Time Series Extrinsic Regression for Smart Agriculture: Field‐Level Crop Yield Prediction From Multisource Agricultural Time Series
Amalia Vanacore · Armando Ciardiello · Gennaro Pio Auricchio 等 5 人
将田块级作物产量预测建模为时间序列外回归，比较多源农业时间序列上的神经与非神经方法。
Sentinel-2植被指数、ERA5-Land气象与葡萄园静态属性，对比LST
条件LSTM在跨年份时间泛化最优，非神经方法在空间泛化到新地块时仍有竞争力。
可探索多作物、多区域下TSER模型迁移性与不确定性量化，及与农事决策系统耦合。
将时间序列外在回归引入田块级产量预测，方法新颖、结论有对比依据，但属学术论文，产业影响有限。
摘要 农业中时间数据的日益丰富为数据驱动的决策支持系统创造了新的机遇，旨在提高农业系统的效率、可持续性和适应性。遥感平台、气象相关数据集和田间管理记录提供了整个生长季作物发育和环境状况的信息。在此背景下，作物产量预测、灌溉需求评估和养分需求估算等预测任务可以自然地表述为时间序列外在回归（TSER），这是一种监督学习任务，即从一个或多个时间序列中预测连续目标变量。本文在智慧农业领域内介绍TSER，并研究其利用多源农业时间序列进行田块级作物产量预测的适用性。本研究采用基于田块的时间方法，对Sentinel-2观测数据进行处理以导出植被指数时间序列，在地块尺度上进行空间聚合，并与ERA5-Land气象相关变量及静态葡萄园属性相整合。在时间泛化和空间泛化情景下，比较了具有代表性的神经与非神经TSER方法。结果表明，TSER为从异质农业时间序列进行作物产量预测提供了一个合适的监督学习框架。条件LSTM在跨年份的时间泛化下取得了最佳整体性能，而非神经方法在向未见葡萄园地块的空间泛化下仍具有竞争力。这些发现表明，TSER能够支持智慧农业中的田块级预测建模，模型选择取决于目标泛化设置、数据可用性和操作约束。