多时序多光谱注意力增强的深度卷积神经网络结合对比学习在作物产量预测中的应用研究

这篇研究提出MTMS-YieldNet框架，创新性地整合多时序多光谱卫星数据（Sentinel-1/2、Landsat-8），通过光谱-空间注意力模块（SS-FE）和时空对比学习（STCL）捕捉作物生长动态，结合平衡优化器（EO）特征选择，在印度Cauvery Delta水稻带实现MAPE低至0.331的精准产量预测，为气候变化下的农业可持续发展提供AI解决方案。

　　

Highlight

• 我们提出MTMS-YieldNet作为新型深度学习框架，整合空间-光谱特征与时空依赖性以改进产量预测。该框架通过捕捉多样气候和季节条件下的复杂模式，支持更优决策和资源管理。

• 我们开发了自监督光谱-空间-时序特征提取框架（Self-Supervised Spectral–Spatial–Temporal Feature Extraction），利用多时序多光谱卫星图像提升作物产量预测。

• 我们引入时空对比学习网络（Spatio-Temporal Contrastive Learning, STCL），这是一种创新的预训练技术，通过对比学习原理提升模型学习效率。

• 我们结合平衡优化器（Equilibrium Optimizer, EO）模块进行特征选择，以优化特征并增强框架性能。

• 我们开发了分层产量预测模块（Hierarchical Yield Prediction Module），通过整合空间、光谱和时序数据提升产量估算精度，捕捉复杂模式。

Conclusion

本研究中，为识别作物在时空变化和多光谱数据中的生长模式，我们提出MTMS-YieldNet框架，整合光谱-空间模式与时空依赖性。我们的框架采用两步训练法，包括预训练和最终训练。在预训练阶段，MTMS-YieldNet通过时空对比学习网络（STCL）和光谱-空间注意力模块（SS-FE）实现无监督特征提取，显著提升模型对作物生长动态的捕捉能力。最终训练阶段结合平衡优化器（EO）进行特征优选，在Sentinel-2数据集上取得MAPE 0.331的优异表现，证实该模型在复杂农业环境中的鲁棒性。该技术为精准农业和粮食安全预警系统提供了创新解决方案。