基于遥感与图注意力网络(GATv2)的冬小麦田间产量变异预测研究

本研究针对精准农业中田间产量空间异质性预测难题，创新性地融合Sentinel-2遥感数据与图注意力网络(GATv2)，构建了10米分辨率的多模态预测模型。该模型通过动态注意力机制整合光谱指数、土壤特性和气象数据，在收获后产量估算中取得nRMSE=11.5%、R2=80.7%的优异表现，并能提前一年预测产量变异(nRMSE=11.4%)，为优化施肥策略和减少环境污染提供了科学依据。

　　

在精准农业领域，准确预测田间作物的空间产量变异一直是重大挑战。传统依赖历史平均值的经验模型难以捕捉土壤特性、微气候等复杂因素导致的产量差异，常造成资源浪费和环境污染。随着Sentinel-2卫星提供10米分辨率的多光谱影像，如何利用这些海量数据建立高精度预测模型成为研究热点。

瑞典研究团队Oskar ?str?m等人在《Computers and Electronics in Agriculture》发表的研究，开创性地将图注意力网络(Graph Attention Networks, GATv2)应用于冬小麦产量预测。该研究整合2017-2021年瑞典南部田块的Sentinel-2影像、土壤数据和气象记录，构建了能同时处理时空依赖性的图神经网络框架。通过将每个10m×10m网格转化为图节点，并采用动态注意力机制调整相邻节点影响，模型不仅实现了收获后产量估算(nRMSE=11.5%)，还能提前一年预测产量空间变异(nRMSE=11.4%)，R²最高达86.9%。

关键技术包括：1) 基于GIS的多源数据时空对齐；2) 将时序遥感特征嵌入图结构；3) GATv2网络的邻域信息聚合机制；4) 针对云遮挡的数据填补算法。研究采用瑞典南部五年期田间数据验证模型，通过NAISS超算平台加速训练。

【结果】

1. 背景与现状：现有随机森林等模型难以处理田间不规则几何特征，而传统卷积神经网络无法有效建模长程空间关联。
2. 数据处理：Sentinel-2 NDVI时序数据与土壤电导率、降水数据的融合显著提升特征表达能力。
3. 方法论：GATv2通过注意力系数α_ij动态加权邻域节点，比标准GNN提升预测精度12%。
4. 结果验证：模型在识别低产区域（<5吨/公顷）时特异性达89%，较基线模型提升23%。
5. 讨论：研究发现产量变异主要受土壤pH和早期生长季降水影响，与总产量呈弱相关(r=0.31)。

结论表明，该框架突破了传统方法在田间尺度预测的瓶颈：首先，图结构处理不规则田块的能力使预测分辨率达10米级；其次，注意力机制可解释性地识别关键影响因子（如抽穗期NDVI）；最后，模型对环境噪声的鲁棒性使其在云覆盖达60%时仍保持稳定性能。这项研究为变量施肥提供了决策支持，据估算可减少氮肥使用量15-20%，相关技术已被AgTech Sweden应用于北欧小麦产区。