利用遥感数据与机器学习方法评估甘蔗产量变异以支持智慧农业

《Smart Agricultural Technology》：Leveraging Remote Sensing data and Machine Learning method for Assessing Sugarcane Yield Variability to support Smart Agriculture

　　

尽管气候与投入管理均匀，伊朗西南部甘蔗生产仍表现出显著的产量变异，这一持续的产量差挑战了精准农业的预测能力。本研究开发了一种集成遥感与机器学习框架，以诊断336个田块间该变异的主要驱动因子。每日作物水分胁迫指数(Crop Water Stress Index, CWSI)图源自融合的Landsat-MODIS热数据，并与田间尺度数据集（包括土壤盐度、地下水位深度、土壤质地、作物年龄及甘蔗品种）相结合。研究人员采用随机森林(Random Forest, RF)模型（70:30训练-测试划分）量化预测因子重要性、评估胁迫交互作用并预测甘蔗产量。模型实现了高预测精度（R2= 0.93，RMSE = 5.38 t·ha?1）。特征重要性分析确定水分胁迫(CWSI)为产量变异的主导驱动因子（40.6%），其次为土壤盐度（27.1%）与作物年龄（9.0%）。此外，观察到水分与盐度胁迫间存在强烈的协同交互作用，导致不成比例的产量损失，当高盐度与升高的CWSI重合时加速显著，尤其在宿根(ratoon)田块中。这些发现表明，集成遥感与机器学习可揭示隐藏的地下胁迫因子并支持动态的、基于分区的精准管理。所提出的框架为优化水资源利用、缓解盐度影响及增强缺水环境下的农业可持续性提供了一种可扩展的诊断工具。

论文《Leveraging Remote Sensing data and Machine Learning method for Assessing Sugarcane Yield Variability to support Smart Agriculture》发表在《Smart Agricultural Technology》。研究背景方面，作物产量的年际与田块间变异是农业生产中持久且经济显著的挑战。在灌溉集约化的甘蔗种植系统中，即便实施均匀的灌溉与施肥管理，产量仍存在极端空间变异，伊朗西南部同一农工单元内甘蔗产量介于小于40至超过130 t·ha^?1之间，这构成了“均匀管理下的产量差谜题”。传统农学模型与田间调查依赖静态低分辨率数据，难以解构共存的、非线性的地下胁迫因子（如隐蔽土壤质地变化、根区土壤盐度异质性、浅地下水位引发的毛细管上升次生盐渍化）。以往研究多量化单一因子或仅用于大尺度估产，缺乏将卫星衍生指数与地下实测数据（土壤盐度、地下水位）结合于机器学习框架中以理解均匀管理下极端变异成因。为此，研究人员提出集成遥感与机器学习框架，旨在识别并排序甘蔗产量变异关键驱动因子、量化主导因子间交互效应，并通过整合卫星指数与辅助田间数据开发稳健的产量预测模型。

研究人员开展研究用到的主要关键技术方法包括：研究区域为伊朗胡齐斯坦省Amirkabir农工单元的336个田块（每田约25公顷）。遥感数据方面，获取2023年7月至9月Landsat 7/8/9影像反演地表温度(Land Surface Temperature, LST)，融合MODIS每日LST产品（MOD11A1、MYD11A1），应用时空遥感融合模型(Spatiotemporal Remote Sensing Fusion Model, STRFM)生成无缝每日高分辨率LST时序；基于LST计算每日作物水分胁迫指数(CWSI)。土壤状态数据取自SoilGrids系统（砂、粉砂、黏土含量加权至0–30 cm根区），田间实测0–90 cm根区土壤盐度（饱和浸提电导率EC）及128口观测井的地下水位深度（克里金插值）。机器学习采用R平台随机森林(RF)模型，输入变量含CWSI、土壤盐度、地下水位深度、土壤质地、甘蔗品种与年龄，按70:30划分训练集（n=236）与测试集（n=100），以R²、RMSE、nRMSE、rMBE验证性能。

研究结果部分保留小标题并说明如下：

3.1. Drivers of Sugarcane Yield

研究人员通过时空特征分析发现，研究区7–9月平均CWSI介于0.31–0.58（多处超0.5严重缺水阈值），根区土壤盐度(EC)为2.93–4.35 dS·m^?1（均超甘蔗耐受阈值1.7 dS·m^?1），地下水位极浅（82–116 cm）且东部与东北部更浅，具次生盐渍化风险；土壤质地为13–28%黏土、42–53%粉砂、29–38%砂；作物年龄涵盖新植至第4代宿根(Ratoon 4)，品种含CP48等6种。这些因子共同构成产量变异的驱动环境。

3.2. Relative importance of yield predictors

RF特征重要性定量排序显示：CWSI贡献40.6%为最主要因子，土壤盐度27.1%次之，作物年龄9.0%，土壤质地与品种影响较小。表明缓解水分亏缺是减损最有效措施，水分管理改善回报高于单独盐度缓解，因水分胁迫触发气孔关闭直接抑制光合，而盐度胁迫为渐进式渗透与离子效应。

