基于多时相无人机数据与机器学习的玉米产量预测优化研究：整合可见光-近红外与热红外信息提升水分胁迫条件下的估产精度

为解决精准农业中玉米产量早期预测难题，研究人员创新性地整合无人机多源遥感数据（RGB/VNIR/LWIR）与机器学习算法（LASSO/RF/GB），系统评估了不同传感器组合在充分灌溉与水分胁迫条件下的预测效能。研究发现VNIR数据在生殖生长阶段优势显著，LWIR热数据可有效校正水分胁迫导致的产量高估，RF和GB模型在R5阶段可实现R2达0.88的预测精度，最早可在V9生育期（DOY189）实现稳定预测。该研究为田间精准管理提供了重要的技术支撑。

　　

在全球粮食安全面临挑战的背景下，玉米作为重要的粮食、饲料和生物燃料作物，其产量精准预测对农业管理至关重要。传统产量监测方法存在滞后性，而卫星遥感又受限于时空分辨率。随着无人机系统（UAS）和传感器技术的发展，获取高分辨率田间数据成为可能，但如何选择性价比最优的传感器组合、如何应对水分胁迫条件下的产量预测仍是未解难题。美国农业部农业研究局的Huihui Zhang团队在《Smart Agricultural Technology》发表的研究，为这些关键问题提供了系统性解决方案。

研究团队在科罗拉多州半干旱地区设置了充分灌溉（508.8mm）和亏缺灌溉（335.3mm）对比试验田，利用搭载MicaSense RedEdge-MX多光谱相机（VNIR）和FLIR Duo Pro R热像仪（LWIR）的六旋翼无人机，在2022年生长季的18个时间点（覆盖V3-R6全生育期）采集数据。通过核心配准和区块化处理获得20×80像素的VNIR/LWIR和55×220像素的RGB标准化图像芯片，结合3990个GPS定位的收获区块产量数据，采用LASSO回归、随机森林（RF）和梯度提升（GB）三种机器学习算法，系统评估了八种传感器组合的预测性能。

研究结果显示，在关键的R5生育期（DOY259），VNIR数据在所有模型中均优于RGB，GB模型达到最高精度（R²=0.86）。热红外数据的加入使RF和GB模型在亏缺灌溉田的R²提升达25%，有效纠正了水分胁迫导致的产量高估现象。特征工程分析表明，简单的NDVI指数配合LWIR即可达到与全波段VNIR+LWIR相近的效果（R²=0.87），为降低设备成本提供了可能。时间序列分析揭示，最早在V9生育期（DOY189）即可实现稳定预测（R²≈0.85），但RGB数据在生殖生长阶段预测能力显著下降。

该研究的创新性体现在三个方面：首次系统评估了LWIR数据在不同水分管理条件下的校正作用，发现其在亏缺灌溉田的独特价值；明确了VNIR传感器在生殖生长阶段不可替代的优势；确定了产量早期预测的最优时间窗口。研究提出的多时相数据融合框架，为农民根据作物长势调整灌溉策略提供了决策支持，特别是为水资源受限地区的精准农业实践提供了重要参考。未来研究可进一步探索深度学习模型的应用潜力，并扩大数据集涵盖不同年份和品种以提高模型泛化能力。这项技术的推广应用，将有助于实现联合国可持续发展目标中的粮食安全与可持续农业目标。