基于迁移学习和Sentinel卫星数据的农田尺度作物产量预测方法研究

《Smart Agricultural Technology》：Making optimal use of limited field-scale data for crop yield forecasting using transfer learning and Sentinel-1 and 2 data

本文针对农田尺度作物产量数据稀缺制约机器学习模型发展的问题，研究人员通过迁移学习（Transfer Learning）方法，利用区域尺度数据训练模型并迁移至农田尺度，结合Sentinel-1和Sentinel-2遥感数据，在奥地利和捷克地区对冬小麦、春大麦和玉米进行产量预测。结果表明，经过微调的迁移学习模型（reg2fld_ft）在收获前1个月预测精度最高（R2达0.52–0.69），且仅需25%–50%的农田数据即可达到传统模型性能。该研究为有限数据条件下的精准农业管理提供了有效解决方案。

　　

在全球气候变化和人口增长的双重压力下，粮食安全已成为人类面临的严峻挑战。联合国可持续发展目标明确提出“零饥饿”愿景，而精准农业中的作物产量预测技术正是实现这一目标的关键工具。传统上，基于机器学习和地球观测（Earth Observation, EO）数据的产量预测模型潜力巨大，但一个核心瓶颈问题日益凸显：农田尺度的训练数据极其稀缺。这就像一位技艺高超的厨师，空有满腹菜谱，却缺少新鲜的食材，难以施展身手。这种数据匮乏严重限制了模型在具体农场管理中的应用，使得针对单个田块的精准预测难以实现。

相比之下，区域尺度（如县级、省级）的作物产量数据则相对容易获取，许多国家的统计部门都会公开这类数据。然而，区域平均值掩盖了田间地头的具体差异，无法满足农民进行精准灌溉、施肥和病虫害防治的决策需求。如何将“大区域”的知识有效迁移到“小田地”上，成为农业遥感领域一个亟待突破的难题。在此背景下，一项发表在《Smart Agricultural Technology》上的研究为我们提供了新的思路。该研究团队创新性地将迁移学习（Transfer Learning, TL）这一人工智能领域的热门技术引入作物产量预测，旨在探索如何利用易得的区域尺度数据来“滋养”数据饥渴的农田尺度预测模型，从而打破数据壁垒。

为了回答上述问题，研究人员开展了一项严谨的实证研究。他们以中欧的奥地利和捷克共和国为研究区，聚焦该地区三种主要作物：冬小麦、春大麦和玉米。研究的关键在于利用了两个空间尺度的数据：广泛覆盖的区域尺度产量数据（来自两国统计部门）和高精度的农田尺度产量数据（来自捷克南部一个农场的收割机记录）。技术方法的核心是卫星遥感数据与机器学习模型的结合。研究主要利用了Sentinel-1卫星的合成孔径雷达（SAR）数据和Sentinel-2卫星的多光谱数据。从Sentinel-1数据中提取了VV（垂直发射垂直接收）、VH（垂直发射水平接收）极化后向散射系数和它们的交叉比率（CR）共3个特征，用于感知土壤水分和作物结构。从Sentinel-2数据中计算了增强型植被指数（EVI）、归一化差分水分指数（NDWI）和归一化多波段干旱指数（NMDI）共3个植被指数，用于监测作物生长状况。这些数据被处理成收获前1至4个月（LT1-LT4）的月度观测值作为预测因子。建模方面，研究采用了人工神经网络（Artificial Neural Network, ANN），并设计了四种关键模型进行对比：在区域尺度上训练和测试的基准模型（reg2reg）、在农田尺度上训练和测试的基准模型（fld2fld）、在区域尺度训练后直接应用于农田尺度的模型（reg2fld）、以及在区域尺度训练后使用部分农田数据微调（Fine-tuning）再应用于农田尺度的模型（reg2fld_ft）。此外，还引入了极限梯度提升（XGBoost, XGB）模型作为传统机器学习方法的参照。模型性能通过30次随机交叉验证和留一年份交叉验证（Leave-1-year-out cross-validation, L1YOCV）进行评估。

3.1. 一般模型性能

研究结果显示，不同模型的预测性能差异显著。总体而言，随着预测时间越接近收获期（即从LT4到LT1），大多数模型的预测精度逐步提高。经过微调的迁移学习模型（reg2fld_ft）表现最为出色，在收获前1个月（LT1），对所有作物的预测中位决定系数R²达到0.52-0.69，中位归一化均方根误差（nRMSE）为15%-21%。该模型 consistently（持续地）优于仅使用农田数据训练的模型（fld2fld），R²提升了0.05-0.12。而直接将区域模型应用于农田（reg2fld）的效果则很差，这表明两个尺度之间存在显著差异，简单的模型迁移并不奏效。

3.2. 训练方法的比较

模型间的对比清晰地揭示了迁移学习的价值。仅使用区域数据训练的模型（reg2fld）在农田尺度测试中表现不佳，凸显了尺度差异带来的挑战。而所有融入农田级数据（无论是用于训练还是微调）的模型（fld2fld, reg2fld_ft, xgb_fld）均显著优于reg2fld模型。其中，reg2fld_ft在大多数场景下表现最佳，证明了“区域预训练+农田微调”策略的有效性。

3.3. 需要多少数据进行微调？

一个关键的发现是，迁移学习极大地提升了对有限农田数据的利用效率。研究表明，reg2fld_ft模型仅需远少于fld2fld模型的数据量，即可达到同等甚至更优的性能。具体而言，对于春大麦和玉米，微调所需数据量仅为传统方法的50%；对于冬小麦，更是低至25%。这意味着，在农田数据收集成本高昂的现实下，迁移学习能够以更经济的方式构建高性能的预测模型。

3.4. 留一年份交叉验证

然而，研究也揭示了模型在时间泛化能力上的局限性。当采用更符合实际预报场景的留一年份交叉验证（L1YOCV）时，所有农田尺度模型的性能均出现大幅下降。分析表明，这主要是由于不同年份间作物产量和预测因子（如EVI）的分布存在较大差异，加之可用于训练的年份较少（仅6年），导致模型难以学习到稳定、普适的规律。区域尺度模型（reg2reg）在L1YOCV中表现相对稳健，说明大范围的数据聚合有助于平滑年际波动，增强模型的时序泛化能力。

3.5. 特征重要性

对模型特征重要性的分析显示，Sentinel-2衍生的植被指数（如EVI, NMDI, NDWI）整体上比Sentinel-1的后向散射特征更为重要，但Sentinel-1数据提供了有价值的补充信息，尤其在监测水分状况方面。靠近收获期的观测（如LT1, LT2）通常比早期观测具有更高的预测能力。经过微调后，模型对关键特征的关注度有所提升，表明微调过程使模型更专注于与目标域最相关的信息。

归纳研究结论和讨论部分，该研究成功验证了迁移学习在缓解农田尺度作物产量预测数据短缺问题上的巨大潜力。通过“区域预训练-农田微调”的范式，能够显著降低对昂贵农田数据的依赖，同时提升预测精度。这不仅为在数据稀缺地区推广精准农业提供了可行的技术路径，也深化了我们对多尺度农业遥感建模的理解。然而，研究也指出，模型的时序外推能力，即对全新年份的预测性能，仍是当前面临的挑战，这突显了积累更长时序观测数据的重要性。未来，探索跨不同气候带、农业生态区的模型迁移能力，以及结合季节性天气预报等动态数据，将是进一步推动该领域发展的关键方向。总之，这项研究为利用人工智能和遥感技术保障粮食安全开辟了一条富有前景的道路，其方法论对资源受限条件下的环境建模具有广泛的借鉴意义。