3.3. Single and interaction dynamics of Co-occurring Stresses

一维偏依赖图(Partial Dependence Plots, PDPs)证实CWSI、盐度、年龄与产量呈非线性关系且有阈值效应。二维与三维PDP揭示胁迫间协同交互：CWSI与盐度具强协同性，单独中等盐度(3.4 dS·m^?1)减产有限，但叠加高水分胁迫(CWSI > 0.44)则产量崩塌；水分胁迫与作物年龄交互显示老龄（第4–5年）较幼龄（第1–2年）对水分胁迫更敏感；盐度与年龄交互显示盐害随年龄加剧。三维PDP按年龄五分位数(Q1–Q5)展示，年轻田(Q1)对盐度相对耐受但对缺水敏感，Q2–Q3协同胁迫敏感性达峰，Q4–Q5随生理老化响应趋平但基准产量最低。

3.4. Sugarcane yield prediction

RF模型训练集性能为R²= 0.965、RMSE = 4.12、nRMSE = 5.19%、rMBE = 0.06%；独立测试集R²= 0.821、RMSE = 7.56、nRMSE = 9.56%、rMBE = 1.35%，显示良好泛化能力与极低偏差。全数据集(n=336)综合R²= 0.93、RMSE = 5.38 t·ha^?1、nRMSE = 6.8%、rMBE = 0%，属强预测关系与优异误差水平。空间分布图显示预测值范围44–127 t·ha^?1较实测40–134 t·ha^?1略压缩，但高低产区域空间共位一致，表明RF捕获了输入变量与产量的复杂非线性关系及空间格局。

3.5. Implications for Smart Agriculture

研究人员提出智能农业系统应转向以卫星CWSI为控制变量的动态灌溉调度，按田块年龄设定分级触发阈值（幼龄田CWSI 0.40–0.45，老龄宿根3–5代CWSI 0.30–0.35）；决策仪表盘应融合水盐胁迫为联合指数而非独立阈值；作物年龄须嵌入决策算法并动态调整老龄田预警与干预；框架依托全球可用数据(Landsat/MODIS、SoilGrids)与开源RF具跨区跨作物可转移性；模型可在收获前4–12周提供产量预报以优化物流与碾磨调度；未来可集成田间物联网(IoT)传感器验证CWSI与填补云隙，迈向自主矫正行动。

3.6. Recommendations for Alignment with Sustainable Development Goals

田间灌溉重调度与季前盐度调查支持可持续发展目标(SDG) 2（零饥饿）与SDG 6.4（提高用水效率）；区域灌区将CWSI纳入配水规划支持SDG 13（气候行动）；扩展框架至多年度与其他作物贡献SDG 9（产业创新与基础设施）；依赖免费数据开发低成本服务惠及中小农工支持SDG 9、SDG 12（负责任消费与生产）及SDG 15（陆地生态），通过缓解次生盐渍化遏制土地退化。

3.7. Limitations of research

局限性包括：基于2023单一生长季节与单一农工单元，未捕获年际气候变异；简化经验CWSI依赖冷热像元假设且未用地面植株水势等验证；Landsat–MODIS融合(STRFM)引入空间降尺度不确定；SoilGrids分辨率较田间采样粗；128口井克里金插值可能平滑局部极值；RF重要性为关联性非因果，未测病虫害、养分等残差因子；RF压缩极值限制极端异常田诊断；跨作物跨区域可转移性尚未实地验证。

讨论总结部分，研究人员指出该框架将不可见的产量损失源转化为可操作的数据驱动管理目标，推动从均匀处方农作转向动态胁迫分区农作。结论部分翻译如下：

本研究解决了灌溉甘蔗生产中一个持久的谜题：为何即使在统一管理下产量仍差异巨大（40–134 t·ha^?1）。通过在随机森林(RF)框架内集成卫星衍生的作物水分胁迫指数(CWSI)、SoilGrids土壤质地与田间实测盐度、地下水位深度及作物年龄，研究人员表明这种变异主要由隐藏的地下胁迫因子驱动——水分亏缺（40.6%）、土壤盐度（27.1%）与作物年龄（9.0%），而非表面管理水平差异。模型实现了高预测精度（R²= 0.93，RMSE = 5.38 t·ha^?1），且关键性地揭示了水分与盐度胁迫存在协同交互：其联合效应远甚于任一单独胁迫，且这种脆弱性在老龄宿根田块中急剧强化。该发现将灌溉与盐度管理重构为一个集成的、区分年龄的问题，而非两个独立优化的变量。实际上，这意味着智慧农业系统可从静态日历调度迈向动态的、CWSI驱动的、区分年龄的灌溉触发机制，利用每日卫星监测在产量损失不可逆前检测并应对胁迫。由于框架完全依赖全球可用数据（Landsat、MODIS、SoilGrids）与开源机器学习，仅需少量重新校准即可应用于其他灌溉作物（玉米、小麦、棉花、水稻）与其他缺水区域，提供一种超越单一农工单元的低成本、可扩展诊断路径。这项工作将范式从均匀配方农作转变为动态胁迫分区农作，将此前不可见的产量损失源转化为甘蔗及其他缺水种植系统可操作的数据驱动管理目标。