利用光学与雷达遥感结合机器学习在关键物候期预测小麦产量

这对我们的粮食未来意味着什么

在气候变暖且水资源紧张的情况下，养活不断增长的人口需要在联合收割机进入田间之前很久就知道农民将收获多少谷物。该研究展示了科学家如何利用卫星与人工智能在伊朗一处干旱地区估算小麦产量，能够在收获前约50天提供可靠预测——足够早以指导用水、施肥、贸易决策并采取防止短缺的措施。

受压的干燥平原

该研究聚焦于卡兹温平原（Qazvin Plain），这是伊朗北部的一个主要小麦种植区，既高产又长期缺水。降雨稀少且不稳定，气温偏高，农民高度依赖有限的地下水和山地径流。在这样的干旱景观中，仅凭过往经验或简单的气象统计来估产风险很大。传统作物模型需要关于土壤、管理和气候的详细数据，而这些数据常常不可得。作者转而利用丰富的信息来源：卫星影像，这些影像记录了大片农田每周的亮度和绿度变化。

从太空观测作物健康

研究团队将欧洲的Sentinel‑2光学影像与Sentinel‑1雷达影像结合使用。光学传感器类似分辨率很高的数码相机，捕捉从蓝光到近红外的多波段反射光。他们基于这些波段计算出16个不同的“绿度”和水分相关指标，以揭示小麦冠层的密度、茂盛程度和水分胁迫状况。研究聚焦于两个关键生长阶段：四月中旬的分蘖期（Tillering），当作物产生决定产量潜力的分枝；以及五月中旬的抽穗期（Anthesis），作物达到最高绿度并准备灌浆。

在光照不足时用雷达来“听”

Sentinel‑1的雷达提供了另一种视角。它不依赖太阳光，而是发射微波脉冲并测量回波，回波受植物结构以及植被和土壤水分的影响。这在多尘、多云或植被稀疏的区域尤为有用，在这些地方光学信号容易被裸土和大气干扰。研究者从两个极化通道导出了简单的雷达指标，并将其与光学指数和基本地形信息（如海拔、坡度和田块朝向）融合。

教机器识别产量模式

利用189块监测良好的小麦田的卫星衍生变量，作者训练了三类计算模型来预测产量：标准线性回归、能捕捉非线性关系的支持向量机，以及由多棵决策树组成的随机森林。他们将数据分为70%用于训练，30%用于测试模型性能。总体而言，来自抽穗期的卫星信息比分蘖期更具信息量。仅在抽穗期使用Sentinel‑2与地形数据的随机森林模型表现最佳，在测试田块上约能解释90%的产量差异，平均误差仅约每公顷三分之一吨。

最关键的影响因素

通过分析随机森林最依赖哪些输入，研究发现表征冠层密度、旺盛度和水分状态的指数贡献最大。类似经典绿度指数和一个水分敏感性指数是主要贡献者，而原始波段和地形变量的作用相对较小。当加入雷达指标时，模型对训练数据的拟合略有改善——暗示雷达确实捕捉到了关于水分和结构的有用额外信息——但测试误差有所上升。这一模式表明存在适度的过拟合倾向，即模型学到了训练样本中特定的噪声而非通用规律。即便如此，整合所有输入使研究者得以绘制出整个平原的精细产量图，揭示低产口袋与高产区之间的显著差异。

对农民和规划者的意义

简而言之，该研究表明，经过精心处理的光学卫星影像，结合现代机器学习方法，能够在严酷且缺水的环境中提供准确的田块尺度小麦产量预测。雷达可能带来有价值的补充信息，但在此例中尚未优于更简单的仅光学方案。所生成的早季产量图可帮助把有限的灌溉水和肥料定向投入最需要的地方，在损失严重之前标记脆弱区域，并为区域粮食供应规划提供依据。尽管工作仅针对伊朗一处平原和单一生长季，该方法为在全球干旱地区用空间监测和人工智能增强粮食安全提供了可复制的蓝图。

引用: Navidi, M.N., Fazli, E., Kharazmi, R. et al. Wheat yield prediction using integrated optical and radar remote sensing with machine learning across key phenological stages. Sci Rep 16, 10470 (2026). https://doi.org/10.1038/s41598-026-41501-7

关键词: 小麦产量预测, 遥感, 卫星农业, 机器学习, 干旱区