利用地球观测数据和机器学习模型的农场大豆产量估算

《Frontiers in Agronomy》：On-farm soybean yield estimation using earth observation data and machine learning models

　　

摘要
引言：大豆（*Glycine max* (L.) Merr.）是一种多用途作物，自2000年代以来美国的产量显著增加。鉴于植被生长涉及复杂机制，大豆产量估算受天气、地形属性（TA）、管理措施和品种等多种因素影响。估算大豆成熟度和产量的传统方法劳动密集且存在偏差。利用遥感数据估算作物成熟度和产量的新兴方法日益受到重视。本研究的目标是：（1）识别源自多源地球观测数据（如基于数字高程模型（DEM）的地形、植被指数（VIs）和土壤指数（SIs））的最相关特征，以改进大豆产量估算；（2）系统评估极端梯度提升（XGBoost）模型在使用“留一场交叉验证（LOFO CV）”方法估算田间大豆产量时的性能和稳健性。
方法：为实现这些目标，研究人员应用XGBoost模型，利用2019和2021生长季的数据，估算了美国南达科他州三个农业田块的大豆产量。该机器学习模型基于高分辨率PlanetScope卫星多光谱影像和DEM估算产量。PlanetScope多光谱数据涵盖从萌发到成熟的六个大豆生长阶段，DEM用于计算地形特征。大豆产量数据通过配备GPS/产量监测系统的联合收割机获得。
结果：XGBoost模型在Edmunds和Miner试验田取得最高R2（0.54），最低RMSE（574 kg ha^-1）和MAE（455 kg ha^-1）。SHAP分析表明，差值植被指数（DVI）表现出最大的SHAP值范围（约?1至+1）。空间图显示Edmunds在2019和2021年的预测误差存在差异，过估和低估通过地图清晰可见。
讨论：这些发现表明机器学习模型能成功估算产量，并强调了适当模型选择的重要性。准确及时的农场产量估算是一种宝贵工具，可使种植者做出科学合理的作物管理和营销决策。

论文解读：基于地球观测数据与机器学习模型的田间大豆产量估算研究

大豆（*Glycine max* (L.) Merr.）产量估算对农场管理决策、政府贸易与粮食安全政策制定具有重要意义。传统测产方法劳动密集、耗时，无法覆盖整个田块，也难以生成高分辨率产量预测图。利用遥感等地球观测数据结合机器学习模型可克服这些局限，但现有研究常忽略地形和土壤信息，且验证方法不当——例如用同一空间域数据训练和测试会高估模型性能，导致模型在新田块上迁移性差；同时机器学习模型的“黑箱”特性也阻碍了对输入变量作用机制的理解。为此，研究人员开展了本项研究，旨在评估单一极端梯度提升（XGBoost）模型在田间尺度大豆产量估算中的稳健性，采用时空留置的“留一场交叉验证（LOFO-CV）”检验模型跨地块和跨年份的泛化能力，并引入Shapley加性解释（SHAP）分析量化各预测因子的贡献。该研究发表于《Frontiers in Agronomy》。

研究人员选取美国南达科他州Edmunds、Hamlin和Miner三个县的农业田块，利用2019和2021生长季数据，基于PlanetScope高分辨率多光谱影像（3.12 m分辨率）和数字高程模型（DEM），提取了六个生长阶段的植被指数（VIs）、播种前裸土影像的土壤指数（SIs）以及地形特征，构建了10 m×10 m网格（共24,282个网格单元）。将数据分为“仅VI”和“地形+SI+VI”两种特征组合，采用XGBoost模型进行训练，并通过LOFO-CV评估模型对未见过田块的预测表现，同时使用SHAP分析特征重要性。主要结论包括：R4/R5生长阶段的植被指数与产量相关性最强，其中NDVI、RVI、DVI的相关系数达0.5–0.7；模型最佳性能出现在Edmunds 2021年（R2=0.54，RMSE=574 kg ha^-1，MAE=456 kg ha^-1），但添加土壤和地形特征并未提升预测精度；SHAP分析显示DVI是贡献最大的预测特征。研究证实了机器学习模型结合特定生长阶段遥感数据可有效估算大豆产量，并强调了合理验证方法和模型可解释性的重要性。

