基于气象数据和卫星遥感技术的机器学习方法,用于大规模冬季油菜籽的预测与反演
《Big Data Research》:Meteorological and satellite remote sensing-driven machine learning-based approach for large-scale winter oilseed rape prediction and inversion
【字体:
大
中
小
】
时间:2026年04月29日
来源:Big Data Research 4.2
编辑推荐:
杨阳|李泽通|刘阳|吴佳仪|魏新北|任一林
华中农业大学工程学院,武汉,中国
**摘要**
油菜是全球主要的油料作物之一,准确及时地预测大规模油菜产量有助于农民和政府做出有效决策,以确保稳定的粮食和油脂供应以及经济发展。然而,依赖人工经验方法进行大规模油菜产量预测存
杨阳|李泽通|刘阳|吴佳仪|魏新北|任一林
华中农业大学工程学院,武汉,中国
**摘要**
油菜是全球主要的油料作物之一,准确及时地预测大规模油菜产量有助于农民和政府做出有效决策,以确保稳定的粮食和油脂供应以及经济发展。然而,依赖人工经验方法进行大规模油菜产量预测存在较高的不确定性,并且在稳健性和科学严谨性方面存在不足。为了解决这一挑战,本文采用多源数据融合、皮尔逊相关系数分析以及更先进的机器学习方法,建立了一个系统的“气象-卫星遥感双驱动”综合预测框架。该方法论框架围绕多模态数据集成、统计特征选择、算法超参数优化和跨尺度验证的顺序工作流程构建。在多模态数据集成方面,我们重点关注中国湖北省和四川省的冬季油菜种植区域,以及这两个省份下辖的四个高产油菜城市。我们在省级和市级两个层面建立了十个大规模冬季油菜产量预测模型,利用2003年至2020年的气象数据和卫星遥感数据来研究不同层级的油菜产量预测问题。在统计特征选择方面,为了确定十个研究区域的最佳预测因子和最佳预测日期,我们将气象数据(包括七个关键因素:日最低温度、日最高温度、日平均温度、风速、降水量、湿度和日照时长)和卫星遥感数据(提取六个植被指数参数:归一化差异植被指数、增强植被指数、比率植被指数、差异植被指数、叶绿素指数绿色和叶面积指数)与区域平均产量数据进行相关性分析,结果表明NDVI和LAI与油菜产量之间的相关系数高于卫星遥感数据与其他因素之间的相关系数;日最低温度、日最高温度、日平均温度和风速与油菜产量之间的相关系数也高于卫星遥感数据与其他因素之间的相关系数。这些因素与油菜产量具有较高的相关性。在算法超参数优化和跨尺度验证方面,通过使用七种机器学习方法(多元线性回归:MLR、支持向量机:SVM、K最近邻:KNN、决策树:DT、随机森林:RF、BP神经网络:BPNN和深度神经网络:DNN),分别开发了2003年至2020年两个省级和八个市级城市的油菜产量预测模型,并通过十折交叉验证和留一法交叉验证技术确定了最佳的建模方法。结果显示,在这七种机器学习算法中,DNN的整体性能最佳,其次是RF。对于省级产量预测模型,DNN模型的均方根误差(RMSE)范围为112.13至167.11公斤/公顷,相对均方根误差(RRMSE)范围为4.60至8.36;对于市级产量预测模型,DNN模型的RMSE范围为43.06至111.28公斤/公顷,相对均方根误差范围为1.78至5.95。最后,为了在更宏观的层面上评估油菜产量的差异,我们利用最佳的省级预测模型对2021年湖北省和四川省的油菜产量进行了预测。本文通过对气象和卫星遥感数据的系统分析和研究,建立了大规模油菜产量预测模型,为农业生产者提供了理论基础和技术支持,使他们能够摆脱人工测量和经验估算,提前准确预测油菜产量。
**引言**
近年来,由于作物产量预测在制定国家农业政策、安排作物种植和促进农业生产增长方面发挥着关键作用,因此受到了越来越多的关注[1,2]。此外,它还对农民收入和国家食品安全战略的制定有重大影响。油菜是全球主要的油料作物[3],也是中国食用植物油的主要来源[4]。在中国,油菜的多年生种植面积约为667万公顷,总产量超过1300万吨。中国是全球领先的油菜生产国,占国内油料作物产量的55%以上,并为全球产量贡献了21.5%[5,6]。鉴于其在生产计划、设备操作、决策制定、运输、库存管理和风险缓解等方面的意义,精确和提前预测油菜产量至关重要[7]。因此,借助逻辑数据和技术手段准确预测油菜产量显得尤为重要。
油菜的生长是一个高度非线性的过程[8],受到气象[9]、土壤[10]、空间变异性[11]、农艺措施[12]和基因型[13]及其相互作用[14]的影响,这使得准确预测油菜产量极具挑战性。历史上,农民依靠经验和可用的历史信息来预测作物产量并指导种植决策,但这种人为判断的准确性较低且不确定性较高[15]。随着大数据、计算机硬件和软件的进步,以及物联网(IoT)技术的支持,利用Segment Anything Model (SAM)实现了农业地籍边界的完全自动化分割,显著提高了土地管理系统的可扩展性[16]。这些现代技术使得获取多样化和精细的农业数据变得更加容易。已经提出了几种新的作物预测方法,与人工主观判断相比,这些方法具有更高的准确性和可靠性,消除了对人工测量和经验估算的需求,能够提前预测大规模作物产量并高效分析大量数据集[15]。这些作物预测方法可以归纳为三种类型:数据驱动模型、作物生长模型和半经验模型[2]。数据驱动模型是利用数学方法拟合历史作物产量数据与各种因素(如气象、土壤、遥感因素等)之间的数学关系,以实现作物产量预测的目标;作物生长模型基于作物生长和发育的机制,通过一组复杂的数学方程定量描述作物生长与发育过程、气象、土壤和农艺措施之间的关系。国际公认的作物生长模型包括DSSAT、WOFOST、AquaCrop和EPIC等;半经验模型介于数据驱动模型和作物生长模型之间,它们利用历史数据构建模型,同时结合一定程度的机械推理,能够在一定程度上模拟作物生长和发育的主要生物物理过程,通常参数较少,复杂度低于作物生长模型。
