基于多源数据与机器学习的稻米产量精准预测模型构建及趋势分析

为解决印度梅加拉亚邦水稻产量不足导致的粮食安全问题，研究人员整合NDVI（归一化植被指数）、气候变量和土壤属性等多源数据，采用Mann-Kendall（MK）趋势检验和双向长短期记忆网络（Bi-LSTM）等递归神经网络（RNN）架构，构建了高精度水稻产量预测模型。结果显示，Bi-LSTM模型表现最优（MSE=0.0027，MAE=0.02407），温度、降水和土壤pH等是关键影响因素。该研究为农业资源优化和区域粮食安全决策提供了创新技术框架。

　　

在印度东北部的梅加拉亚邦，水稻是当地居民的主要粮食作物，但该地区的产量长期无法满足需求，每年需从其他邦进口约26万吨稻米。陡峭的地形、浅层岩石土壤等地理限制，加上缺乏系统的产量趋势研究，使得当地农业规划面临严峻挑战。如何准确预测水稻产量并识别关键影响因素，成为解决粮食安全问题的核心。

为应对这一挑战，研究人员开展了一项跨学科研究，整合遥感数据、气候变量和土壤属性等多维度信息，结合机器学习技术构建预测模型。研究首先采用Mann-Kendall（MK）非参数检验分析历史产量趋势，随后利用三种递归神经网络（RNN）——长短期记忆网络（LSTM）、双向长短期记忆网络（Bi-LSTM）和门控循环单元（GRU）进行产量预测。模型输入包括70块稻田的归一化植被指数（NDVI）、温度、降水、风速以及土壤质地、容重、地表温度和pH值等时空数据。

关键技术方法包括：1）MK趋势检验用于识别产量变化规律；2）从卫星遥感和地面监测获取NDVI、气候及土壤数据；3）比较Bi-LSTM、LSTM和GRU三种RNN架构的预测性能；4）通过特征重要性分析确定关键影响因素。所有数据覆盖2000-2018年梅加拉亚邦水稻生长季。

结果
Data acquisition
研究区域位于东喜马拉雅山脉（25°02′-26°07′N，89°49′-92°50′E），海拔250-1495米。数据采集涵盖70个稻田的NDVI、气候和7类土壤参数，时间跨度为18个生长季。

Result
MK检验证实水稻产量呈显著上升趋势（p<0.05）。Bi-LSTM模型预测误差最低（MSE=0.0027），显著优于LSTM和GRU。特征重要性分析显示，温度、降水和土壤pH、容重、地表温度对产量影响最大。

Discussion
研究首次揭示了梅加拉亚邦水稻产量的时空变化规律，证实多源数据融合能显著提升预测精度。与随机森林（RF）、支持向量机（SVM）等传统模型相比，RNN架构更擅长处理时序数据的非线性特征，其中Bi-LSTM因能双向捕捉时间依赖性而表现最优。

Conclusion
该研究通过MK趋势检验和Bi-LSTM建模，为资源受限地区提供了可靠的产量预测框架。温度调控、土壤改良（如pH优化）被证实是提升产量的关键途径。成果发表于《Computers and Electronics in Agriculture》，为农业政策制定提供了数据驱动的决策依据。

Author Statement
Puja Saha负责方法论构建与初稿撰写，Amitabha Nath参与数据验证与论文修订。研究未接受外部资助，无利益冲突声明。

这项研究的创新性在于：1）首次系统评估梅加拉亚邦水稻产量的多因素驱动机制；2）验证Bi-LSTM在复杂农业时序预测中的优越性；3）为发展中国家小尺度农业区提供了可复制的技术范式。未来可扩展至其他主粮作物，助力全球粮食安全战略。