《Artificial Intelligence in Agriculture》：An agronomic-knowledge guided deep learning approach for plot-scale seed maize yield estimation using sentinel-2 satellite images
编辑推荐：
：
种子是农业的“芯片”，对保障全球和国家粮食安全具有战略意义。玉米作为世界上种植最广泛的作物之一，在维持人类生计和支撑区域经济稳定中发挥着关键作用。在中国，玉米种植面积持续保持在4000万公顷以上（Ren et al., 2020）。例如，2023年约需25
：
种子是农业的“芯片”，对保障全球和国家粮食安全具有战略意义。玉米作为世界上种植最广泛的作物之一，在维持人类生计和支撑区域经济稳定中发挥着关键作用。在中国，玉米种植面积持续保持在4000万公顷以上（Ren et al., 2020）。例如，2023年约需25万公顷制种田（制种玉米）以满足12.2亿公斤杂交玉米种子的需求（Chang et al., 2025）。近年来，遥感技术的进步使得高时空分辨率的大规模作物生长监测和产量估算成为可能，并已广泛应用于多尺度的玉米产量估算研究。然而，现有方法大多聚焦于田间普通玉米生产场景，针对制种玉米生产场景的研究极少，而制种玉米生产是保障大规模农业产出的关键环节。
目前，基于遥感的作物产量估算策略主要分为两类：知识驱动和数据驱动方法。知识驱动方法（Huang et al., 2015）以机理模型（如辐射传输模型、作物生长模型）与遥感数据同化整合为核心，能够从农学角度解释产量形成的机制，具有较强的理论可解释性。然而，知识驱动方法高度依赖实地观测数据，且涉及复杂的优化算法，限制了其大规模应用。相比之下，以深度学习和机器学习等统计回归方法为代表的数据驱动方法（Feng et al., 2025; Ma et al., 2024b）展现出显著的预测效率和批量处理能力。这些方法通常依赖从大量训练数据中学习统计模式，这可能限制模型的可解释性，并在数据分布偏移下削弱泛化能力和稳健性（Guo et al., 2024b）。两类方法均在众多作物产量估算研究中得到验证，但固有的局限性使它们无法单独满足高精度和广泛适用性的要求（Mena et al., 2025; Wang et al., 2025; Zhao et al., 2023）。
近年来，机理模型与数据驱动模型的耦合被广泛采用，以发挥其互补优势。例如，通过将三个机理模型模拟的生长参数作为机器学习输入特征实现特征级耦合，从而减少了冬小麦产量估算误差（Xie et al., 2025）。此外，有研究提出了知识引导的深度学习（KGDL）框架，在特征和网络两个层面实现双向集成，并通过定制激活函数校正高、低产量范围的估算偏差，从而显著提高了产量估算精度（Tian et al., 2025）。然而，大多数现有耦合策略侧重于特征输入优化或网络结构调整（Chen et al., 2020; Xie and Huang, 2021），未能将作物生长规律等核心农学机制定量嵌入深度学习算法的核心（Zhang et al., 2023）。
在深度学习架构方面，门控循环单元（GRU）（Dey and Salem, 2017）、长短期记忆网络（LSTM）（Greff et al., 2016）和Transformer（Vaswani et al., 2017）等为时空遥感数据建模提供了关键技术支撑。GRU和LSTM通过门控机制缓解了传统循环神经网络（RNN）的梯度消失问题，但在长序列建模中仍面临信息衰减、长距离依赖捕获不足以及顺序计算导致的并行效率受限等局限，需辅以注意力机制进行优化。例如，近期基于注意力的融合模型（如Capsular attention Conv-LSTM、3D-卷积神经网络（CNN）+LSTM）在作物遥感产量估算中取得了性能提升，但未能突破模型固有的复杂度瓶颈，导致在有限样本场景下特征提取效率不足（Nejad et al., 2023; Nejad et al., 2024）。Transformer通过自注意力机制实现全局依赖建模，在作物产量估算中展现出良好性能（Guo et al., 2024a），但其计算复杂度随输入序列长度增加而增长，难以适应小样本产量估算场景（Zhang et al., 2025）。基于选择性状态空间（SSS）模型的Mamba架构能够精确捕获关键时空特征，同时实现与序列长度呈线性关系的计算复杂度，并能动态调整时间序列中信息的优先级或抑制（Gu and Dao, 2023）。当时间序列较短时，Mamba的主要优势在于其选择性效应能够精确捕获关键生育期。与RNN或Transformer不同，SSS机制能有效聚焦于短暂但决定性的农学事件。尽管Mamba在遥感分类和变化检测等任务中的高效时空解析能力已得到验证，但其在定量遥感研究中的应用仍处于起步阶段（Chen et al., 2024; Ma et al., 2024a）。
考虑到制种玉米产量受作物生长状况和父母本花期同步性的共同影响，研究人员在模型的输入和输出层面均融入了相关农学知识。在输入层面，使用叶面积指数（LAI）和叶片叶绿素含量（Cab）等六个生理参数来表征作物生长状况。在输出层面，通过产量衰减函数将花期同步性作为农学约束引入，以表征其对授粉成功率和最终产量的影响。总体而言，本研究聚焦于解决以下科学问题：（1）将机理模型反演参数作为输入特征是否能增强学习表征的农学可解释性，从而提升深度学习模型性能？（2）作为一种新兴的时间建模架构，Mamba在基于遥感的产量估算中相对于Transformer和LSTM表现如何，是否具有显著性能优势？（3）将农学机制嵌入模型优化过程，通过基于农学知识的激活约束实现，是否能提高产量估算精度？
