《Artificial Intelligence in Agriculture》：Develop a multi-branch fusion deep learning model to estimate the winter wheat yields under extreme climate events
编辑推荐：
提出了一种多分支融合混合网络（Multi-Branch Fusion Hybrid Network, MBF-HybridNet）模型用于预测作物产量。将极端气候指数（Extreme Climate Indices, ECIs）纳入模型，以评估极端气候事件对产
提出了一种多分支融合混合网络（Multi-Branch Fusion Hybrid Network, MBF-HybridNet）模型用于预测作物产量。将极端气候指数（Extreme Climate Indices, ECIs）纳入模型，以评估极端气候事件对产量的影响。经遗传算法（Genetic Algorithm, GA）优化的极端气候指数在保持预测精度的同时显著降低了计算成本。该模型能够在收获前30天提供可靠的产量预测，并考虑极端气候的影响。
论文解读文章
一、研究背景与问题
小麦作为全球关键谷类作物，对保障中国粮食安全至关重要。然而，在全球变暖趋势不断加剧的背景下，极端气候事件（Extreme Climate Events, ECEs）发生频率和强度显著增加，对小麦生产稳定性构成重大威胁。准确预测小麦产量能够为农业决策提供及时的科学依据。
现有作物产量估算方法主要分为两类：基于过程机制的作物模型和传统统计方法。机理作物模型通过整合基因型参数、气象条件和土壤属性来模拟作物生长发育，能够提供作物-环境-农业管理相互作用的机理性认识，但其效用常受数据可用性、参数需求和模型结构限制，尤其在极端天气事件下模拟作物产量时表现不佳，引入更多不确定性并限制模型适应性。统计模型因其操作简便和数据需求较低而广泛应用，但通常假设植被指数（Vegetation Indices, VIs）与产量之间存在线性关系，限制了其捕捉非线性动态的能力。
先进学习算法如随机森林（Random Forest, RF）、支持向量回归（Support Vector Regression, SVR）和神经网络（Neural Networks, NN）在建模多维数据集中的复杂非线性模式方面表现出优越能力，但传统机器学习方法往往无法有效提取复杂数据集中的时空动态关联信息。此外，大多数现有产量估算研究仍聚焦于作物生长后期，导致产量预测时间线显著延迟。
深度学习模型通过多层神经网络架构实现从低级到高级表示的层次化特征学习，显著增强特征提取和表征能力。其中，卷积神经网络（Convolutional Neural Networks, CNNs）在作物产量估算中展现出强大的空间特征提取能力，但通常无法捕捉序列数据中的时间关系；长短期记忆网络（Long Short-Term Memory, LSTM）以其链式结构和记忆单元在时间序列数据建模中表现出强大有效性。因此，结合两种架构的优势不仅能提高模型性能，还能有效识别作物发育和最终产量的关键驱动因素。
然而，CNN-LSTM结构在作物产量预测应用中仍存在不足：此类方法主要采用一维卷积神经网络，未能充分挖掘二维卷积神经网络在相关建模任务中的潜力；且上述研究仍未能考虑极端气候事件对作物产量的影响，导致产量预测结果存在固有偏差。作物在不同生长阶段可能经历多种极端气候事件，对作物发育和产量产生不同影响。例如，营养生长阶段干旱抑制根系发育和叶片扩展；生殖阶段干旱通过限制光合作用和碳分配过程进一步加剧极端高温对作物的热胁迫效应，导致作物减产。此外，霜冻可影响作物整个生长期，包括导致叶片枯萎和花序不育，最终降低结实率和产量。华北平原冬小麦在拔节期和孕穗期对霜冻胁迫尤为敏感。
此外，现有方法常因数据处理限制而无法捕捉精细尺度信息。多数研究依赖县级聚合数据平均值或选取最大值、最小值等采样方法，缺乏充分表征作物不同阶段关键精细尺度信息的能力。
二、研究内容与意义
基于上述分析，本研究旨在探索细粒度时空动态信息和极端气候事件在不同渐进累积生长阶段对冬小麦产量预测的影响。研究人员引入与三类极端气候事件（干旱、高温和霜冻）对应的极端气候指数（Extreme Climate Indices, ECIs），提出多分支融合混合网络（Multi-Branch Fusion Hybrid Network, MBF-HybridNet）模型。该模型整合动态数据（遥感、气象和极端气候指数数据）与静态数据（土壤属性），实现多维时空特征融合。
