RSE最新成果|南京农业大学程涛团队新突破!无人机+卫星协同,破解冬小麦产量预测“样本少、精度低”难题

图 6. 2022–2023 年 4 种回归算法在地面–卫星模型与地面–无人机–卫星模型下的冬小麦产量预测效果对比（A）、（E）XGBoost；（B）、（F）随机森林回归（RFR）；（C）、（G）支持向量回归（SVR）；（D）、（H）深度神经网络（DNN）。第一行为留一交叉验证（LOOCV）评估的地面–卫星模型（N=360）；第二行为 100 次建模中表现最优（R² 最高）的地面–无人机–卫星模型（N=15026）。黑色虚线为 1:1 参考线，红色实线为预测产量与（A）实测产量或（B）无人机升尺度产量的线性拟合线。

图 7.平均 SHAP 值；（B）SHAP 汇总图。（标注 “B” 表示拔节–抽穗期，“_F” 表示开花–灌浆期；植被指数以 “1”“2”“3” 结尾分别表示由 Sentinel-2 红边波段 1、2、3 计算得到。）。

图 8.2022–2023 年样本增强后冬小麦产量与 12 个空间变异指标的皮尔逊相关系数（r）（n=75154）其中 6 个指标标注 “_B” 对应拔节–抽穗期，6 个标注 “_F” 对应开花–灌浆期。因对角线对称，仅展示下三角部分。彩色相关系数 r 表示具有统计学显著相关性（p<0.05）。

图 9.2022–2023 年基于空间变异指标熵值_F（左列）与波形方差（WVF，右列）的地面–无人机–卫星 DNN 模型在不同条件下各县冬小麦产量预测精度（A）–（B）决定系数 R²；（C）–（D）均方根误差 RMSE。每种条件通过设定熵值_F 或 WVF 区间，排除高空间变异对产量预测的影响。为保证县域样本均衡，每种条件下从各县随机抽取 6000 个样本。

图 10.3 种组合条件（组合 1–3）下地面–无人机–卫星 DNN 模型在 6 个县的冬小麦产量预测精度（A）组合 1：熵值_F 区间为睢宁 0–0.4、如皋 0–0.5、淮安 / 兴化 / 吴江 0–0.6、灌云 0–0.7；（B）组合 2：熵值_F 区间为睢宁 0–0.5、如皋 0–0.6、淮安 / 兴化 / 吴江 0–0.7、灌云 0–0.8；（C）组合 3：熵值_F 区间为灌云 / 淮安 / 睢宁 / 兴化 / 如皋 / 吴江均为 0–0.4。为保证客观评估，从每个县随机抽取 2000 个样本作为测试集，所有组合使用同一测试集。

图 11.2022–2023 年基于（A–C）地面–卫星 DNN 模型与（D–F）最优地面–无人机–卫星 DNN 模型的精度验证及冬小麦产量空间分布图（A）、（D）分别为两模型基于全省地面实测的冬小麦产量预测精度；（B）、（E）分别为两模型反演的 2022–2023 年江苏省冬小麦产量空间分布图；（C）、（F）分别为两模型产量纬向剖面（阴影区域为标准误）。黑色虚线为 1:1 参考线，红色实线为线性拟合线，灰色阴影为 0.9 置信区间。每张产量图均附带各产量等级面积占比柱状图。

图 12.2022–2023 年地面–卫星模型与最优地面–无人机–卫星 DNN 模型冬小麦产量空间分布图对比第一行为 Sentinel-2 假彩色合成影像（红：绿波段，绿：近红外波段，蓝：红波段）；第一行黄色矩形为样方实测产量；最后两行黑色矩形为样方预测产量。子图（A）–（D）分别来自睢宁、兴化、如皋、吴江。

图 13.基于全省地面实测的（A–B）地面–卫星 DNN 模型与（C–D）最优地面–无人机–卫星 DNN 模型冬小麦预测可迁移性对比三角形为 2021–2022 年共 69 个样本，圆形为 2023–2024 年共 44 个样本；橙色、蓝色、绿色分别代表苏北（NJ）、苏中（CJ）、苏南（SJ）。

图 14.两季江苏省冬小麦产量预测空间分布图：（A–B）地面–卫星模型；（C–D）最优地面–无人机–卫星 DNN 模型左列为 2021–2022 季，右列为 2023–2024 季；图中柱状图为各产量等级对应面积占比。

图 15.睢宁县（A–C）地面–卫星 DNN 模型与（D–F）最优地面–无人机–卫星 DNN 模型冬小麦产量预测图（A）、（D）2021–2022 年；（B）、（E）2022–2023 年；（C）、（F）2023–2024 年。