基于不同空间尺度光谱数据的迁移学习与 SCOPE 模型集成用于玉米产量预测

《Computers and Electronics in Agriculture》：Transfer learning integrated with SCOPE model for maize yield prediction based on spectral data for different spatial scales

　　

• •
  将迁移学习与辐射传输模型相结合提高了产量预测精度。
• •
  叶绿素含量在模拟光谱数据和实测光谱数据之间搭建了桥梁。
• •
  来自模拟数据和叶绿素含量的先验知识改善了实测数据与产量之间的关系。
• •
  所提出的方法适用于多种空间尺度（地面尺度和无人机尺度）。

引言

玉米产量与保障粮食安全和民生息息相关（Bantchina等，2024）。掌握田间作物产量状况有助于智能农业的决策制定和资源管理的优化。传统的作物产量预测方法通常涉及劳动密集型的地块收获或视觉和经验评估，这些方法容易受到不准确性和时间延迟的影响（Tripathi等，2022）。遥感技术已成为一种快速且非破坏性的方法，用于采集和分析包含可见光、红边和近红外波段的光谱数据，以在不同空间尺度——包括地面测量和无人机观测——上进行作物产量预测（Chen等，2022，Tang等，2022）。

植被指数（VIs）和敏感波段方法可提取反映叶片叶绿素含量（LCC）和生物量的特征，并最终与产量相关联（Jin等，2017）。包括归一化植被指数（NDVI）、增强植被指数（EVI）在内的植被指数据报告与叶绿素含量和生物量表现出强烈的关系，并被用于产量预测（Wang等，2021a）。敏感波段选择有助于识别与分析贡献最大的最相关特征，同时降低数据集的维度（Zhao等，2024），例如最小冗余最大相关性（MRMR）算法（Ma等，2024）。上述特征通常被送入数据驱动或模型驱动的模型中以预测作物产量（Wang等，2023）。数据驱动模型，特别是机器学习（ML）或深度学习（DL），擅长通过经验模型捕捉变量间的相互作用，例如长短期记忆网络（LSTM）、随机森林（RF）、支持向量机等（Gaso等，2024，Kandpal等，2025）。Sapkota等（2025）使用多光谱影像并提取11个植被指数，结合机器学习方法预测玉米产量，在营养中期阶段获得R²为0.50。?rik等（2024）比较了若干机器学习建模算法用于甜菜产量预测，在四种不同灌溉处理下随机森林模型达到R²超过0.62。然而，基于机器学习模型的预测精度受限于对大量光谱数据集的需求（Bhadra等，2024）。

基于辐射传输模型（RTM）的模型驱动方法，包括PROSAIL和土壤-冠层观测、光合作用和能量通量（SCOPE）模型（Prikaziuk等，2023，Verrelst等，2015），以作物的生理和结构属性（即叶绿素含量）为输入模拟冠层反射率，使其能够在不同的农业环境和条件下保持较强的适应性（Mangalraj和Cho，2022）。Kayad等（2022）使用PROSAIL模型模拟了玉米冠层光谱反射率，通过查找表（LUT）方法反演叶面积指数（LAI），并进一步利用线性回归模型建立了叶面积指数与玉米粒产量之间的定量关系。通过数值优化或查找表方法进行反演存在计算量大或精度有限的缺点。混合方法使用机器学习替代模型来保持辐射传输模型反演的精度，同时减少计算量，有可能显著促进性状反演（Berger等，2020；Sibiya等，2025）。Wang等（2021b）将SCOPE模型与随机森林模型结合，从高光谱反射率中反演作物性状（叶绿素含量：R² = 0.73，叶面积指数：R² = 0.75），并发现叶片性状与玉米粒产量的相关系数超过0.70。

然而，辐射传输模型本身可能存在偏差且预测精度较低，基于其训练的机器学习模型也因此存在偏差且在真实数据上表现不佳（Ji等，2025，Zhu等，2023）。迁移学习能够将从之前完成的任务中获得的模型权重和学到的特征等知识迁移到新任务中。它有助于利用由辐射传输模型模拟生成的大规模光谱数据集来预训练深度学习模型。随后，该方法能够将学到的特征有效迁移，以增强在有限田间光谱数据集上训练的模型的预测性能（Yue等，2023）。近期研究揭示了连接叶片生理性状（叶绿素含量、叶面积指数等）与作物产量的间接因果路径。Du等（2026）使用PROSAIL模型生成的冠层光谱数据估算叶绿素含量和叶面积指数；随后将反演的指标导入DSSAT作物模型中进行产量模拟和预训练，再结合田间实测光谱数据对模型进行微调以实现实际产量预测。因此，我们希望提出一种结合辐射传输模型和机器学习的基于迁移学习的产量预测方法。

