气候与遥感数据协同驱动的多任务学习模型在棉花中期产量预测中的应用研究

本研究针对新疆棉花产量预测的精准需求，创新性地整合Sentinel-2A遥感数据与气象因子，通过多任务学习（MTL）框架构建动态预测模型。研究人员采用PLSR、随机森林（RF）和XGBoost算法，发现花期（T6窗口）气候-遥感数据组合预测最优（R2=0.60），MTL模型在收获前60天精度达R2=0.71，揭示了植被指数（VIs）与气象因子的协同作用机制，为区域农业决策提供了低成本高时效的技术方案。

　　

棉花作为中国最重要的经济作物之一，其产量直接关系到数百万棉农的生计和国家纺织工业的稳定。然而，传统产量预测方法面临两大困境：一是依赖单一数据源（如气象或遥感）难以全面捕捉作物生长动态；二是现有模型无法兼顾预测时效性与准确性。尤其在广袤的新疆棉区，如何利用公开数据实现低成本、高精度的中期产量预测，成为农业智能化转型的关键瓶颈。

新疆生产建设兵团第八师的研究团队在《Field Crops Research》发表的研究中，开创性地将多学科技术融合：首先通过结构方程模型（SEM）量化气候与遥感数据对产量的贡献度，继而采用序列前向选择（SFS）筛选关键变量，最后构建包含偏最小二乘回归（PLSR）、随机森林（RF）和XGBoost的机器学习模型体系，并创新性地引入多任务学习（MTL）框架实现动态预测。研究基于2021-2023年田间调查、Sentinel-2A影像和气象数据，通过15天间隔的时间窗口分析，系统评估了不同生长阶段数据的预测效能。

关键生长窗口的发现

研究发现棉花花期至结铃期（T6窗口）是预测黄金时段，PLSR模型此时R²达0.60。气候因子通过影响植被状态间接调控产量，而EVI2（双波段增强型植被指数）等遥感指标能更直接反映冠层生理状态。

多任务学习的突破

MTL模型展现出"越近越准"的特性，收获前60天预测精度跃升至R²=0.71，RMSE降至519.7 kg/ha。这种动态优化能力使其相比传统静态模型具有显著优势。

数据协同效应

虽然单独使用时气候数据表现更优（平均R²高0.12），但遥感数据的加入使模型稳定性提升23%。特别是累计NDVI与日温差（DTR）的组合，能有效解释产量变异的68%。

这项研究的意义不仅在于建立了首个适用于新疆棉区的MTL预测框架，更揭示了作物生长监测的"时空密码"——气候数据提供环境胁迫预警，而遥感指标实时反馈作物响应状态。这种"天地协同"的预测范式，为应对气候变化下的精准农业管理提供了可推广的技术模板。研究团队特别指出，该模型仅需公开数据即可运行，这对发展中国家农业数字化转型具有重要实践价值。未来通过接入更多物联网数据流，这套系统有望实现从"预测"到"预判"的跨越。