基于卫星遥感和机器学习的马铃薯产量精准预测与制图：推动可持续农业发展的集成研究

为应对气候变化下马铃薯产量预测精度不足的问题，Fatima Imtiaz团队集成Sentinel-2A与PlanetScope多光谱数据，结合随机森林回归(RFR)、分类回归树(CART)和梯度提升树(GTB)算法，构建了田间尺度产量预测模型。研究表明GTB模型结合Sentinel-2A数据最优（R2 0.71–0.78），为精准农业变量施肥提供决策支持，推动资源高效利用。

　　

在全球粮食安全面临气候变化的严峻挑战下，马铃薯作为世界第四大主粮作物，其产量稳定性备受关注。加拿大爱德华王子岛（PEI）作为该国第三大马铃薯产区，却长期缺乏基于卫星遥感的精准产量预测研究。传统依赖人工评估和经验模型的方法不仅耗时费力，且难以捕捉田间尺度的产量变异，导致施肥灌溉等管理措施缺乏针对性。这一瓶颈促使研究者探索将高分辨率遥感技术与机器学习相结合的创新解决方案。

加拿大爱德华王子岛大学的研究团队在《Computers and Electronics in Agriculture》发表的研究中，首次系统评估了Sentinel-2A（10米分辨率）和PlanetScope（3米分辨率）卫星数据结合三种机器学习算法对PEI马铃薯产量的预测效能。研究选取2011-2022年四个典型田块，通过联合收获机传感器和人工挖掘获取地面实测产量数据，利用谷歌地球引擎(GEE)云计算平台提取NDVI、GNDVI、SAVI和EVI四种植被指数及多光谱波段特征，构建了随机森林回归(RFR)、分类回归树(CART)和梯度提升树(GTB)预测模型。

关键技术方法包括：1) 基于GEE平台处理Sentinel-2A和PlanetScope时序影像；2) 采用植被指数反映作物生理状态；3) 通过收获机GPS传感器与人工采样获取地面真值；4) 比较三种机器学习算法的预测性能。

研究结果

模型性能比较
GTB算法配合Sentinel-2A数据表现最优，预测精度R²
达0.71–0.78，均方根误差(RMSE)为2.82–5.96吨/公顷，平均绝对误差(MAE)2.33–4.2吨/公顷。RFR和CART模型精度略低但均满足田间管理需求，证实机器学习模型对多源遥感数据的强适应性。

传感器对比
Sentinel-2A虽空间分辨率低于PlanetScope，但其更宽的光谱范围（特别是红边波段）和更长重访周期，更有利于捕捉作物关键生长期的光谱特征。

数据采集方法验证
联合收获机传感器数据与人工挖掘结果高度一致，证实机械化采集可作为大田监测的可靠数据源。

讨论与结论
该研究创新性地实现了三项突破：1) 首次在PEI地区建立10米级田间尺度马铃薯产量预测体系；2) 揭示Sentinel-2A在作物监测中优于更高分辨率的PlanetScope；3) 验证GTB算法处理非线性遥感数据的优势。研究形成的实时产量制图技术，可使农民精准识别低产区域，实现变量施肥（VRA），预计可减少15–20%的肥料浪费。

这项成果为小农经济主导地区提供了可负担的精准农业解决方案，其方法论框架可扩展至玉米、小麦等主粮作物。未来研究需进一步整合气象数据和土壤参数，以提升模型在极端气候下的稳健性。随着欧盟"数字农业"政策的推进，该技术路线有望成为可持续农业的标准化工具。