《Smart Agricultural Technology》：Machine Learning Approaches for Wheat Yield Prediction Integrating Biophysical Modeling and Remote Sensing: Effects of Sample Size, Dimensionality, and Transferability
編輯推薦：
為解決小麥產量精準預測的難題，本研究評估了整合哨兵二號（Sentinel-2）植被指數（VIs）與作物脅迫指數（Stress Index, SI）對機器學習（RF、GPR、XGBoost）模型性能的提升。結果表明，SI的加入顯著提升了模型的決定系數（R2），降低了均方根誤差（RMSE），有效促進了特征降維（VIs需求從11個降至6個）與跨區域（例如西澳大利亞）預測的穩健性。這為在數據有限條件下構建高效、可遷移的作物產量預測模型提供了新范式。
小麥，作為全球重要的主糧作物，其收成的豐歉直接關系著糧食安全與億萬人的餐桌。然而，傳統的產量預測方法常常依賴于費時費力的人工田間調查，難以滿足大范圍、及時監測的需求。隨著遙感技術的飛速發展，特別是像哨兵二號（Sentinel-2）這樣的衛星，能夠提供高時空分辨率的地表觀測數據，通過計算各種植被指數（Vegetation Indices, VIs），科學家們得以一窺作物的“健康狀況”與生長態勢。機器學習（Machine Learning, ML）模型，如隨機森林（Random Forest, RF）、高斯過程回歸（Gaussian Process Regression, GPR）和極限梯度提升（Extreme Gradient Boosting, XGBoost），在處理這些高維遙感數據、挖掘其與產量之間的復雜非線性關系方面展現了強大威力。但問題隨之而來：僅靠某個時間點的“綠色快照”（VIs）真的能準確預知最終的產量嗎？作物在生長季中默默承受的干旱、高溫等環境脅迫，其累積效應如何被量化并納入預測模型？此外，在實際應用中，訓練數據往往有限，模型也需適應不同氣候區的遷移預測，這些挑戰如何克服？為了回答這些問題，一項聚焦于澳大利亞小麥主產區的研究在《Smart Agricultural Technology》雜志上發表了其成果。
該研究巧妙地提出，將基于生物物理模型模擬的、能夠量化作物水分脅迫的動態過程指標——脅迫指數（Stress Index, SI），與遙感獲取的VIs相結合，共同驅動機器學習模型。研究團隊系統性地探討了這種整合如何影響模型在有限樣本下的學習效率、預測特征的維度精簡以及跨區域的空間遷移能力這三個關鍵方面。研究得出的核心結論振奮人心：SI的引入如同一劑“強心針”，普遍且顯著地提升了所有測試機器學習模型的預測精度與穩健性。具體而言，對于XGBoost模型，其決定系數（R2）從0.65提升至0.73，均方根誤差（RMSE）從0.67噸/公頃降至0.58噸/公頃。不僅如此，SI的加入還使得模型達到相近精度所需的VIs數量從大約11個減少到僅需5到6個，大大簡化了模型結構。更重要的是，當將在其他地區訓練的模型應用于獨立的西澳大利亞州進行測試時，包含SI的模型展現出了更優的遷移預測性能。這些發現有力地證明，整合反映作物生理脅迫過程的生物物理信息，能夠彌補單純依賴遙感光譜信息的不足，為構建更高效、更可靠、更具泛化能力的大尺度作物產量預測系統提供了關鍵思路。
