1.        标题：利用机器学习方法结合可见光、荧光、热波段的遥感数据和环境数据估算我国县级玉米产量

北京师范大学张朝教授团队在《Remote Sensing》（2018年影响因子4.740）发表了关于估算我国县级玉米产量的文章，利用公开共享数据大尺度范围预测了中国2001-2015年县级玉米产量。

2.       研究背景和意义：随着人口增长和生物燃料消耗的增加，预计到2050年，全球粮食需求将翻一番。玉米是最重要的粮食作物，供养着世界上38%的人口。中国作为第二大玉米生产和消费国，产量占全球总量的21%。及时、准确的产量估算对保障全球粮食安全等至关重要。先前的研究主要利用可见光和近红外波段的植被指数或气象数据或者结合两种数据驱动作物模型或统计模型进行产量估算。但是，其他波段的遥感数据或者其他来源的与作物生长发育有关的地理空间数据还没有得到充分利用。另外，尽管联合使用多源数据能够提高产量预测精度，但哪种输入数据的组合能够得到做好效果尚不清楚。最后，虽然作物模型能够从机理上刻画基因(G)×环境(E)×管理(M)的影响，但是高质量的数据需求和大量的计算阻碍了其大范围的应用。相比之下，统计模型相对容易计算和推广。作为统计方法的直接继承，新兴的机器学习和深度学习方法在图像分类、语音识别、基因测序等众多领域展现了优势。但在农业领域的应用非常有限，其在产量估算中的表现与传统线性回归相比如何有待探究。

3.        创新点：

（1）该研究基于公开共享的多波段的遥感数据和环境数据利用机器学习和深度学习进行了大尺度的玉米产量预测；

（2）提出的方法也可推广应用到其他区域及其他作物的产量预测。

4.        论文标题：

Combining Optical, Fluorescence, Thermal Satellite, and Environmental Data to Predict County-Level Maize Yield in China Using Machine Learning Approaches

(DOI: https://doi.org/10.3390/rs12010021)

5.        研究方法：该研究对比了新近发现的SIF(Solar-induced chlorophyll fluorescence)与传统的EVI(Enhanced Vegetation Index)在产量预测中的表现。结合SIF，气象指标（热波段的地表温度(LST)、降雨和饱和水汽压差(VPD)）以及环境指标（表层土壤属性和空间位置信息），利用LASSO，RF，XGBoost和LSTM四种数据驱动方法，预测了2001-2015年县级玉米产量。

6.        重要结果：结果表明，虽然SIF能够直接反映作物的光合作用强度，但是在产量预测中的表现与EVI相当，这主要是由于当前可用数据较粗的分辨率和较低的信噪比（图1）。结合多源地理空间数据能够解释75%以上的产量变异，预测产量的空间分布和观测的产量格局高度吻合（图2）。研究发现抽穗期的SIF和营养生长期的极端高温和VPD贡献了更多的信息（图3）。土壤特性和管理因素包含了卫星和气候数据无法捕捉的与作物生长有关的独特信息（图4）。机器学习和深度学习方法显著优于线性回归（LASSO），相比之下，机器学习方法的计算效率更高泛化能力更强。

图1. SIF和EVI在产量预测中的表现。R2 和RMSE 为十折交叉验证的值

图2. 观测产量(a)和预测产量(RF (b), XGBoost (c) and LSTM (d))的空间分布

图3. (a)全生育期的气象数据结合特定阶段的SIF的预测R2。(b)全生育期的SIF结合特定阶段的气象数据的预测R2

图4. 四大玉米主产区XGBoost模型中的因子重要性排序

7.        论文引用：

[1]. Zhang L, Zhang Z, Luo Y, et al. Combining optical, fluorescence, thermal satellite, and environmental data to predict county-level maize yield in China using machine learning approaches[J]. Remote Sensing, 2020, 12(1): 21.

第一作者介绍：张亮亮：北京师范大学地理科学学部减灾与应急管理研究院博士研究生，研究方向是 气候变化影响与粮食生产适应。

E-mail: zhangliangliang@mail.bnu.edu.cn