智农院 | 智慧农业创新团队在大面积水稻单产遥感预测方面取得重要进展

2025/10/30 来源：智慧农业学院（人工智能学院）作者：程涛

近日，智慧农业学院（人工智能学院）智慧农业创新团队在国际著名顶级遥感期刊《Remote Sensing of Environment》发表了题为“Rice yield prediction in unseen years at field level with high-resolution gross primary productivity derived from Sentinel-2 imagery”的研究论文，报道了他们在大面积水稻单产卫星遥感预测技术方面的重要进展。

及时、准确且无损的水稻产量预测与评估，是当前智慧农业发展的迫切需求，对水稻生产管理、种植结构调整以及粮食安全保障具有重要意义。当前研究虽然明确收获前1-2月或抽穗灌浆期为水稻产量遥感预测的最优时期，但缺乏更为精细的时间窗口，以满足作物生长精确管理的需求。此外，当前基于植被指数（VI）的作物产量预测虽有较多进展，但在应对高生物量冠层光谱信号饱和与跨年份模型泛化方面仍存在局限。相较之下，总初级生产力（Gross primary productivity,GPP）能综合反映光合碳同化过程，与作物生物量及产量具有更直接的生理联系，表现出更大的应用潜力。然而，GPP与传统植被指数法在田块级水稻产量预测中的性能差异与适用性尚不明确，有待系统性评估。最后，在不同生长季气候和管理条件变化背景下，跨年份的产量预测精度和稳定性都有所下降，需要一种简便、稳健的校正策略，以提升产量预测模型的跨年份泛化能力。

该研究首先基于不同年份高空间分辨率GPP遥感产品、田块实测产量数据和时间序列谐波分析法（图1），分析GPP和归一化差值红边植被指数（Normalized difference red edge index，NDRE）在月尺度上分别与水稻产量的相关性。此外，利用水稻生长季每10天间隔高分辨率GPP数据，确定水稻产量预测的最优时间窗口。然后利用迁移学习算法和最佳时间窗口高分辨率GPP与NDRE数据预测水稻产量（图2），解析GPP和植被指数NDRE在年际预测中的差异性。最后，提出适用于不同生态点的跨年度GPP校正（Cross-year GPP correction，CGC）方法（图3），并评价其在不同生态点对水稻产量预测的精度。

图1.基于高分辨率总初级生产力（GPP）的跨年度水稻产量预测技术流程图

图2.基于迁移学习算法的水稻产量预测技术

图3.基于目标年份的时间序列GPP曲线对参考年份GPP曲线的跨年度GPP校正（CGC）方法示意图

研究结果表明，水稻产量与GPP和NDRE在单月及累积月尺度上均呈现显著相关性（p < 0.05）。总体而言，累积月变量（GPP:r² = 0.38–0.67; NDRE:r² = 0.21–0.27）与产量的相关性高于单月变量（GPP:r² = 0.04–0.59; NDRE:r² = 0.00–0.41）（图4）。此外，对于原始GPP数据而言，水稻生长旺盛期（DOY 213-232：r² = 0.45 ~ 0.59）的表现始终优于其他时段。每隔10天的数据累积值在产量预测性能上明显优于单个10天数据（图5）。与原始GPP数据相比，谐波拟合GPP在单个（∆r² = 0.03 ~ 0.48）和累积时期（∆r² = 0.01 ~ 0.47）表现更为优越（图5）。

图4.江苏省田块级水稻产量与（A）GPP和（B）NDRE在四年间不同时间窗口（定义为[开始月份，结束月份]）的皮尔逊相关系数平方值

图5.2019年至2022年江苏省田块级产量与GPP的相关性

本研究提出的CGC方法在不同水稻生产区（江苏和黑龙江）的产量预测中表现良好，并且在独立年份的产量预测精度（R² = 0.55 ~ 0.73）高于迁移学习算法的预测结果（R²= 0.54 ~ 0.62）。该方法无需大量地面实测样本，在年平均产量存在明显差异的年份（2019）和极端高温年份（2022）中，产量预测均表现良好（图6）。未来研究可以将它迁移到其他地区或更多年份，用于更大面积作物单产和总产的准确高效预测。该研究首次提出了一种基于高空间分辨率GPP的轻量化水稻产量跨年份预测方法，在少量实测样本条件下实现高精度单产预测，攻克了大范围水稻单产预测模型年际迁移性差的难题，突破了目前植被指数预测方法精度不高的限制（图7和8）。该技术明确了遥感GPP产品在水稻单产预测中的地位与应用价值，深化了对GPP与作物光合生产关系的理解，为现有GPP产品在农业遥感领域的应用拓展提供了新思路。同时，该研究为农业管理部门和规模种植大户等新型经营主体提供了准确、客观、及时的田块级产量预测手段，以更加有效应对气候变化和病虫害的影响，提高农业生产的韧性和可持续性。