利用人工智能和遥感技术模拟玉米产量的时空变异性

《International Journal of Plant Production》：Modeling Spatiotemporal Variability in Corn Yield Using AI and Remote Sensing

　　

玉米产量的时空变异性为理解季内作物状况和天气模式如何影响田间尺度的产量变异提供了重要信息。因此，本研究的目标是：(a) 了解美国南达科他州玉米产量的时空变异，(b) 探究整合遥感数据与人工智能（AI）方法预测玉米产量的潜力。本研究评估了利用遥感数据在美国南达科他州预测玉米产量的不同建模方法的潜力。评估了三种输入情景：(I) 多阶段植被数据，(II) 生殖阶段（R1）的光谱指数，(III) 所有时间指数均值。利用八年数据（2017–2024），研究人员评估了多元线性回归（MLR）、支持向量回归（SVR）以及深度学习模型（LSTM和GRU）在干旱、正常和湿润年份等不同环境条件下的表现。结果表明，深度学习模型在大多数年份和输入情景下普遍优于多元线性回归和支持向量回归。此外，情景I产生了最强的模型性能，凸显了在整个生长季纳入多阶段植被信息的重要性。LSTM在干旱年（2017、2021）和正常年（2018）最有效，而GRU在湿润年（2019）、极干旱年（2020、2022）和正常年（2023、2024）表现最佳。这些发现证明了整合遥感数据与基于AI的模型来改善季内产量预测并更好地捕捉玉米产量时空变异性的潜力。

**研究背景、问题与目的**
谷物是全球主要作物群，约占全球作物总产量的32%，为人类提供必需能量和营养。美洲大陆贡献了近55%的全球玉米产量，其中美国玉米带占38%。然而，玉米产量在田间尺度内存在显著时空变异，受土壤特性（质地、有机质、养分、持水能力）、地形及动态环境变化（如气候波动、管理措施）影响。传统产量预测方法多基于单一生长季或单次观测，难以全面捕捉季内动态。因此，本研究旨在：(a) 阐明美国南达科他州玉米产量的时空变异特征；(b) 评估整合遥感数据与AI方法（机器学习与深度学习）在不同生长阶段和天气条件下预测田间尺度玉米产量的能力。研究发表于《International Journal of Plant Production》。

**关键技术与方法**
研究人员利用南达科他州东部四个田块（2017–2024年）的193,011个观测数据，基于Sentinel-2 MSI影像计算六种植被指数（NDVI、CI、DNGI、SAVI、VARI、GNDVI），并设计三种输入情景：情景I（多阶段植被数据，三个时期共18个变量）、情景II（生殖期R1光谱指数）、情景III（所有时间指数均值）。采用主成分分析（PCA）降维，保留解释至少90%方差的主成分。比较模型包括多元线性回归（MLR）、支持向量回归（SVR，RBF核）、长短期记忆网络（LSTM）和门控循环单元（GRU）深度学习模型。数据按60%训练、10%验证、30%测试随机划分，使用R²、均方根误差（RMSE）和相对均方根误差（RRMSE）评估模型性能，并按年份和天气类别（干旱、正常、湿润）分析。

**研究结果**
**土壤性质统计描述**：四个田块均为壤土，有机质含量中等，pH近中性。田块II有机质和阳离子交换量最高，田块III虽有机质较低但阳离子交换量最高。
**玉米产量分析**：多年平均产量显示，田块I为5.43–11.49 ton ha^?1，田块II为5.42–14.77 ton ha^?1，田块III为2.47–8.97 ton ha^?1，田块IV为4.24–13.03 ton ha^?1，产量图揭示了各田块高产区与低产区。
**遥感指数与玉米产量相关性**：6月，产量与光谱指数（尤其VARI、CI）相关性较弱甚至为负；7月，CI和DNGI相关性升高且一致；8月，NDVI、CI、SAVI、GNDVI相关性稳定且较强，但年际间略有波动。
**不同建模方法的表现**：情景I（多阶段植被数据）在几乎所有年份和模型组合中表现最优或相当，尤其是深度学习模型。情景II（单一生殖期R1）R²显著下降，情景III（所有时间指数均值）表现中等。深度学习模型整体优于MLR和SVR，R²值更高、误差更低。具体年份最佳模型：2017（干旱年）LSTM（R²=0.761），2018（正常年）LSTM（R²=0.787），2019（湿润年）GRU（R²=0.790），2020（极干旱年）GRU（R²=0.766），2021（干旱年）LSTM（R²=0.841），2022（极干旱年）LSTM（R²=0.555），2023（正常年）GRU（R²=0.941），2024（正常年）GRU（R²=0.64）。RRMSE趋势表明，正常降雨年份（如2023）预测精度更高，极干旱年份（2022）挑战最大。

**讨论与结论**
讨论指出，多阶段植被数据（情景I）的重要性源于生长季动态过程：6月早期营养阶段指数相关性弱，7–8月冠层结构和光合活性指数（NDVI、CI、SAVI、GNDVI）相关性增强。2022年模型性能下降归因于极端干旱下光谱指数与产量的非线性关系，土壤持水能力、热胁迫等交互因素未被充分捕捉。GRU在极端天气（湿润、极干旱）下表现更稳健，LSTM在轻中度干旱和正常年占优，但受严重干旱影响。模型性能年际差异强调需结合降水、温度、土壤属性等额外变量以提高适应性。土壤属性虽未直接建模，但为解释产量空间变异提供了背景（如有机质、阳离子交换量等）。
**研究结论**：本研究表明，深度学习模型（LSTM和GRU）结合遥感数据在不同环境条件下预测玉米产量具有潜力。多阶段植被数据（情景I）始终表现最佳，强调了生长季时间信息的重要性。模型性能因年份和天气条件而异，LSTM在干旱和正常年更优，GRU在极湿润和极干旱条件下更优。当前验证有限，需在更多田块、季节和管理条件下进行独立验证，并整合环境、土壤和管理变量，以提高模型在气候变化下的适应性和鲁棒性。