Resonon | 多应力融合与跨周期学习：高光谱遥感赋能小麦早期产量预测

多应力融合与跨周期学习：

高光谱遥感赋能小麦早期产量预测

作物产量预测是评估田间管理效果与辅助育种决策的关键环节。相较于传统作物模型依赖多源复杂参数，机器学习模型结合遥感技术，能以无损、高通量的方式实现作物表型监测与产量预测。尽管如此，现有模型在实际应用中仍面临两大挑战：

（1）早期预测精度不足：作物冠层结构对干物质积累的影响随生长期推进而增强，导致依赖形态变化的模型在早期预测精度受限，难以满足育种早期决策需求；

（2）复合胁迫下的泛化误差：田间环境复杂，水氮胁迫往往联合发生。年份间的环境变异及胁迫组合差异，导致模型在面对与训练集分布不同的目标样本时，产生显著的泛化误差。

基于此，中国农业科学院陈震老师团队联合河南大学、邢台农科院等团队在《Agricultural Water Management》发表研究。团队以水氮联合胁迫下的冬小麦为研究对象，结合无人机高光谱遥感数据，提出了一种基于多胁迫数据融合的可解释跨周期集合学习框架（APEL），研究证实，该方法显著提升了模型在复杂胁迫环境下的预测精度与泛化能力，为作物早期产量预测提供了高精度、可解释的技术支撑，对推动智慧农业发展与节水育种实践具有重要的科学意义与应用价值。

图1.研究区域和实验设计。

研究区域：研究在河南省新乡市的中国农业科学院新乡综合试验基地和河北省农林科学院的Yanli试验基地两个试验站点开展了为期两年（2022-2024）的田间试验；

研究对象：冬小麦，新乡10个河南主栽冬小麦品种；邢台在此基础上增加5个河北本地品种；

胁迫处理：

2023年：分别设置了水分亏缺（W1-W6，6个梯度）和氮素亏缺（N1-N6，6个梯度）的平行试验；

2024年：基于首年结果，筛选出4个水分和4个氮素梯度，交叉组合构建16个水氮联合胁迫处理；

数据采集：利用机载Resonon Pika L高光谱成像仪的方式获取抽穗期与灌浆期冠层反射率数据，使用ASD Fieldspec 3地物光谱仪同步采集地面测量数据，二者进行数据比对，以验证无人机数据的准确性；

Pika L高光谱成像仪光谱参数：

光谱范围：400-1000 nm；

光谱通道数：281；

空间通道数：900；

光谱分辨率：2.7 nm；

像素尺寸：5.86 μm；

采样频率：1.07 nm；

狭缝宽度：12 μm；

数据处理：创新性的提出多胁迫数据集融合策略，整合单胁迫样本提升联合胁迫泛化能力。构建跨周期集成学习（APEL）框架，利用历史灌浆期模型经历史抽穗期更新实现早期预测。模型基于 PLSR 结合多随机采样与多阶段集成，采用VIP和SHAP对模型进行可解释性分析，并经跨年度独立验证。

图2.方法概述：（a）2024年实验水氮联合胁迫处理梯度选择;（b）无人机高光谱插值和滤波处理期间的波形;（c）跨时期集合框架和多随机采样策略的概念图。

图3.（a）实测产量表现；（b）组合胁迫条件下的模型性能下降；（c）不同数据集组合下的训练效率。

图4.基于不同数据集和方法训练的每个模型的性能总结。

图5.（a）各目标样本的跨波长特征的SHAP值；（b）基于SHAP和VIP的高光谱特征重要性；（c）2022-2024年生长周期内两个站点的降水模式；（d）两个站点太阳辐射的年际变化。