基于支持向量回归的玉米产量算法光谱与空间敏感性时序演化分析

本研究针对玉米(Zea mays)产量遥感预测中光谱与空间分辨率选择难题，通过无人机高光谱成像系统(UAS)采集多生长阶段数据，结合支持向量回归(SVR)模型系统评估了16-30m地面采样距离(GSD)和450-920nm特征波段对谷物/青贮玉米产量预测的时序敏感性，发现抽穗期(VT)和软糊期(R4)在4-16m GSD及红边(715nm)两侧波段采样可获得最优预测精度(RMSE<1.2Mg/ha)，为精准农业传感器设计提供了关键参数依据。

　　

在全球粮食安全挑战日益严峻的背景下，精准预测玉米(Zea mays)产量对优化农业管理至关重要。传统基于联合收割机产量监测系统存在校准繁琐、数据滞后等问题，而遥感技术虽能实现生长季动态监测，但面临光谱-空间分辨率选择缺乏系统评估、谷物与青贮玉米预测模型差异不明等挑战。美国罗切斯特理工学院团队在《Computers and Electronics in Agriculture》发表的研究，通过创新性设计多尺度时空分析框架，为传感器优化配置提供了科学依据。

研究采用272波段无人机高光谱传感器(Headwall Nano-Hyperspec VNIR)采集纽约州3块试验田(V5/VT/R4生长阶段)的0.06m原始分辨率数据，通过高斯卷积模拟0.06-30m GSD的10级空间分辨率，结合主成分分析(PCA-MV)、线性约束最大方差(LCMV-CBS)和随机森林(RF)三种波段选择算法生成10种光谱配置。支持向量回归(SVR)模型采用留一法交叉验证，以均方根误差(RMSE)和平均绝对百分比误差(MAPE)评估性能，并创新性通过半变异函数解析空间相关性。

3.1 光谱波段选择结果

PCA-MV揭示抽穗期(VT)绿光(550nm)和近红外(NIR)波段对青贮/谷物玉米具有最高解释方差，而红边(700-730nm)在RF重要性排名中持续突出。LCMV-CBS则显示762nm氧吸收带的低相关性，证实大气校正有效性。值得注意的是，925nm波段在RF评估中表现突出，与叶绿素含量(LCC)指数高度相关。

3.2 多年份青贮建模

跨年度验证显示，混合2022-2023年数据集使MAPE从3.93%降至3.27%，16m GSD空间分辨率表现最优(对应15m半变异范围)。LCMV-CBS默认配置(含770/835/904nm采样)在多数分辨率下领先，证实红边两侧采样策略的稳健性。

3.3 生长季青贮模型

软糊期(R4)预测精度最高(MAPE=2.69%)，8m GSD空间分辨率下LCMV-CBS和PCA默认配置显著优于RGB-RE等简化方案。关键发现是采样红边两侧(690+770nm)比直接715nm中心采样精度提升12%，揭示传统植被指数设计的潜在优化空间。

3.4 谷物产量模型

谷物预测整体更具挑战性，但R4阶段仍达0.6Mg/ha RMSE。空间趋势显示8m GSD最优，与42.71m的谷物产量半变异范围形成对比，反映谷物产量空间异质性高于青贮。VT阶段450nm蓝光波段重要性突显，可能与籽粒发育早期的类胡萝卜素含量相关。

4.5 空间分辨率影响

半变异函数分析表明，青贮产量16.04m的空间相关距离与最优16m GSD高度吻合，证实空间分辨率应匹配田间产量变异尺度。这对星载传感器(如Sentinel-2的10-60m分辨率)的农业应用具有直接指导价值。

该研究创新性地建立了"红边两侧采样+8-16m GSD"的玉米产量遥感黄金标准，其提出的450/550/670/770/830/920nm六波段组合，比商用多光谱传感器(如Parrot SEQUOIA)更精简且性能更优。研究结果不仅解决了生长阶段特异性建模的难题，更为未来农业传感器设计提供了可量化的参数依据，对实现从田间到区域尺度的精准农业管理具有重要实践意义。