编辑推荐：
为解决传统甜菜产量预测方法的不足，研究人员开展利用无人机（UAV）技术和递归神经网络预测甜菜产量和品质参数的研究。结果显示 Stacked-LSTM 模型表现更优，该研究为精准农业决策提供支持。
在农业生产领域，甜菜作为重要的糖料作物，其产量和品质的精准预测一直是农业从业者和研究人员关注的重点。传统的甜菜产量预测方法，像依赖种植记录、田间采样以及历史气象数据等，存在诸多弊端。这些方法不仅高度依赖专业经验，耗费大量的人力和物力资源，而且预测结果还容易受到时空变化的影响，准确性大打折扣。例如，不同年份、不同地区的气候和土壤条件差异，会使得基于历史数据的预测与实际情况出现较大偏差。此外，以往的研究大多聚焦于区域尺度的预测，依赖多年的历史数据集，对于田间尺度的实时预测却关注较少，难以满足现代精准农业的需求。
为了突破这些困境，来自国内的研究人员展开了深入探索。他们以提高甜菜产量和品质预测的准确性为目标，开展了一项极具创新性的研究。研究人员利用无人机（UAV）技术和递归神经网络，构建了一种基于地块尺度的预测模型，旨在实现同一生长季内的田间产量预测。
该研究最终得出了一系列重要结论。研究表明，Stacked-LSTM 模型在预测甜菜的含糖量、根产量和糖产量方面，性能优于传统的机器学习方法。通过整合多个生长时期的时间序列数据，以及将地上和根生物量的鲜重估计值作为预测因素，模型的预测准确性得到了显著提升。特别是在使用所有三个生长时期（P1、P2 和 P3）的数据时，预测效果最佳，含糖量的 R2值达到 0.761（rRMSE = 7.1%），根产量的 R2值为 0.531（rRMSE = 22.5%），糖产量的 R2值为 0.478（rRMSE = 23.4%）。此外，结合前两个生长时期（P1 和 P2）的数据进行预测，也能取得不错的结果，为提前预测提供了可能。这些研究成果对于优化农业管理决策、提高农业生产效率具有重要意义，为精准农业的发展提供了有力支持。该研究成果发表在《Artificial Intelligence in Agriculture》上。
在研究过程中，研究人员主要运用了以下关键技术方法：首先，利用无人机平台在甜菜的三个关键生长阶段（叶片丛生快速生长期 P1、根和糖生长时期 P2、糖积累期 P3）采集 RGB 和多光谱图像；其次，通过 Pix4Dmapper 软件对原始图像进行处理，提取包括植被指数和冠层结构特征等多种数据；然后，计算相对生长度日（RGS）和累积降水量（PRCPt）等气象因素；最后，构建 Stacked-LSTM 模型，并与随机森林回归（RFR）、偏最小二乘回归（PLSR）和支持向量机回归（SVR）等传统机器学习方法进行对比验证，同时运用 Permutation Importance（PIMP）方法评估变量的重要性。
下面来看具体的研究结果：
- 不同生长时期及组合数据的产量和品质参数预测性能：研究发现，基于单个生长时期数据的模型，预测含糖量时，越接近收获期准确性越高，即 P3 > P2 > P1；预测根产量时，P1 略优于 P2 和 P3；预测糖产量时，各时期的 R2值范围较接近。而将多个生长时期的数据组合使用，通常能提高预测准确性，其中 P1 - P2 - P3 组合的效果最佳，且使用该组合数据的模型能在收获前约 15 - 20 天进行产量预测。P1 - P2 组合也能提高根产量和糖产量的预测准确性，可在收获前 38 - 47 天进行预测。在所有测试模型中，Stacked-LSTM 模型表现更为稳健。
- 模型预测中变量的重要性：运用 PIMP 方法确定了预测含糖量、根产量和糖产量的关键特征。预测含糖量时，PRCP 是最重要的特征，CIre 和 GRVI 也较为关键；预测根产量时，GRVI、d_25、DVI 和 G 等特征较为显著；预测糖产量时，GRVI、TCI/OSAVI、CIre 和 MCARI/OSAVI 等是重要特征。不同预测目标和生长时期的关键特征存在差异。
- 反演 AFW 和 BFW 在产量预测和品质参数中的潜力：研究构建的 AFW 和 RFW 估计模型具有一定准确性，将其作为预测因子纳入模型后，能提高含糖量、根产量和糖产量预测的 R2值，降低 rRMSE 值。在 P1 - P2 时期，预测准确性提升更为明显，且对根产量和糖产量的提升幅度大于含糖量。添加 AFW 和 RFW 数据后，模型预测误差随机分布，使用 P1 - P2 - P3 数据的模型预测误差更小。
在研究结论和讨论部分，研究人员指出，本研究利用无人机冠层光谱和结构特征，结合气象因素，能够有效预测甜菜产量和品质。Stacked-LSTM 模型在处理时间序列数据方面具有优势，能够捕捉作物生长过程中的时间依赖性，从而实现更准确的预测。尽管目前的研究取得了一定成果，但仍有提升空间。未来研究可以考虑添加更多模态特征，如热红外和 LiDAR 数据的 3D 特征、SWIR 波段数据等，同时整合更多气候和土壤因素，扩大数据集涵盖的区域、品种和年份，进一步提高预测模型的准确性和适应性。这对于优化甜菜种植管理、合理分配农业资源具有重要的实践意义，也为其他根作物的产量预测提供了有益的参考。