本研究用到的主要关键技术方法包括：（1）利用PlanetScope多光谱影像计算10种植被指数（如NDVI、GNDVI、SAVI、DVI等）和5种土壤指数（如BI、SI、HI等）；（2）利用1 m分辨率DEM提取高程、坡度、坡向和山体阴影等地形变量；（3）将所有变量按10 m×10 m网格聚合，并进行最大最小标准化；（4）构建两种特征矩阵（仅VI和地形+土壤+VI），输入XGBoost回归模型，通过GridSearch确定最优超参数；（5）采用留一场交叉验证（LOFO-CV）评估空间泛化性，以决定系数（R2）、均方根误差（RMSE）和平均绝对误差（MAE）作为评价指标；（6）使用TreeExplainer计算SHAP值，对模型预测进行解释。样本来自美国南达科他州三个县的农业田块，产量数据由配备GPS/产量监测系统的联合收割机采集。

### 3.1 产量和天气模式

通过描述性统计和生长季温度、降水及生长度日（GDD）数据分析，发现不同田块和年份间产量差异显著。2021年Hamlin平均产量最高（3,868 kg ha^-1），Miner最低（556 kg ha^-1）；2019年各田块较为均衡。2021年部分地区降水少、温度高，尤其Miner的减产与干旱条件一致。

### 3.2 产量与特征变量的关系

通过Pearson相关分析，R4/R5生长阶段的NDVI、RVI和DVI与产量在Edmunds和Hamlin呈较强正相关（r=0.5–0.7）；土壤指数在Edmunds的CI和RI与产量呈中等相关（r≈0.59–0.60），而Hamlin的相关性很弱；地形变量与产量相关性普遍较弱且不稳定。因此，R4/R5阶段植被指数是最稳定、最强的产量预测因子。

### 3.3 机器学习模型性能（XGBoost）

在LOFO-CV框架下，XGBoost模型在Edmunds 2021年表现最佳（R2=0.54，RMSE=574 kg ha^-1，MAE=455 kg ha^-1），Hamlin两年表现中等（R2=0.20–0.39），Miner出现负R2，反映了产量极不稳定和z-score反变换的影响。结合地形、土壤和植被指数的综合特征总体未能优于仅用VI的模型，表明地形和土壤特征在新田块上泛化能力有限。

### 3.4 基于SHAP的特征重要性

SHAP分析应用于LOFO-CV的测试集，识别出DVI、RDVI、GCI、TGI和GNDVI是预测产量最重要的植被指数，其中DVI的SHAP值范围最大（约?2至+1），说明R4/R5阶段冠层活力信息对产量预测贡献最大；而MSAVI2、NDVI和SAVI排名靠后。

讨论部分指出，植被指数直接反映作物生长状况，整合了土壤、管理、天气等多重因素的净效应，因此比间接的土壤和地形变量更具跨田块一致性；添加土壤和地形特征反而引入了场地特异性噪声。预测精度高度依赖影像获取时间，R4/R5阶段最接近最终产量形成，是预测的关键窗口。LOFO-CV方法能有效检验模型对未见过田块的泛化能力，但两三年数据仍不足以充分捕捉复杂环境变异，这导致了部分负R2的出现。SHAP分析显著增强了模型透明度，表明少数关键植被指数即可实现较高精度。

结论部分可翻译为：本研究证明，特定生长阶段建模显著提高了基于地球观测数据的大豆产量估算精度。R4/R5阶段较强的相关性表明应优先采用早期季节植被指数。NDVI、RVI和DVI是氮肥施用、灌溉调度和收获规划的关键指标，而NDWI由于偶尔与产量负相关需要谨慎解释。来自VE/VC阶段的土壤指数与地形特征结合时，在R4/R5阶段对产量估算有实际贡献。本工作的一个关键新颖之处在于，将植被指数、土壤指数和地形指标集成于注重生长阶段的机器学习框架中，并在不同县的试验田进行了校准。LOFO-CV方法使XGBoost模型在试验田上表现更优。与以往侧重单一特征组或全季平均的研究相比，本方法显式考虑了作物发育的时间动态和局部变异性，从而提供了更具操作相关性的产量预测工具。然而，在使用LOFO-CV和XGBoost模型时，地形、土壤指数和植被指数的集成并未如预期那样表现良好，表明该方法在不同环境和管理条件下仍存在局限性。