叶绿素含量是一种重要的色素，在光合作用过程中发挥着关键作用，进而影响有机物的积累，即产量（Salehin等，2026）。本研究探讨了从模拟光谱和叶绿素含量中学习的先验知识是否能够有效促进产量预测。因此，本研究采用迁移学习策略，首先利用SCOPE模拟的光谱和叶绿素含量数据对模型进行预训练，然后使用实测地面和无人机光谱数据对预训练模型进行微调以实现产量预测。本研究的具体流程如下：

（1）分析模拟光谱与实测光谱、叶绿素含量及产量之间的相关性；

（2）使用包含光谱和叶绿素含量的模拟数据集对模型进行预训练；

（3）基于学到的叶绿素含量特征知识，在实际实测数据集上对预训练模型进行微调；

（4）建立并比较基于植被指数、敏感波段和所提方法的预测模型。

章节摘要

研究区域

本研究包含玉米田间试验，试验地点位于中国河北省衡水市旱作节水农业试验站。玉米品种为衡玉321。设置了六个氮肥水平（N1：0 kg·ha^?1，N2：90 kg·ha^?1，N3：180 kg·ha^?1，N4：360 kg·ha^?1，N5：540 kg·ha^?1，N6：720 kg·ha^?1），每个水平设有12个重复。玉米每年6月中旬播种，10月初收获。试验分别在

特征选择方法比较

表5比较了随机森林模型在三种特征选择算法（SPA、MC-UVE和MRMR）下对叶绿素含量和产量预测的预测性能。MRMR在两个目标上均表现出最优的泛化能力，获得了最高的R_P²（叶绿素含量为0.82，产量为0.60）和最低的RMSEP（叶绿素含量为2.29 mg/L，产量为1.38 t/ha），而SPA和MC-UVE在测试集上表现出较弱的预测精度。因此，选用MRMR筛选的特征用于后续建模。

实测地面光谱分析

该

模拟光谱、实测光谱、叶绿素含量与产量之间的关系

我们假设叶绿素含量是提高产量预测精度的关键变量和桥梁。Wang等（2024）结合冠层光谱反射率和RGB影像估算叶绿素含量，并进一步建立模型估算产量，获得R²为0.70，该研究将叶绿素含量作为产量预测的中介变量。我们研究了SCOPE模拟光谱、地面提取光谱和无人机提取光谱与叶绿素含量及产量之间的线性关联（图6A和图8A）。结果表明

结论

本研究提出了一种SCOPE模型辅助的迁移学习框架，用于多尺度玉米产量预测。LSTM网络首先在模拟光谱数据上进行预训练，学习光谱-叶绿素含量的生理先验知识，然后使用地面和无人机光谱实测数据进行微调。预训练模型的叶绿素含量预测R_P²达到0.97。利用SCOPE模拟和叶绿素含量知识进行微调的产量预测模型，在预测中获得了R_P²

CRediT作者贡献声明

赵若美：撰写——初稿，方法论，数据整理。张燕玲：撰写——审阅与编辑，项目管理。郭伟民：撰写——审阅与编辑，项目管理。刘伟：监督指导。赵龙：监督指导。田晓源：监督指导。曾叶露：数据整理。安璐璐：数据整理。王爱国：验证。徐强：撰写——审阅与编辑，监督指导，资源，资金获取。孙虹：撰写——审阅与编辑，监督指导，资源，资金

利益冲突声明

作者声明，他们没有已知的可能影响本文所报道工作的竞争经济利益或个人关系。

致谢

本项目得到国家自然科学基金（W2412109）和中国河南省自然科学基金（242300420516）的资助。

赵若美|张燕玲|郭伟民|刘伟|赵龙|田晓源|曾叶露|安璐璐|王爱国|徐强|孙虹