《Agronomy》：Yield Prediction in Winter Oilseed Rape Based on Multi-Temporal NDVI and Modelling Approaches
Edyta Okupska,
Antanas Juostas,
Dariusz Gozdowski and
El?bieta Wójcik-Gront
编辑推荐：
本文针对冬油菜产量遥感预测中普遍存在的空间信息泄露问题，开展了一项严谨的研究。研究人员通过对比随机验证与空间独立验证（GroupSplit）策略，系统评估了OLS、RF、XGBoost和DNN四种模型在多时相NDVI数据上的预测性能。研究发现，传统随机验证会高估模型性能，而基于树的方法在空间验证下R2值接近零，DNN则展现了更好的空间泛化能力。该研究强调了空间稳健性评估在农业遥感应用中的重要性，为精准农业的产量预测模型评估提供了新范式。
在精准农业的宏大蓝图中，准确预测作物产量是优化田间管理、规划供应链乃至评估粮食安全的核心基石。其中，冬油菜作为温带地区主要的油料作物之一，其产量预测尤为重要。过去二十年间，遥感技术，特别是多光谱卫星影像的应用，已日益成为农业监测的关键工具。在众多植被指标中，归一化植被指数（Normalised Difference Vegetation Index, NDVI）因其能敏感反映作物绿色生物量、冠层郁闭度和光合活动，成为估算各类作物（包括冬油菜）产量的最广泛使用的代理指标之一。同时，以随机森林（Random Forest, RF）、极限梯度提升（Extreme Gradient Boosting, XGBoost）和人工神经网络（Artificial Neural Networks, ANNs）为代表的机器学习算法，为捕捉多时相NDVI特征与产量之间的复杂关系提供了强大工具。
然而，一幅看似前景广阔的图景下，却隐藏着一个鲜被正视的“阿喀琉斯之踵”。大量已报道的模型在随机划分的训练-测试集上表现优异，但当模型需要应用到其训练域之外（如从未见过的田块）时，性能往往会急剧下降。这反映了空间异质性、田块特异性效应和环境变异性的影响。问题在于，绝大多数研究采用随机的训练-测试分割方式进行模型评估，这可能导致过于乐观的性能估计，因为空间结构和田块特异性效应在训练数据和测试数据之间被部分共享了。换言之，模型可能只是“记住”了特定田块的空间模式，而非学到了可迁移的作物-环境关系。这种“空间信息泄露”使得许多模型在现实操作中的预测能力被严重高估。在冬油菜产量建模领域，系统地比较随机验证与空间独立验证的研究仍显不足，这正是Edyta Okupska、Antanas Juostas、Dariusz Gozdowski和El?bieta Wójcik-Gront所进行的研究试图填补的方法学空白。
为此，这项发表于《Agronomy》的研究旨在阐明多时相NDVI对冬油菜产量估算的时间敏感性和预测价值。研究的具体目标是：(1) 量化2023-2024生长季多时相NDVI与冬油菜产量之间的关系；(2) 评估和比较线性与非线性建模方法（OLS、RF、XGBoost和深度神经网络DNN）；(3) 识别对预测性能贡献最大的物候期。通过将多时相Sentinel-2 NDVI数据与多种建模框架及严格的空间验证策略相结合，本研究旨在深化对NDVI-产量关系时间动态的理解，并为油籽油菜生产中遥感支持决策提供实用指导。
本研究主要采用了以下几种关键技术方法：首先，研究在立陶宛中部的八个商业冬油菜田块展开，利用产量监测器获取了地理参考的干籽粒产量数据。其次，处理了2023年9月至2024年5月期间的Sentinel-2多光谱影像，计算每月平均NDVI值，作为描述作物生长发育的关键遥感指标。最后，在建模与验证方面，研究构建了包含产量、月NDVI和田块标识符的数据集，并系统比较了普通最小二乘回归、随机森林、极限梯度提升和深度神经网络四种模型的性能。特别关键的是，研究采用了两种互补的验证策略：一种是传统的随机80/20分割验证；另一种是更为严格的空间独立的田块分组分割（GroupSplit）验证，该策略确保训练集和测试集中的数据来自完全不同的田块，以评估模型对未知田块的泛化（迁移）能力。此外，还通过重复的基于组的分割重采样来量化模型泛化的变异性。
研究结果如下：
2. Materials and Methods
本研究区域位于立陶宛中部，属于湿润大陆性气候。研究涵盖了八个商业冬油菜田块。产量数据为地理参考的干籽粒产量。NDVI数据源自Sentinel-2影像，并聚合为月度值。研究比较了四种建模方法，并采用了随机验证和空间独立的田块分组验证两种策略来评估模型性能。
3. Results
模型性能对比：在随机采样验证下，随机森林和XGBoost取得了最高的预测精度（RMSE ≈ 0.85 t ha-1, R2≈ 0.55）。然而，在空间独立验证下，所有模型的预测性能均显著下降，其中基于树的集成方法（RF和XGBoost）表现出接近零的R2值，表明其对未知田块的迁移能力非常有限。相比之下，深度神经网络展示了更为一致的泛化性能（RMSE = 1.09 t ha-1, R2= 0.28）。重复的田块分组验证证实，基于随机分割的性能估计严重高估了真实的预测能力。
特征重要性分析：特征重要性分析一致地识别出春季（特别是3月至5月）的NDVI是产量的主要预测因子，而秋季的NDVI与产量的关系则较弱且不一致。
4. Discussion
空间验证的必要性：讨论部分重点强调了本研究的核心发现，即基于NDVI的产量建模中报告的大部分预测技能可能源于空间信息泄露，而非可迁移的作物-环境关系。通过明确量化随机验证与空间验证之间的差距，本研究为模型性能提供了一个更现实的基准。
模型选择与泛化：结果表明，虽然随机森林和XGBoost在传统验证下表现最佳，但它们在空间独立场景下的崩溃揭示了其潜在的过拟合问题。深度神经网络相对更好的泛化表现，可能源于其网络结构能更好地学习跨田块的、更具鲁棒性的特征表示，尽管其绝对性能仍有提升空间。
物候期的重要性：春季NDVI被确定为最强预测因子，这与冬油菜的生物学特性相符，因为春季的冠层恢复和快速生物量积累对最终产量形成至关重要。秋季NDVI预测能力较弱，可能与其受越冬前生长状况和潜在冻害风险的双重影响有关，关系更为复杂。
研究的意义与启示：本研究结论凸显了空间鲁棒性评估框架对于精准农业中可操作产量预测的必要性。它警示研究者，在开发和应用基于遥感的预测模型时，必须超越简单的随机验证，采用能够模拟真实操作场景（预测新田块）的评估方案。这项研究不仅为冬油菜的产量预测提供了更严谨的方法学见解，其关于模型验证与泛化能力的核心论点，也对整个农业遥感乃至更广泛的基于机器学习的生态环境建模领域具有重要的普遍参考价值。未来的研究需要在更大空间尺度、更多生长季节的数据上验证这些发现，并探索整合更多环境变量和更先进的模型架构，以进一步提升模型在空间上的泛化能力和预测精度。