一、研究背景与问题提出
种子是农业的“芯片”，对保障全球和国家粮食安全具有战略意义。玉米作为全球种植最广泛的作物之一，在中国种植面积长期保持在4000万公顷以上。2023年，中国约需25万公顷制种田（制种玉米）以满足12.2亿公斤杂交玉米种子的需求。遥感技术的进步使大规模作物生长监测和产量估算成为可能，但现有研究大多聚焦于普通玉米生产场景，针对制种玉米生产场景的研究极为匮乏。制种玉米产量同时受作物生长状况和父母本花期同步性的共同影响，其产量形成机制较普通玉米更为复杂。
当前基于遥感的作物产量估算策略主要分为知识驱动和数据驱动两类。知识驱动方法以机理模型（如辐射传输模型、作物生长模型）与遥感数据同化整合为核心，具有较强理论可解释性，但高度依赖实地观测数据且涉及复杂优化算法，限制了大范围应用。数据驱动方法以深度学习和机器学习为代表，预测效率高，但依赖大量训练数据，可解释性有限，且在数据分布偏移下泛化能力减弱。两类方法均无法单独满足高精度和广泛适用性的要求，因此机理模型与数据驱动模型的耦合策略被广泛探索。然而，现有耦合策略多聚焦于特征输入优化或网络结构调整，未能将作物生长规律等核心农学机制定量嵌入深度学习算法核心。
在深度学习架构方面，GRU和LSTM通过门控机制缓解了传统RNN的梯度消失问题，但在长序列建模中仍存在信息衰减、长距离依赖捕获不足及并行效率受限等局限。Transformer通过自注意力机制实现全局依赖建模，但其计算复杂度随输入序列长度增长，难以适应小样本产量估算场景。基于选择性状态空间（SSS）模型的Mamba架构能够精确捕获关键时空特征，实现与序列长度呈线性关系的计算复杂度，并能动态调整时间序列中信息的优先级或抑制。尽管Mamba在遥感分类和变化检测等任务中已得到验证，其在定量遥感研究中的应用仍处于起步阶段。
基于此，本研究提出以下科学问题：（1）将机理模型反演参数作为输入特征能否增强学习表征的农学可解释性并提升模型性能？（2）Mamba在遥感产量估算中相对Transformer和LSTM表现如何？（3）将农学机制嵌入模型优化过程能否提高产量估算精度？该研究发表于《Artificial Intelligence in Agriculture》。
二、研究内容与主要技术方法
研究区位于甘肃省张掖市甘州区（38°32′–39°24′ N，100°6′–100°52′ E），是中国最大的杂交玉米制种基地。研究团队于2021、2023和2024年在该区合作制种基地开展田间调查，三年累计覆盖1730公顷，涉及5987个田块，共获得853个田块的产量实测数据。
研究人员采用以下关键技术方法：（1）基于Sentinel-2 L2A影像（5月至10月，覆盖全生育期），提取6个原始波段（Band 3至Band 8）和12个植被指数，经15天合成形成时间长度为10的特征向量；（2）采用简化二级产品原型处理器（SL2P）工具，基于PROSAIL辐射传输模型在Google Earth Engine（GEE）平台反演6个作物生长参数（ALBEDO、CCC、CWC、fAPAR、fCOVER、LAI）；（3）构建农学知识引导的Mamba（AKGMamba）模型，由输入层、归一化层、两个带跳跃连接的堆叠Mamba层、两个全连接层、农学知识约束模块和输出层组成；（4）在输出层设计基于花期同步性的产量衰减函数作为激活函数，将农学机制嵌入模型优化过程。
三、研究结果
3.1 模型整体性能
AKGMamba模型在三年连续验证中取得R2=0.78、RMSE=793.73 kg/ha、nRMSE=8.79%的性能，优于主流深度学习方法（Transformer、LSTM）和机器学习方法（XGBoost、RF）。
3.2 农学参数输入的有效性
将PROSAIL模型反演的生物物理参数（LAI、CCC、fAPAR等）作为输入特征，丰富了特征空间，增强了模型学习表征的农学可解释性，有效提升了深度学习模型的产量估算性能。
3.3 Mamba架构的优势
作为一种基于选择性状态空间（SSS）模型的新兴时间建模架构，Mamba在短时间序列条件下能够通过选择性效应精确捕获关键生育期的决定性农学事件，在遥感产量估算中相对Transformer和LSTM展现出显著性能优势，同时实现与序列长度呈线性关系的计算复杂度。
3.4 农学知识约束的有效性
基于花期同步性的产量衰减函数被设计为模型的激活函数，以约束输出。该函数通过可学习参数α（表示产量衰减率）和品种敏感系数γ（本研究设为0.18）表征花期不同步导致的授粉效率降低对最终产量的非线性指数衰减影响，有效校正了高、低产量范围的估算偏差，提升了模型的可解释性和生物学合理性。
四、讨论与结论
本研究的核心机制在于：花期不同步导致的授粉效率降低遵循非线性指数模式而非简单线性衰减。该设计基于农学证据：此前研究表明，花丝抽丝间隔期（ASI）每增加一天，穗粒数减少6.8%；当ASI超过3天时，秃尖率可超过40%，导致结实率大幅降低。该函数通过参数γ纳入基因型与环境的互作效应，利用平方项精确表征生殖失败的生物学过程。
研究结论表明，通过输入层嵌入PROSAIL反演参数和输出层嵌入花期同步性约束的双层知识集成策略，显著提升了制种玉米产量估算的精度和模型可解释性。AKGMamba模型在田块尺度实现了高精度制种玉米产量估算和空间制图，为制种玉米生产管理提供了有效的技术支撑。该研究验证了Mamba架构在定量遥感作物产量估算中的适用性，为小样本场景下的作物产量估算提供了新的方法论参考。
