近日，中國科學(xué)院空天信息創(chuàng)新研究院遙感科學(xué)國家重點(diǎn)實(shí)驗(yàn)室全球農(nóng)情遙感速報(bào)系統(tǒng)（CropWatch）的吳炳方研究員與曾紅偉副研究員團(tuán)隊(duì)，聯(lián)合澳大利亞昆士蘭和南京農(nóng)業(yè)大學(xué)等團(tuán)隊(duì)，提出了多維度特征工程和極端梯度提升樹（XGBoost）耦合的美國縣級尺度大豆單產(chǎn)的預(yù)測框架，實(shí)現(xiàn)大豆單產(chǎn)的近實(shí)時(shí)動(dòng)態(tài)更新預(yù)測，量化了大豆單產(chǎn)預(yù)測的最關(guān)鍵物候期與主導(dǎo)關(guān)鍵因子，取得較好預(yù)測效果。

　　大豆是全球最主要的植物油和蛋白的提供者，是消費(fèi)量最大和大宗糧油期貨市場最活躍農(nóng)產(chǎn)品之一，大豆產(chǎn)量的及早精準(zhǔn)預(yù)測一直是農(nóng)業(yè)遙感與農(nóng)產(chǎn)品交易關(guān)注的焦點(diǎn)問題。美國是全球大豆生產(chǎn)和出口最多的國家之一，其大豆生產(chǎn)形勢的細(xì)微變化和產(chǎn)量的微小波動(dòng)，都將對全球大豆貿(mào)易產(chǎn)生很大的影響，因此，及早且準(zhǔn)確地預(yù)測美國大豆產(chǎn)量的變化對全球大豆貿(mào)易決策的制定至關(guān)重要。

　　影響大豆單產(chǎn)的形成與大小的影響因子眾多，氣象條件、土壤與大豆生產(chǎn)形勢等的變化都將影響大豆單產(chǎn)大小。因此，科研團(tuán)隊(duì)在預(yù)測框架的多維特征設(shè)計(jì)時(shí)，耦合了衛(wèi)星植被狀態(tài)因子、物候信息、氣象、土壤、灌溉、干旱、地理位置和作物圖層信息，以盡可能反映各因子對大豆單產(chǎn)的潛在影響。

　　在方法模型的選擇方面，該研究綜合比較了XGBoost與線性回歸（LR）、隨機(jī)森林（RF）、K近鄰（KNN）、人工神經(jīng)網(wǎng)絡(luò)（ANN）、支持向量回歸（SVR）、長短期記憶（LSTM）和深度神經(jīng)網(wǎng)絡(luò)（DNN）模型的效果差異?；诹粢环?Leave-one-out)的預(yù)測效果評價(jià)表明，基于XGBoost模型的大豆單產(chǎn)預(yù)測R2達(dá)到0.82，RMSE為0.246 t/ha，在大多數(shù)年份的預(yù)測結(jié)果都優(yōu)于其它的模型。

　　在大豆結(jié)莢期，就可以對縣級尺度的大豆單產(chǎn)進(jìn)行較為準(zhǔn)確的預(yù)測，可為大豆總產(chǎn)預(yù)估和貿(mào)易決策提供及時(shí)有效的信息支持。影響大豆單產(chǎn)預(yù)測精度的因子眾多，并不依賴于少數(shù)幾個(gè)關(guān)鍵特征，其中結(jié)莢期的增強(qiáng)型植被指數(shù)（EVI）是影響大豆單產(chǎn)的最關(guān)鍵因素。未來，該框架將耦合CropWatch的作物圖層高精度監(jiān)測模塊，為該方法的業(yè)務(wù)化運(yùn)行提供支撐。

　　相關(guān)研究成果于2023年3月27日在TOP期刊《International Journal of Applied Earth Observation and Geoinformation》正式發(fā)表?？仗煸捍T士生李遠(yuǎn)超為論文第一作者，曾紅偉和吳炳方為論文的共同通訊作者。該研究得到了國家重點(diǎn)研發(fā)計(jì)劃（No. 2019YFE0126900）、國家自然科學(xué)基金(No. 41861144019)、ANSO略咨詢項(xiàng)目(ANSO-SBA-2022-02)，中國科學(xué)院青年創(chuàng)新促進(jìn)會(huì)項(xiàng)目和中國科學(xué)院空天信息創(chuàng)新研究院重點(diǎn)部署項(xiàng)目的支持。

　　論文信息：Li Y, Zeng H*, Zhang M, Wu B*, et al. 2023. A county-level soybean yield prediction framework coupled with XGBoost and multidimensional feature engineering[J]. International Journal of Applied Earth Observation and Geoinformation, 118: 103269., https://doi.org/10.1016/j.scitotenv.2023.162825.

　　論文鏈接：https://www.sciencedirect.com/science/article/pii/S1569843223000912

XGBoost與SVR和LSTM在典型年份的大豆單產(chǎn)預(yù)測空間誤差分布

 

與NASS公布的大豆產(chǎn)量對比