近日，南京农业大学智慧农业创新团队在国际著名期刊《Remote Sensing of Environment》上发表题为“Rice yield prediction in unseen years at field level with high-resolutiongross primary productivity derived from Sentinel-2 imagery”的论文，为大区域水稻产量预测及精准作物管理、粮食安全背景下的小农户农业系统提供重要支撑。
准确预测未知年份田间尺度的水稻产量，对于优化精准农业实践和加强国家粮食安全框架具有重要价值。尽管许多研究已使用植被指数或总初级生产力（GPP）来预测作物产量，但很少有研究利用整个生长季的时间序列卫星图像，系统评估它们在预测性能和稳定性方面的差异。同时，针对大区域未知年份的田间尺度预测研究也很少。为解决这些问题，我们对哨兵 - 2 衍生的归一化差异红边指数（NDRE）和通过改进的双叶光能利用效率模型生成的高分辨率GPP与水稻产量的相关性进行了深入比较。利用原始的和经谐波拟合的10天间隔GPP数据确定产量预测的最佳时间窗口。此外，提出了跨年GPP校正（CGC）作为模型向未知年份转移的有效方法，并与新兴的数据驱动域转移学习算法——对抗判别域适应（ADDA）进行比较。具体而言，使用来自中国东部和东北部2019 - 2022年广泛的田间尺度水稻产量数据集对这些方法进行评估。我们发现，GPP在预测水稻产量方面优于NDRE（单个月份：∆r2 = 0.04 - 0.29，累积月份：∆r2 = 0.22 - 0.41），具有更高的稳定性和可靠性。此外，经谐波拟合的GPP可提高产量预测精度。另外，CGC方法提高了两个区域的年际预测精度（R2 = 0.55 - 0.73），显示出比ADDA模型（R2 = 0.54 - 0.62）更好的预测性能。所提出的方法仅依赖有限数量的地面真实产量样本，并且在年际产量变化显著（2019年）或极端天气条件（2022年）的年份表现出稳健性能。这项研究对于利用公开可用图像和有限的地面真实产量数据在大区域实施水稻产量预测具有巨大潜力，特别是在精准作物管理和粮食安全评估背景下的小农户农业系统中。
图 1.（A）中国江苏省（黄色多边形）和黑龙江省五常市（绿色多边形）研究区域的位置。（B）展示了江苏省内田间调查样地的分布。底图来源于分辨率为 12.5 米的先进陆地观测卫星 - 1（ALOS）数字高程模型（DEM），叠加了江苏省行政边界（红线）。稻田采样点用彩色圆点标记：绿色、蓝色、红色和灰色分别代表 2019 年、2020 年、2021 年和 2022 年。
图 2.利用高分辨率总初级生产力（GPP）数据进行跨年度水稻产量预测的流程图。
图 3.田间实测水稻产量（吨 / 公顷）的小提琴图：（A）2019-2022 年江苏省数据；（B）2019-2021 年黑龙江省五常市数据。
图 4.跨年度总初级生产力（GPP）校正（CGC）方法的示意图，该方法用于将目标年份的时间序列 GPP 曲线与参考年份的时间序列 GPP 曲线进行校正匹配。
图 5.由目标年份（2021 年）和参考年份（2022 年）的高分辨率时间序列总初级生产力（GPP）数据驱动的跨年度 GPP 校正（CGC）方法建模框架。
图 6.用于未观测年份田间尺度产量预测的对抗性判别域适应（ADDA）方法概述。
图 7.2019-2022 年江苏省范围内，田间实测水稻产量与以下指标间关系的皮尔逊相关系数平方（r²）值：（A）总初级生产力（GPP）；（B）不同时间窗口（以 “起始月份 - 结束月份” 定义）的归一化差值红边指数（NDRE）。
图 8.2019-2022 年江苏省水稻产量与总初级生产力（GPP）相关性的 r² 值：（A、C）以 10 天为步长；（B、D）以累积 10 天为步长。其中，（A、B）基于原始 GPP 数据生成，（C、D）基于谐波拟合后的 GPP 数据生成。所有 r² 值均通过线性回归计算得出。灰色柱形代表四年间确定的产量预测最优时间窗口。
图 9.以 2022 年为参考年份，基于模型得到的 2019-2021 年江苏省水稻预测产量与实测产量的散点图。左列和右列（上排：2019 年，中排：2020 年，下排：2021 年）的散点图分别代表未采用跨年度总初级生产力（GPP）校正（CGC）方法和采用该方法的产量预测结果。
图10. 以 2020 年为参考年份，基于模型得到的 2019 年和 2021 年黑龙江省五常市水稻预测产量与实测产量的散点图。左列和右列（上排：2019 年，下排：2021 年）的散点图分别代表未采用跨年度总初级生产力（GPP）校正（CGC）方法和采用该方法的产量预测结果。
图 11. 以 2022 年为参考年份，基于模型得到的 2021 年江苏省田间尺度水稻产量预测图：（A）采用跨年度总初级生产力（GPP）校正（CGC）方法；（D）未采用该方法。（B）和（E）分别为采用和未采用 CGC 方法时产量的经度剖面（阴影区域代表标准误差）；（C）和（F）分别为采用和未采用 CGC 方法时产量的纬度剖面（阴影区域代表标准误差）。
图 12. 以 2022 年为参考年份，基于模型得到的 2021 年江苏省临海农场田间尺度水稻产量预测图：（A）采用跨年度总初级生产力（GPP）校正（CGC）方法；（B）未采用该方法；（C）两者的产量差值图。
图 13. 以 2020 年为参考年份，基于模型得到的 2021 年黑龙江省五常市田间尺度水稻产量预测图：（A）采用跨年度总初级生产力（GPP）校正（CGC）方法；（D）未采用该方法。（B）和（E）分别为采用和未采用 CGC 方法时产量的经度剖面（阴影区域代表标准误差）；（C）和（F）分别为采用和未采用 CGC 方法时产量的纬度剖面（阴影区域代表标准误差）。
图 14. 以 2020 年为参考年份，基于模型得到的 2021 年黑龙江省五常市关注区域田间尺度水稻产量预测图：（A）采用跨年度总初级生产力（GPP）校正（CGC）方法；（B）未采用该方法；（C）两者的产量差值图。
原文链接：https://doi.org/10.1016/j.rse.2025.115061
免责声明：文章所引图文来自GEE遥感训练营公众号，仅供学习参考，若涉及侵犯版权请告知，我们将及时删除。