研究区域为中国山东省青岛市（35.35°N–37.09°N, 119.30°E–121.00°E），该地区属温带季风气候，受黄海海洋影响显著，年均气温12–14°C，年降水量600–900 mm，其中50%–60%集中在夏季。冬小麦通常在10月上旬至中旬播种，次年5月下旬至6月上旬收获。
首先，采用泰森多边形（Thiessen Polygon）方法对区域数据进行分区，提取细粒度时空动态信息，并将其作为伪二维图像数据输入模型。其次，基于冬小麦生理特征，将生长季划分为三个阶段性累积阶段：营养生长阶段（Vegetative Growth Phase, VGP）、营养-生殖生长阶段（Vegetative-Reproductive Growth Phase, VRGP）和生殖生长阶段（Reproductive Growth Phase, RGP），以支持分阶段分析和早期产量预测。最后，MBF-HybridNet集成非对称二维卷积神经网络（2D-CNN）与LSTM网络及自注意力机制（Self-Attention, SA），实现综合时空特征融合。
该研究发表在《Artificial Intelligence in Agriculture》期刊，主要研究目标包括：（1）分析所提出的MBF-HybridNet模型与基线LSTM模型在不同渐进累积生长阶段县级作物产量预测中的精度和性能差异；（2）基于特征选择方法分析极端气候事件在渐进累积生长阶段对冬小麦生产的影响，并评估跨年份的稳定性和泛化能力；（3）探索遥感数据、气象数据、土壤属性数据和极端气候指数数据在不同渐进累积生长阶段的影响，评估MBF-HybridNet模型在多种变量输入下对冬小麦产量预测的性能和早期预警潜力。
三、关键技术方法
研究人员使用了三类主要数据构建产量预测指标：遥感数据、气象数据和土壤属性数据。遥感数据包括从MODIS产品MCD43A4和MCD15A3H中提取的增强植被指数（Enhanced Vegetation Index, EVI）、归一化差异水分指数（Normalized Difference Water Index, NDWI）、陆地植被近红外反射率（Near-Infrared Reflectance of Terrestrial Vegetation, NIRv）、叶面积指数（Leaf Area Index, LAI）以及日光诱导叶绿素荧光（Solar-Induced Chlorophyll Fluorescence, SIF）。气象数据来自ERA5数据集，包括平均气温（TAmean）、最高气温（TAmax）、最低气温（TAmin）、降水量（PR）和风速（WS），并利用ERA5-Land数据通过马格努斯公式计算饱和水汽压差（Vapor Pressure Deficit, VPD）。土壤属性数据包括土壤有机碳含量（S_OC）、阳离子交换量（S_CEC）、土壤pH值（S_PH_H2O）、砂粒含量（S_SA）和黏粒含量（S_CLAY）。研究人员进一步利用气象数据计算了9个极端气候指数（ECIs），涵盖高温类（HD、HSI、HCD）、霜冻类（FD、CSI、FCD）和降水类（R10、CWD、CDD）三类极端事件。产量数据来源于中国统计年鉴（2004–2019年），冬小麦种植面积数据来源于国家地球系统科学数据中心（2009年、2016年，30 m分辨率）。
四、研究结果
（1）MBF-HybridNet模型与基线LSTM模型的性能对比
研究人员对比了所提出的MBF-HybridNet模型与基线LSTM模型在不同渐进累积生长阶段的县级作物产量预测精度。结果表明，MBF-HybridNet模型在预测精度上优于基线LSTM模型，验证了多分支融合架构在捕捉时空动态特征方面的优势。
（2）极端气候事件对冬小麦生产的影响分析
基于特征选择方法，研究人员分析了极端气候事件在渐进累积生长阶段对冬小麦产量的影响。通过遗传算法（Genetic Algorithm, GA）优化的极端气候指数在保持预测精度的同时显著降低了计算成本。研究揭示了不同生长阶段各类极端气候事件对产量的差异化影响。
（3）多源变量对产量预测的贡献评估
研究人员探索了遥感数据、气象数据、土壤属性数据和极端气候指数数据在不同渐进累积生长阶段对产量预测的贡献。结果表明，融合多源变量能够提升模型预测性能，且MBF-HybridNet模型在收获前30天即可提供可靠的产量预测，展现出良好的早期预警潜力。
五、讨论与结论
讨论部分总结了多源数据融合和极端气候指数纳入对冬小麦产量预测的重要性，强调了细粒度时空信息提取和分阶段分析策略的有效性。研究结论表明，所提出的MBF-HybridNet模型能够有效整合动态遥感与气象数据、极端气候指数及静态土壤属性数据，实现多维时空特征融合，在极端气候事件影响下实现收获前30天的可靠冬小麦产量预测，为农业决策提供了及时的科学依据。
