An agronomically informed framework for temporally transferable yield prediction
Ricardo Canal Filho · José Paulo Molin · Patrick Filippi 等 6 人
提出农学知情框架，结合最优物候期与密度产量制图，实现跨季节可迁移的产量预测。
利用卫星植被指数与最优物候期选择，结合密度产量制图DBYM，在巴西和澳大利亚多作
仅用最优物候期输入即可跨季节强预测，DBYM提升空间一致性，精度与机器学习方法相当。
可探索将农学知情时间选择与深度时空模型结合，提升无产量监测系统田块的跨区域迁移能力。
提出农学信息驱动的跨季可迁移产量预测框架，多作物多国验证，方法新颖且实用，值得进入每日精选。
摘要 目的 产量图对农业决策至关重要，但现有方法往往针对特定作物或机器，限制了其更广泛的适用性。方法 本研究引入了一个基于农学知识的时间可迁移产量预测框架，该框架将最佳物候时刻（OPM）选择与空间产量再分配策略——基于密度的产量制图（DBYM）相结合。该框架依赖于在具有生理意义的作物阶段获取的卫星影像所衍生的植被指数，以及独立已知的田块尺度产量值来指导空间产量分配。该方法在巴西和澳大利亚的商业田块中进行了评估，涵盖10个生长季，涉及咖啡、甘蔗和小麦在人工与机械化生产系统下的种植。除DBYM外，还评估了使用相同OPM衍生输入的简单线性回归基线，以探究基于农学知识的时间输入选择本身的贡献。结果 结果表明，仅基于OPM的输入已在各生长季提供了较强的预测能力，而DBYM改善了预测的空间一致性，尤其是在校准样本稀疏的情景下。一致性指数范围为0.73至0.94，同时所有DBYM预测的Moran双变量指数均显著（p < 0.01），证实了观测产量模式与预测产量模式之间的空间一致性。RMSE值与机器学习和深度学习产量预测研究中报道的值相当，巴西咖啡为0.21至0.28 Mg ha⁻¹，甘蔗为5.43至6.22 Mg ha⁻¹，小麦为0.15至0.26 Mg ha⁻¹，澳大利亚小麦为0.44至0.61 Mg ha⁻¹。结论 结果表明，预测性能可能受到获取时机农学相关性的影响。通过将基于农学知识的时间输入与灵活的空间再分配框架相结合，DBYM能够将产量图时间序列扩展至多个生长季，并为缺乏专用产量监测系统的田块提供了一种可扩展且资源高效的精准农业应用替代方案。