在现有研究中,许多因素被选为预测因子来构建预测模型,如气象信息(温度、降水量、太阳辐射、风速和湿度等)、土壤条件(土壤pH值、含水量、肥力等)和遥感信息(植被指数、某些生物物理因素等)。遥感技术与机器学习的结合是一种低成本且有效的环境研究方法[17]。采用融合遥感数据(SST)和深度学习(U-Net)的技术方法,在环境监测中取得了有效成果[18]。类似地,Mirhoseini Nejad等人[19]开发了一个用于大豆产量预测的ConvLSTM-ViT框架,整合了3D-CNN、ConvLSTM和Vision Transformer,有效捕捉了多光谱遥感数据的时空动态,性能优于现有方法。本文提出了一种利用遥感冠层光谱数据和丰度数据通过光谱混合分析来估算油菜产量的方法,结果表明油菜产量与植被指数和叶片相关丰度的组合之间存在强烈关联[20]。最近基于无人机的多光谱成像技术的进步展示了深度学习模型在直接处理图像方面的优越性。Zhou等人[21]利用基于无人机的多光谱数据和深度学习进行水稻产量预测,结果表明基于图像的2D CNN模型的相对均方根误差(RRMSE)为8.13%,R2为0.73,显示出自动化时空特征提取的强大潜力。此外,通过集成多尺度特征和双重注意力机制(结合硬注意力和软注意力)的注意力增强UNet模型,在复杂环境中验证了遥感技术的信息提取能力[22]。Niedba?a等人[23]开发了一个基于气象数据(气温和大气降水)和肥料数据的冬季油菜产量预测模型,分析显示1月1日至4月15日的平均气温对产量影响最大。Najjar等人[24]表明,在开花阶段B07/B11波段的光谱特征和分层土壤属性对模型决策贡献超过50%。比较了多种作物产量预测方法——多元线性回归(MLR)、随机森林(RF)和深度神经网络(DNN)使用MODIS Terra NDVI数据的结果,所有方法的预测误差均低于20%,其中深度神经网络(DNN)在这项比较分析中表现出最佳性能[25]。He等人[26]表明不同的农艺措施显著影响油菜的开花时间和产量。总之,大多数现有研究使用气象或遥感光谱指数作为预测因子来建立作物预测模型。本文侧重于整合多源数据特征,以提高油菜产量预测模型的稳健性。
现有研究主要依赖单一数据源,存在科学有效性和稳健性的局限性。Esmaeili等人[27]提出了ResMorCNN模型,该模型具有双模块架构,结合了3DCNN主干网络和光谱-空间形态盒(SSMB),即使在训练样本稀缺的情况下也能保持高分类准确性,并为多源数据融合提供了新的视角。Mahdipour等人[28]在土地覆盖分割研究中证实,多卫星图像的融合(Ultrafusion方法)可以通过建模像素值的概率分布(正常型模糊数)来减少固有不确定性。Wang等人[29]提出了一个结合结构化气象数据和非结构化云图像特征的Gabor-GRU-AdaBoost模型,证明了融合数据在长序列预测中的稳定性。Li等人[30]提出了一个基于深度学习的TransBiHGRU-PSO框架,通过整合多源遥感数据和多时相信息显著提高了大豆产量估计的准确性。如上所述,数据融合在增强遥感数据方面起着关键作用。
回顾以往的研究,已经提出了许多方法来构建数据驱动模型以预测作物产量。早期研究中主要使用回归算法来构建数据驱动模型,如线性回归、指数回归、逐步回归、多元线性回归和广义线性回归等。Qian等人[31]引入了一个使用多元线性回归预测加拿大草原地区春小麦的模型,预测的均方根误差范围为平均产量的8%至11%。Mirhoseini Nejad等人[19]提出的ConvLSTM-ViT模型结合了3D-CNN进行空间特征提取、ConvLSTM进行时间建模和Vision Transformer(ViT)进行全局注意力机制,在大豆产量预测中表现出显著效果。Farmonov等人[32]提出了HypsiLiDNet模型,利用形态学运算符从LiDAR数据中提取几何特征,并将其与高光谱图像(HSI)的光谱空间特征结合,通过双分支注意力机制在作物分类任务中取得了显著性能。它为精准农业提供了高效的分类工具,支持作物监测和产量预测等应用。Sharifi和Safari[33]提出了一种基于Transformer的超分辨率模型,有效提高了卫星图像的空间分辨率,从而为遥感数据驱动的产量预测提供了更高精度的输入。Teal等人[34]使用生长累积温度(GDD)作为预测因子对NDVI进行归一化,并利用指数回归开发了玉米预测模型。近年来,随着人工智能领域的兴起,基于机器学习的作物产量预测成为热门研究课题。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号