基于时序遥感光谱变异特征与机器学习的县域冬小麦产量精准预测

本研究针对传统植被指数时序数据难以准确反映作物生长状态的问题，创新性地提取冬小麦全生育期NDVI和NDWI的时序变异特征(dVI)，结合随机森林(RF)算法构建县域尺度产量预测模型。结果显示：dVI-RF组合模型预测精度最优(R2=0.67，RMSE=644.93 kg·ha?1)，较原始植被指数方法可靠性显著提升，为粮食安全决策提供了高精度遥感监测新范式。

　　

在全球人口增长与耕地减少的双重压力下，粮食安全已成为各国战略重点。作为世界最大小麦生产国，中国冬小麦产量占全国粮食总产的69.23%，其精准预测对保障粮食安全至关重要。传统产量调查依赖人工采样，耗时耗力；而现有遥感预测方法多局限于简单植被指数（如NDVI）的均值或峰值，忽略了作物全生育期的动态生理变化，尤其在干旱胁迫条件下，单一NDVI易出现饱和现象，导致预测偏差。如何突破这些技术瓶颈，实现县域尺度的高精度产量预测，成为农业遥感领域亟待解决的难题。

中国国家自然科学基金资助的研究团队在《European Journal of Agronomy》发表创新成果。该研究首次系统整合了归一化植被指数(NDVI)与归一化水分指数(NDWI)的时序动态特征，开发了15种表征冬小麦关键生长期光谱变异特征的指标(dVI)，包括灌浆期NDVI变化率(NDVI_CR_F)、生长季NDWI均值(NDWI_MEAN)等。通过SHAP值分析和相关性检验筛选关键特征后，对比了多元线性回归(MLR)、随机森林(RF)和极限梯度提升(XGBOOST)三种建模方法，最终构建了适用于中国黄淮海主产区（山东、河南等四省）的县域产量预测模型。

关键技术方法包括：1) 基于MODIS时序数据提取NDVI/NDWI；2) 依据物候期划分构建15种dVI特征；3) 采用SHAP框架进行特征选择；4) 应用MLR、RF和XGBOOST三类算法建模；5) 通过决定系数(R²)、均方根误差(RMSE)和一致性相关系数(CCC)评估模型性能。

Feature selection result
特征选择显示NDWI_MEAN、NDWI_INT_H（抽穗期NDWI积分）等水分相关特征与NDVI_CR_F（灌浆期NDVI变化率）被所有方法一致选中，证实水分胁迫与灌浆期生长动态对产量形成的关键作用。

Evaluation of winter wheat yield prediction accuracy
模型对比表明，RF-dVI组合预测精度显著优于传统MLR（R²提升0.21）和原始VI方法，其644.93 kg·ha^?1的RMSE达到业务化应用标准。空间泛化测试显示模型在干旱年份稳定性更佳，揭示dVI特征对气候胁迫的强表征能力。

Conclusions
研究开创性地将光谱时序变异特征与机器学习结合，解决了传统方法对作物生理动态刻画不足的缺陷。RF-dVI模型不仅能捕捉营养生长与生殖生长的关键转折（如灌浆期NDVI变化率），还能通过NDWI特征量化水分胁迫效应，为应对气候变化下的精准农业管理提供了新工具。该成果对实现联合国可持续发展目标(SDGs)中的"零饥饿"目标具有重要实践价值。