编辑推荐：
一种基于人工智能的新型系统仅需有限的本地数据即可生成巴西全国高分辨率大豆产量图，从而提高这一关键农业区的产量估算精度，并有望为全球大豆市场带来战略优势。伊利诺伊大学厄巴纳-香槟分校的研究人员最新发表的这项研究成果展示了一种创新方法，即使在直接报告的本地产量数据非常有限的地区，也能对巴西大豆进行高精度的全国产量估算。
伊利诺伊州厄巴纳——一种基于人工智能的新系统仅使用有限的本地数据即可生成巴西各地的高分辨率大豆产量图，从而提高这一关键农业区的产量估算，并有可能为全球大豆市场带来战略优势。
伊利诺伊大学厄巴纳-香槟分校的研究人员最新发表的研究表明，即使在直接报告的当地产量数据非常有限的地区，也能对巴西大豆进行高性能的全国产量估算。
通过借鉴美国早期研究中积累的知识，运用所谓的“人工智能迁移学习”，该研究团队利用巴西州级大豆产量数据，实现了市级层面的详细产量预测。这是巴西农业领域首批成功实现全国范围跨尺度人工智能产量预测的应用之一。
这些发现已在《 国际应用地球观测与地理信息杂志》上发表的一项新研究中进行了概述。
解决关键的全球数据缺口
尽管巴西目前是世界上最大的大豆生产国和主要的全球食品出口国，但巴西大豆的高分辨率产量数据仍然十分匮乏。这些数据对于精准农业、风险管理和可持续发展规划至关重要，而数据的稀缺阻碍了人们对这一重要农业区域的科学认知。以往的作物产量模型——依赖于粗略的州级数据来预测市级或田间级别的产量——在全国范围内的表现有限。
伊利诺伊州的研究团队开发了一种新的框架，通过整合卫星观测、气候数据和州级产量统计数据，利用人工智能迁移学习技术以及从其美国模型中学到的知识，更精细地预测全国大豆产量。
值得注意的是，该巴西大豆模型在不使用任何市级产量数据的情况下，就实现了出色的预测性能。作为衡量模型有效性的关键指标，新模型的解释方差（R2）比传统的跨尺度研究提高了一倍。当纳入市级数据后，模型性能进一步提升（R2 为 0.57），与依赖更丰富数据的现有最佳方法相当。
迁移学习的力量
该研究的一项关键创新在于运用了人工智能迁移学习技术，使科学家能够复用现有模型，而无需在每个地区从零开始构建模型。这使得在那些收集大量本地数据成本高昂、耗时或不切实际的地区，也能生成详细的农业信息。
这项研究将一个用于预测美国大豆产量的高级模型应用于巴西的种植条件。研究人员仅使用巴西州级数据或少量市级数据对美国模型进行微调，从而能够解释两国在气候、作物物候和管理措施方面的差异。
产量数据的空间分布图显示了每个市镇所有有效年份的收获面积加权平均大豆产量（左图）；以及每个市镇所有有效年份的标准差。图片来源：发表于《 国际应用地球观测与地理信息杂志》的论文。
第一作者张嘉颖解释说：“这种方法将跨尺度产量预测的有效性从理论上限的50%提升到了78%，我们把理论上限定义为使用高度详细的局部产量数据训练的模型所能达到的最佳性能。结果表明，人工智能驱动的迁移学习可以克服农业建模中数据稀缺和可扩展性方面的挑战。”
对全球收益率预测的影响
这些发现正值全球大豆市场的关键时刻。
2018年，巴西首次超越美国，成为全球最大的大豆生产国 。详细监测和预测大豆产量对于了解全球大豆供应以及巴西大规模农业对环境的影响至关重要。提高大豆产量的可预测性将有助于更准确地评估供需关系、土地利用变化以及土壤健康影响，从而为更明智的决策提供依据。
“对于美国大豆生产商而言，能够高精度地监测和预测区域和全球的作物产量，在市场分析、贸易预测和风险评估方面具有重要的战略意义，”该项目负责人兼资深作者、伊利诺伊大学莱文尼克捐赠教授兼 农业生态系统可持续发展中心主任关凯宇表示 。
该研究为在数据匮乏的地区应用先进的产量模型提供了一条途径，从而支持粮食安全规划、气候风险管理和循证农业政策。通过利用在数据丰富的地区训练的模型并将其应用于数据稀缺的地区，该方法为实现经济高效的全球农业智能开辟了新的机遇。
该研究题为“跨尺度路径中提高作物产量预测的迁移学习：以巴西国家大豆为例”（DOI：10.1016/j.jag.2025.104981）。
这项研究得到了美国国家科学基金会和美国农业部的支持。
