编辑推荐：
在农业领域，精准估算水稻产量对保障粮食安全意义重大。研究人员针对传统方法的局限，开展了多源遥感数据、作物生长模型和深度学习技术相结合估算水稻产量的研究。结果显示该方法精度更高，为农业规划和粮食安全提供了有力支持。
在农业生产的大舞台上，水稻作为全球重要的粮食作物，其产量的精准估算直接关乎着粮食安全。东北作为我国重要的水稻产区，有着独特的地理和气候优势。然而，传统的水稻产量估算方法，像依赖地面调查和统计数据的方式，就像是用一把钝刀去切精细的食材，存在时间滞后、空间覆盖不足和数据获取困难等诸多问题。随着人口增长和城市化加速，这些问题愈发凸显，精准估算水稻产量的需求变得极为迫切。
为了攻克这些难题，国内研究人员展开了一场科研攻关。他们将多源遥感数据、作物生长模型和深度学习技术巧妙融合，致力于实现更精准的水稻产量估算。研究成果发表在《Agricultural and Forest Meteorology》上，为农业领域带来了新的曙光。
在这项研究中，研究人员运用了多个关键技术方法。首先，他们采用了 MODIS 和 Sentinel - 2 卫星的多源遥感数据，充分利用其在空间和时间分辨率上的优势。同时，借助集合卡尔曼滤波（EnKF）技术，将高分辨率的叶面积指数（LAI）数据同化到世界粮食研究（WOFOST）作物生长模型中，以此提高模型模拟精度。此外，还开发了基于贝叶斯优化的卷积长短期记忆注意力（BCLA）模型，通过整合残差卷积神经网络（ResNet - CNN）、长短期记忆（LSTM）网络和多头注意力机制，实现更精准的产量预测。
研究结果主要从以下几个方面呈现：
- LAI 数据同化效果：将通过 SL2P 工具箱提取的高分辨率 LAI 数据同化到 WOFOST 模型后，模型生成的 LAI 曲线与实际观测数据更加匹配，有效减少了模拟误差，为后续产量预测提供了更可靠的基础。
- 多模型产量预测对比：通过构建并比较包括 BCLA、CNN、随机森林（RF）和极端梯度提升（XGBoost）等模型的产量预测结果，发现 BCLA 模型在综合性能上表现卓越。其在不同年份的训练和验证中，R2较高且均方根误差（RMSE）较低，具有更强的泛化能力和模型稳健性。
- 区域产量估算：利用 BCLA 模型生成了东北三省地级市的水稻产量空间分布地图，并与统计产量数据对比。结果表明，该模型在不同区域的预测能力存在差异，在黑龙江省表现相对较好，但在一些地区仍存在误差，反映出模型在不同环境下的适应性问题。
- 特征重要性分析：通过 SHAP 分析评估 BCLA 模型中各特征的重要性，发现不同特征在不同生长阶段对产量预测的重要性不同。如 LAI、光合有效辐射比例（Fpar）等在关键生长阶段贡献显著，且不同年份特征重要性排序有所变化，揭示了环境条件与作物生长状态之间的复杂动态关系。
在研究结论和讨论部分，研究人员指出，SL2P 衍生的 LAI 数据同化到 WOFOST 模型，显著提升了作物生长模拟的准确性，展示了高分辨率 Sentinel - 2 数据在捕捉作物生长空间异质性方面的巨大潜力。BCLA 模型在多模型比较中脱颖而出，能够有效捕捉水稻产量变化的复杂时空动态。同时，研究也发现了模型存在的一些局限性，比如在不同地区和年份的预测精度波动，以及受统计数据变异性、地理环境因素等影响。
尽管面临挑战，但这项研究意义重大。它为区域尺度的农业监测提供了创新框架，有望推动精准农业发展，助力粮食安全保障。通过多技术融合，不仅提高了产量预测的准确性，还为农业决策提供了更科学的依据。未来，随着技术的不断完善和研究的深入，这一成果将在全球农业领域发挥更大的作用，为可持续农业发展贡献力量。
