻了饱和效应。然而，跨年气候变化和农业管理实践的变化会导致GPP和NDRE的统计分布发生偏移（年域偏移），这会削弱模型的泛化能力，并对准确预测新或未见过年份的产量提出重大挑战。目前，很少有研究系统地探讨从Sentinel-2影像中提取的GPP和NDRE在不同时间段与产量之间的相关性，或评估基于GPP和NDRE的产量预测模型在未见过年份的泛化能力。

随着高精度产量数据的日益丰富，研究人员越来越多地采用Sentinel-2或Landsat影像进行田级和子田级产量图谱的绘制。然而，大多数研究仍受限于有限的田级产量数据，这使得模型的训练和验证变得困难。现有的田级产量预测机器学习（ML）模型严重依赖于田级产量数据，其性能对产量数据集的规模非常敏感。例如，神经网络（NN）、支持向量机（SVM）、循环神经网络（RNN）和随机森林（RF）等模型通常在历史数据上进行训练，其预测性能依赖于从训练样本中学习到的模式。然而，当面对训练数据范围之外的极端条件或全新的情境，如前所未有的气候事件时，这些模型可能难以泛化。

幸运的是，迁移学习作为一种机器学习技术，旨在利用一个任务或领域的知识和经验来提高另一个任务的学习效率。各种基于差异或对抗性的无监督领域适应方法被开发出来，以减少领域偏移并提高从源域到目标域的深度学习模型迁移能力，而无需标注数据。其中，对抗性判别领域适应（ADDA）作为一种对抗性方法，在源域到目标域的县级产量预测中表现出巨大潜力，并且其表现优于随机森林（RF）和深度神经网络（DNN）。此外，预测新一年的作物产量对于粮食安全干预、贸易预测和理解产量趋势至关重要。因此，近年来的研究越来越多地采用对抗性方法，以提高不同时间和空间领域的县级产量预测的可靠性。

这些研究主要集中在县级产量预测，这主要是因为县级产量数据的公开性和可访问性较高。相比之下，田级产量预测研究相对较少，受到大规模、高分辨率田级测量产量数据集的稀缺性限制。收集这类田级产量数据通常需要依赖产量监测器和系统性的田级调查，这带来了显著的数据获取挑战。其中，一个关键问题在于这些领域适应模型在田级产量预测中的跨年和跨区域迁移能力，这需要大量的田级产量数据进行模型训练或重新校准。因此，有必要开发一种跨年迁移的方法，能够在新一年中使用少量的田级产量样本进行准确的产量预测。一种简单易操作且鲁棒的方法可以通过高分辨率GPP数据和少量样本的产量测量来实现这一目标。

为了解决上述问题，我们提出了一种新的方法，通过整合高分辨率GPP和有限的田级产量数据，对跨年的GPP差异进行校正，并预测不同区域的未见过年份的水稻产量。本研究的具体目标包括：（i）分析GPP和NDRE在四年内预测水稻产量的差异，并使用领域适应算法评估它们在未见过年份的泛化能力；（ii）通过利用10天间隔的高分辨率GPP数据，确定最佳的预测时间窗口；（iii）开发一种简单易操作的跨年GPP校正方法，用于不同水稻产区的产量预测，并将其性能与最先进的领域适应方法和传统机器学习算法进行比较。

研究区域位于中国长江中下游地区，属于水稻生产的重要区域。2024年，江苏省在水稻种植面积和总产量方面分别位列全国第四，同时在单位面积产量方面居全国首位。江苏省的水稻种植面积约为50000平方公里，其单季水稻的生长周期具有明显的季节性特征，包括播种、移栽、分蘖、抽穗、灌浆和成熟等阶段。在研究过程中，我们选取了两个代表性区域进行分析，以评估所提出方法的有效性。这些区域的气候条件和农业管理实践存在差异，这使得模型的泛化能力成为关键考量因素。

