图1.研究区位置、地面样方分布及无人机航测区域（A）为中国江苏省选取的 6 个县（市、区）地理位置及全省野外调查样方分布；（B）–（G）分别为灌云（GY）、睢宁（SN）、淮安（HA）、兴化（XH）、如皋（RG）、吴江（WJ）冬小麦田无人机航测区域分布；（H）为成熟期用于测产的 1 m × 1 m 冬小麦测产小样方；（I）为搭载 MicaSense RedEdge MX 多光谱相机的大疆 Matrice V200 无人机。
图2.地面–无人机–卫星升尺度流程示意（A）冬小麦田地面–无人机–卫星观测三维示意图；（B）为开展 5 次无人机航测的各县 Sentinel-2 卫星影像；（C）单次无人机航测覆盖 4 个样方，总面积约 16 公顷；（D）野外每个样方面积为 30 m × 30 m，内含 3 个 1 m × 1 m 测产小样方；（E）冬小麦（F）成熟期采用实时动态定位（RTK）记录每个小样方中心坐标。
图3. 融合多光谱无人机与卫星数据的区域尺度冬小麦产量预测技术流程。
图4.基于无人机影像与卫星像元匹配的样本增强及跨尺度模型校正步骤示意（睢宁区块部分结果）（A）、（B）为同一区域无人机影像与匹配 Sentinel-2 影像示例（假彩色合成，红：蓝波段，绿：近红外波段，蓝：红波段）；（C）为与卫星像元对齐的 10 m × 10 m 网格提取；（D）–（F）分别为冬小麦产量预测结果、冬小麦像元提取结果、与卫星像元空间匹配的无人机影像灰度图；（G）–（I）为各卫星像元内冬小麦产量及空间变异指标计算；（J）、（K）分别为地面实测产量数据集与无人机反演产量数据集；（L）为基于无人机–卫星协同的样本增强后产量数据集。
图5.2022–2023 年基于留一交叉验证（LOOCV）的地面–卫星模型与地面–无人机模型在 6 个县冬小麦产量预测中的（A）决定系数 R² 与（B）均方根误差 RMSE 对比。
图6. 2022–2023 年 4 种回归算法在地面–卫星模型与地面–无人机–卫星模型下的冬小麦产量预测效果对比（A）、（E）XGBoost；（B）、（F）随机森林回归（RFR）；（C）、（G）支持向量回归（SVR）；（D）、（H）深度神经网络（DNN）。第一行为留一交叉验证（LOOCV）评估的地面–卫星模型（N=360）；第二行为 100 次建模中表现最优（R² 最高）的地面–无人机–卫星模型（N=15026）。黑色虚线为 1:1 参考线，红色实线为预测产量与（A）实测产量或（B）无人机升尺度产量的线性拟合线。
图7.平均 SHAP 值；（B）SHAP 汇总图。（标注 “B” 表示拔节–抽穗期，“_F” 表示开花–灌浆期；植被指数以 “1”“2”“3” 结尾分别表示由 Sentinel-2 红边波段 1、2、3 计算得到。）。
图8.2022–2023 年样本增强后冬小麦产量与 12 个空间变异指标的皮尔逊相关系数（r）（n=75154）其中 6 个指标标注 “_B” 对应拔节–抽穗期，6 个标注 “_F” 对应开花–灌浆期。因对角线对称，仅展示下三角部分。彩色相关系数 r 表示具有统计学显著相关性（p<0.05）。
图9.2022–2023 年基于空间变异指标熵值_F（左列）与波形方差（WVF，右列）的地面–无人机–卫星 DNN 模型在不同条件下各县冬小麦产量预测精度（A）–（B）决定系数 R²；（C）–（D）均方根误差 RMSE。每种条件通过设定熵值_F 或 WVF 区间，排除高空间变异对产量预测的影响。为保证县域样本均衡，每种条件下从各县随机抽取 6000 个样本。
图10.3 种组合条件（组合 1–3）下地面–无人机–卫星 DNN 模型在 6 个县的冬小麦产量预测精度（A）组合 1：熵值_F 区间为睢宁 0–0.4、如皋 0–0.5、淮安 / 兴化 / 吴江 0–0.6、灌云 0–0.7；（B）组合 2：熵值_F 区间为睢宁 0–0.5、如皋 0–0.6、淮安 / 兴化 / 吴江 0–0.7、灌云 0–0.8；（C）组合 3：熵值_F 区间为灌云 / 淮安 / 睢宁 / 兴化 / 如皋 / 吴江均为 0–0.4。为保证客观评估，从每个县随机抽取 2000 个样本作为测试集，所有组合使用同一测试集。
图11.2022–2023 年基于（A–C）地面–卫星 DNN 模型与（D–F）最优地面–无人机–卫星 DNN 模型的精度验证及冬小麦产量空间分布图（A）、（D）分别为两模型基于全省地面实测的冬小麦产量预测精度；（B）、（E）分别为两模型反演的 2022–2023 年江苏省冬小麦产量空间分布图；（C）、（F）分别为两模型产量纬向剖面（阴影区域为标准误）。黑色虚线为 1:1 参考线，红色实线为线性拟合线，灰色阴影为 0.9 置信区间。每张产量图均附带各产量等级面积占比柱状图。
图12.2022–2023 年地面–卫星模型与最优地面–无人机–卫星 DNN 模型冬小麦产量空间分布图对比第一行为 Sentinel-2 假彩色合成影像（红：绿波段，绿：近红外波段，蓝：红波段）；第一行黄色矩形为样方实测产量；最后两行黑色矩形为样方预测产量。子图（A）–（D）分别来自睢宁、兴化、如皋、吴江。
图13.基于全省地面实测的（A–B）地面–卫星 DNN 模型与（C–D）最优地面–无人机–卫星 DNN 模型冬小麦预测可迁移性对比三角形为 2021–2022 年共 69 个样本，圆形为 2023–2024 年共 44 个样本；橙色、蓝色、绿色分别代表苏北（NJ）、苏中（CJ）、苏南（SJ）。
图14.两季江苏省冬小麦产量预测空间分布图：（A–B）地面–卫星模型；（C–D）最优地面–无人机–卫星 DNN 模型左列为 2021–2022 季，右列为 2023–2024 季；图中柱状图为各产量等级对应面积占比。
图15.睢宁县（A–C）地面–卫星 DNN 模型与（D–F）最优地面–无人机–卫星 DNN 模型冬小麦产量预测图（A）、（D）2021–2022 年；（B）、（E）2022–2023 年；（C）、（F）2023–2024 年。