基于多时相遥感与机器学习的美国北卡罗来纳州甘薯产季产量预测模型研究

本研究针对非主要园艺作物甘薯缺乏有效产量预测工具的问题，利用多时相遥感环境数据和机器学习算法，开发了县级尺度的产季产量预测模型。研究发现随机森林算法表现最优，通过早期和中期植被指数与气象数据可提前预测产量，关键预测因子包括海拔、土壤氮含量和阳离子交换能力等。该模型为种植者、经销商和决策者提供了可靠的产量预估工具，有助于优化收获管理和市场规划。

　　

在全球粮食安全和农业经济可持续发展的背景下，作物产量预测已成为现代农业管理的重要技术手段。尽管数据驱动的作物建模方法在过去十年呈指数级增长，但大多数研究都集中在主要大宗商品作物上，而对甘薯这类经济价值高但种植规模较小的园艺作物关注甚少。事实上，甘薯在全球经济和粮食供应中贡献显著——美国作为全球最大的甘薯出口国（年出口量27.1万吨），其产量的21%用于出口贸易。北卡罗来纳州更是美国最大的甘薯生产区，产量占全国近一半。早期县级尺度的产量预测能为种植者、包装商、批发商及相关产业提供关键决策依据，帮助他们预判产量波动并制定科学应对策略。

目前甘薯产量预测面临三大挑战：一是缺乏针对其独特生理特性（地下块根生长）的预测模型；二是现有模型多基于田间尺度开发，难以推广到区域应用；三是公开可用的高质量训练数据有限。虽然马铃薯等块茎作物的预测研究显示植被指数与产量存在相关性，但尚未有研究系统评估机器学习模型对甘薯产量的预测能力。为此，研究团队在《European Journal of Agronomy》发表了这项创新性研究，首次构建了基于多时相遥感环境观测和机器学习的甘薯产季产量预测框架。

研究采用多源数据融合技术，整合了2008-2022年美国农业部（USDA）的县级产量统计数据、Landsat系列和Sentinel-2卫星的归一化植被指数（NDVI）、PRISM气象数据集（降水、最高/最低温度）、SRTM地形数据以及SoilGrids土壤属性数据（氮含量、阳离子交换容量CEC、有机碳SOC等）。通过Google Earth Engine云平台进行空间处理，并采用Boruta特征选择算法筛选关键预测变量。研究比较了四种机器学习算法（随机森林RFR、人工神经网络ANN、支持向量机SVM和极限梯度提升XGB）在六种不同预测变量组合（包含16天/32天时间聚合及早/中/晚生长季数据）下的表现。

2.1 研究区域与数据一致性验证

研究聚焦北卡罗来纳州17个甘薯主产县，这些县位于沿海平原农业生态区，海拔范围9-205米，土壤以砂质壤土为主。通过对比USDA调查数据、农业普查数据和作物数据层（CDL）的种植面积，验证了数据源的一致性（R²≥0.88），为模型可靠性提供了基础保障。

2.2 关键预测因子识别

特征选择显示：海拔（表征地理空间位置）、土壤氮含量（指示土壤排水性）和阳离子交换容量（CEC，反映土壤保肥能力）是最重要的静态预测因子；而中期NDVI（ndvi_07-03，表征块根 initiation期冠层生长）、中期降水量（ppt_07-19，影响块根膨大）和种植期最低温度（tmin_06-01，决定移栽成活率）是关键时序变量。

2.3 模型性能比较

随机森林（RFR）在所有预测集中表现最稳定，其最佳模型（使用16天聚合的早-中期数据）测试集性能为R²=0.44，RMSE=3.53 t·ha^-1。值得注意的是，添加晚期生长季数据并未提升预测精度，表明早-中期环境条件已能有效预测最终产量。

2.4 产量预测的时空规律

模型预测误差与海拔呈负相关，沿海低海拔地区预测精度更高。NDVI在块根形成期（移植后26天左右）与产量相关性最强，印证了地上部冠层生长与地下块根发育的生理关联。

研究结论表明，基于公开遥感环境数据和机器学习算法，可在收获前4-8周实现县级甘薯产量的中等精度预测（R²=0.41-0.44）。该预测框架不仅填补了非主要作物产量预测模型的空白，更揭示了静态环境因子（海拔、土壤属性）比动态气象因子对区域尺度产量预测更具解释力。讨论部分指出，模型性能受限的主要原因是样本量不足和非主要作物的数据质量缺陷，未来可通过加入管理实践数据、采用更高分辨率遥感指标（如叶绿素荧光SIF、地表温度LST）以及扩展应用到其他块根作物产区来提升预测能力。

这项研究的现实意义在于：为甘薯产业链提供了科学的决策支持工具，帮助种植者优化采收计划、仓储管理和营销策略；协助保险公司精准评估作物风险；为政府制定粮食安全政策提供数据支撑。同时，其方法论为其他数据稀缺的特殊作物产量预测提供了可借鉴的范式。