跨年GPP校正对于目标年产量预测具有重要意义。在同一农业区域中，作物生长动态和物候变化受气候条件和农业管理实践（如品种选择和播种日期）的影响。这些生物物理变化被卫星遥感指标（如GPP和VIs）所捕捉，不仅表现出数值上的差异，还可能在生物参数和季节高峰上存在时间上的偏移。因此，为了提高模型的泛化能力，有必要对跨年GPP数据进行校正，以消除由于气候和管理实践变化带来的影响。我们提出了一种基于谐波分析和三角变换技术的跨年GPP校正方法，以提高不同水稻产区的产量预测精度。

在每月步长下，GPP和NDRE与产量之间的相关性也得到了分析。研究结果显示，单月和累积月的GPP和NDRE与水稻产量之间存在显著的相关性（p < 0.05）。总体而言，累积月变量（GPP: R2 = 0.38–0.67；NDRE: R2 = 0.21–0.27）与产量之间的相关性高于单月变量（GPP: R2 = 0.04–0.29；NDRE: R2 = 0.04–0.29）。这表明，使用累积月数据可以更有效地捕捉作物生长过程中的长期趋势，从而提高产量预测的准确性。此外，研究还发现，GPP和NDRE在不同生长阶段对产量的预测能力存在差异，这需要根据具体的应用场景进行选择。

GPP和NDRE在预测产量方面的能力也受到多种因素的影响。之前的研究主要集中在使用植被指数和数据驱动模型进行作物产量预测，但直接使用GPP数据进行此类预测仍较为有限。虽然GPP数据常被用于大规模产量预测的半经验模型中，但这些模型在生长季内实施较为困难。此外，收获指数的时空动态变化可能对产量预测的准确性产生影响，因此需要结合多种数据源进行综合分析。

本研究的结论表明，通过高分辨率GPP和NDRE数据，可以有效评估它们与水稻产量之间的相关性，并在未见过年份中提高产量预测的准确性。通过整合原始和经过谐波拟合的GPP数据，我们确定了最佳的预测时间窗口。此外，所提出的跨年GPP校正方法在不同水稻产区的产量预测中表现出较高的精度，其性能优于现有的领域适应方法和传统机器学习算法。研究还发现，GPP在预测精度和稳定性方面优于NDRE，这使得其成为田级产量预测的优选指标。同时，跨年GPP校正方法在应对气候变化和极端天气条件下的产量预测中表现出良好的适应性，为精准农业管理提供了新的工具和思路。

研究的创新点在于提出了一种结合高分辨率GPP和少量田级产量数据的跨年校正方法，以提高未见过年份的产量预测精度。这一方法不仅能够有效应对跨年气候变化和农业管理实践带来的挑战，还能在缺乏大量田级产量数据的情况下实现较高的预测准确性。通过使用高分辨率GPP数据和精确的时间窗口，我们能够更好地捕捉作物生长过程中的关键信息，从而提高产量预测的科学性和实用性。

在实际应用中，该方法可以为农业管理部门提供科学依据，帮助制定更合理的政策和措施。例如，通过准确预测水稻产量，可以优化灌溉和施肥方案，提高资源利用效率。此外，该方法还可以用于粮食安全评估，帮助政府和相关机构提前预警潜在的产量波动，从而采取相应的应对策略。同时，该方法在小农户农业系统中具有重要应用价值，可以为农民提供更精准的产量信息，帮助其在不同生长阶段做出更科学的管理决策。

研究的局限性在于，所使用的田级产量数据主要来自东部和东北部中国，这可能限制了方法的普遍适用性。此外，高分辨率GPP数据的获取和处理需要较高的计算资源和技术支持，这可能成为推广该方法的一个障碍。然而，随着遥感技术和计算能力的不断发展，这些挑战有望得到克服。未来的研究可以进一步拓展该方法的应用范围，包括其他作物和不同地区的产量预测，以验证其在更广泛背景下的有效性。

本研究的成果为精准农业和粮食安全提供了新的视角和方法。通过整合高分辨率GPP和NDRE数据，可以更全面地评估作物生长过程中的关键因素，并提高产量预测的准确性。同时，该方法的简单性和鲁棒性使其在实际应用中具有较高的可行性。未来的研究可以进一步优化该方法，提高其在不同时间和空间领域的适应能力，以满足更复杂的应用需求。此外，研究还可以探索其他数据源和方法，以进一步提升产量预测的精度和稳定性，为全球粮食安全提供更可靠的支持。