本研究采用了幾項關鍵技術方法：首先，利用Sentinel-2衛星影像在作物綠峰期的數據，計算了包括NDVI、EVI、NDWI等在內的16種植被指數（VIs）。其次，基于地面氣象站數據（溫度、太陽輻射、風速、相對濕度等），通過Oz-Wheat作物模型模擬了開花期前后的日尺度作物脅迫指數（SI），其定義為實際蒸散與潛在蒸散的比值。研究數據來源于澳大利亞五個州（新南威爾士、維多利亞、西澳大利亞、昆士蘭、南澳大利亞）跨越五年（2016, 2017, 2021-2023）共375個田塊的聯合收割機實測產量數據。最后，研究使用了三種機器學習算法——隨機森林（RF）、高斯過程回歸（GPR）和極限梯度提升（XGBoost）進行建模，并通過交叉驗證、序貫前向特征選擇（SFS）等方法系統評估模型性能。
3.1. 脅迫指數、植被指數與產量的相關性矩陣
通過計算所有VIs、SI與產量之間的決定系數（R2）矩陣發現，VIs與產量普遍呈現中高度相關，其中NDMI、NDWI等指數相關性最高（R2約0.57）。脅迫指數（SI）本身與產量的單變量相關性為R2= 0.42。關鍵在于，SI與各VIs之間的相關性普遍較低（R2范圍0.11-0.24），這表明SI提供了獨立于傳統光譜信息之外的、反映環境脅迫的新維度。主成分分析（PCA）也證實SI與VIs主要分布在不同的主成分上。
3.2. 評估不同樣本量下的機器學習技術表現
通過逐步增加訓練樣本量（從30到260個）來測試模型性能。結果顯示，無論樣本量多少，加入SI均能提升所有三種機器學習模型的R2并降低RMSE。在樣本量極小（如30個）時，提升效果尤為顯著，例如GPR的R2從0.14大幅提升至0.39。這表明SI的引入極大地增強了模型在數據稀缺條件下的學習效率和預測穩定性。即使在充足樣本下，SI仍能帶來持續的性能增益。
3.3. 機器學習技術的空間遷移學習
為測試模型泛化能力，研究使用除西澳大利亞州外的數據訓練模型，并在西澳大利亞州的獨立數據集上測試。結果顯示，加入SI后，所有模型在跨區域預測中的表現均有改善。以XGBoost為例，其R2從0.65提升至0.73，RMSE從0.67降至0.58。GPR和RF模型也觀察到類似的R2提升和RMSE下降。這證明SI所包含的、基于過程的脅迫信息有助于模型更好地適應不同地域的環境變異，提升了空間可遷移性。
3.4. 利用脅迫指數降低機器學習技術的維度
通過序貫前向特征選擇（SFS）方法，研究比較了僅使用VIs與先加入SI再逐步添加VIs兩種策略下，模型達到最低RMSE所需的最少特征數。僅使用VIs時，三種模型都需要約11-12個VIs才能達到RMSE平臺期。而當SI作為首要特征被引入后，模型僅需再添加4-5個VIs（總共5-6個特征）即可達到相同甚至更低的RMSE值。這顯著降低了模型的輸入維度，簡化了模型結構，并有助于防止過擬合。
研究的結論與討論部分對上述結果進行了整合與升華。本研究證實，將生物物理模型衍生的脅迫指數（SI）與遙感植被指數（VIs）相結合，能夠系統性且顯著地提升機器學習模型在小麥產量預測中的表現。這種提升體現在三大方面：數據效率、模型簡潔性和空間泛化能力。SI提供了VIs所不能完全捕捉的、累積性的環境脅迫信息，這對于理解并預測氣候波動下的最終產量至關重要。在“基因型×環境×管理”（G×E×M）框架下，SI有效地代表了“環境”脅迫組分，與反映“管理”和“基因型”互作光譜表現的VIs形成有力互補。
本研究的意義超越了單純提升預測精度數值。它展示了一種可操作的框架，即通過整合過程驅動的生物物理理解與數據驅動的機器學習，來應對農業遙感中的核心挑戰——如何在有限數據下構建穩健、可遷移的預測模型。該方法減少了模型對大量訓練樣本和高維特征輸入的依賴，降低了計算成本和過擬合風險，同時增強了模型在新環境下的解釋能力和可靠性。這對于在廣袤且異構的農業景觀中實現精準農業管理、優化資源分配以及加強全球糧食安全預警系統具有重要的實踐價值。最終，論文強調，在農業機器學習模型中融入有針對性的、功能性的生物物理指標，是擺脫“黑箱”模型局限、增強模型可解釋性、準確性和可遷移性的關鍵途徑。
