大气校正对卫星影像玉米产量机器学习预测模型的影响研究

本研究针对卫星影像大气校正对玉米产量预测精度的影响问题，通过对比Dark Object Subtraction (DOS)、Sen2Cor、iCOR和L1C四种校正方法，结合随机森林(RF)、支持向量机(SVM)和k近邻(kNN)算法，发现校正方法对植被指数(VIs)影响有限，但RF模型在主要季节(R2=0.79)和次季节(R2>0.80)均表现最优。研究为精准农业中卫星数据预处理和模型选择提供了重要依据，成果发表于《Smart Agricultural Technology》。

　　

在全球人口增长和气候变化的双重压力下，提高农作物产量预测精度成为农业可持续发展的关键课题。卫星遥感技术因其大范围、非破坏性监测优势，已成为现代农业管理的重要工具。然而，大气中的气溶胶、水蒸气等干扰因素会显著降低卫星影像质量，进而影响基于植被指数(VIs)的产量预测准确性。目前，学界对于不同大气校正方法如何影响机器学习模型性能尚缺乏系统研究，这直接制约着精准农业决策的可靠性。

针对这一科学问题，来自巴西米纳斯吉拉斯州南部地区的研究团队在《Smart Agricultural Technology》发表了一项创新性研究。该团队选取了两片分别采用雨养和灌溉模式的玉米田，利用Sentinel-2卫星影像，系统比较了暗目标减法(DOS)、Sentinel-2专用校正(Sen2Cor)、大气效应图像校正(iCOR)和大气顶层辐射(L1C)四种预处理方法的效果，并结合随机森林(RF)、支持向量机(SVM)和k近邻(kNN)三种机器学习算法构建产量预测模型。

研究采用多阶段技术路线：首先通过克里金插值法生成产量分布图；随后使用QGIS和SNAP软件进行影像处理和大气校正；计算归一化植被指数(NDVI)、红边归一化指数(NDRE)等关键植被参数；最后采用分层抽样将数据分为训练集(60%)、测试集(20%)和验证集(20%)，以R2和均方根误差(RMSE)作为评估指标。

3.1 整体模型表现
研究发现不同大气校正方法对模型精度影响有限，验证了植被指数的抗干扰特性。RF模型在主要作物季表现突出(R2=0.79，RMSE=0.3 t ha^-1)，远超SVM(R2=0.36)和kNN。次季节预测精度普遍提升，尤其SVM改善显著(R2从0.36升至0.7)，但RF仍保持最优性能(R2>0.80，RMSE<0.20 t ha^-1)。

3.2 生长阶段模型性能
通过分析不同物候期影像发现，主要季节在播种后110天(DAS)获取影像时预测最准(R2=0.72)，而次季节最佳预测期为120 DAS(R2=0.94)。值得注意的是，使用全时间序列数据时，主要季节模型精度提升10%，但次季节反而降低10%，表明灌溉稳定性会影响时间序列模型优势。

讨论与结论
研究表明Sen2Cor因其针对Sentinel-2数据的优化设计，成为最可靠的大气校正选择。RF模型展现的强大性能源于其集成学习特性，能有效处理植被指数与产量间的非线性关系。研究还揭示了物候期选择的重要性——产量形成关键期(如玉米灌浆期R2-R6阶段)的影像最能反映最终产量潜力。

这项研究为精准农业实践提供了重要指导：在气候多变的生长季应采用时间序列分析，而水分受限的次季节则适合选择关键期单时相影像。该成果不仅优化了卫星遥感数据的预处理流程，更为农业决策者提供了可靠的产量预测工具，对保障粮食安全具有现实意义。