卫星时序数据与不确定性量化：在伊朗多气候区实现田间尺度小麦产量预测的价值

《Smart Agricultural Technology》：The Value of Satellite Time Series and Uncertainty Quantification for Field-Scale Wheat Yield Prediction in a Multi-Climate Nation like Iran

针对全球粮食安全核心作物——小麦在伊朗多气候区、受环境挑战和数据质量限制下的田间尺度产量预测难题，本研究开发并验证了一个稳健的预测框架。通过融合Sentinel-2卫星影像与ERA5温度数据，并采用时间序列处理和月度最大值合成策略，系统比较了XGBoost和贝叶斯神经网络（BNN）。结果显示，BNN在所有气候区均表现更优，尤其在最具挑战性的干旱环境下获得最高精度，同时能提供预测不确定性量化，为精准农业和气候适应策略提供了可扩展且可靠的技术路径。

　　

在全球人口增长和气候变化加剧的双重压力下，确保小麦这一关键主粮作物的稳定生产，已成为维系全球粮食安全的基石。然而，这一任务在许多国家，例如地处中东的伊朗，面临着前所未有的严峻挑战。伊朗不仅水资源短缺，极端气候事件频发，土壤退化问题严重，其国土横跨从温和湿润到温暖干旱的多种气候类型，复杂的气候多样性使得统一、可靠的农业管理变得极其困难。更令人头疼的是，传统的作物产量预测模型往往依赖昂贵且难以大范围获取的田间实测数据，而新兴的卫星遥感技术虽能提供大范围监测，却又饱受云层遮挡等数据质量问题的困扰。此外，现有的预测模型常常在单一气候区表现良好，一旦应用到其他气候区，预测效果便大打折扣，这种“水土不服”极大地限制了它们的广泛应用价值。那么，能否开发出一种既能适应复杂多变气候、又能克服数据缺陷，还能精确到具体田块的产量预测新方法呢？这正是发表在《Smart Agricultural Technology》期刊上的这项研究试图回答的核心问题。

研究人员为此设计了一套系统性的研究方法。他们首先与伊朗农业保险基金合作，获取了2019至2024年共六年间，覆盖全国五个主要小麦种植气候区的雨养冬小麦田块边界及历史产量数据。技术核心在于数据的融合与处理：利用Google Earth Engine平台，为每个田块提取了Sentinel-2卫星的Level-2A地表反射率数据（重点关注近红外Band 8和两个短波红外波段Band 11、12），以及ERA5再分析数据集的多种温度数据（包括2米气温和不同深度的土壤温度）。为了应对云层干扰，他们创新性地采用了两种数据处理策略进行比较：一种是“时间序列”方法，保留作物生长季内逐月的波段最大值；另一种是“累加”方法，将整个生长季的月度最大值进行求和。在此基础上，研究团队选取了两种具有代表性的机器学习模型进行预测性能比拼：一是以强大预测能力著称的XGBoost算法，二是能够为预测结果提供“置信区间”的贝叶斯神经网络。通过对模型在不同气候区和不同数据场景下的表现进行系统评估，他们旨在找到最可靠、最普适的预测方案。

研究结果清晰地揭示了不同因素对预测精度的影响。首先，特征分析表明，原始的短波红外光谱波段比常用的植被指数更具预测力。敏感性分析显示，在气候区4，仅使用归一化差异植被指数（NDVI）的预测效果很差。逐步加入温度数据后，模型性能显著提升。最关键的是，直接使用Sentinel-2的原始波段（B8， B11， B12）进行预测，其归一化均方根误差比使用NDVI、NDWI、GNDVI等组合植被指数降低了约17%，这说明机器学习模型更善于从原始光谱数据中挖掘有效信息。相关性热图进一步证实，在不同气候区，短波红外波段和温度特征与小麦产量普遍呈现中度到强度的负相关关系，尤其在生长中后期（如4-6月）最为明显。

其次，时间序列数据处理方法全面优于数据累加方法。无论使用哪种模型，保留月度时序信息都能带来更准确的预测。对于时间序列场景，所有气候区的平均归一化均方根误差范围在0.21至0.46之间；而采用累加方法时，误差范围则升高到0.26至0.54。特征重要性分析为这一现象提供了佐证：XGBoost模型将近红外波段、短波红外波段和2米气温列为最重要的预测特征，而这些特征随时间的动态变化蕴含了作物生长的关键信息。

第三，也是最具亮点的发现：贝叶斯神经网络在几乎所有气候区和数据场景下，其预测精度和稳健性都 consistently 优于XGBoost。具体到各个气候区：

• •
  气候区1（凉爽干旱）：在时间序列场景下，BNN的确定系数R²达到0.871，优于XGBoost的0.841。
• •
  气候区2（温和湿润）：BNN在时间序列下R²为0.861，表现最佳。
• •
  气候区3（寒冷温带半干旱）：BNN取得该区最佳成绩，R²为0.859。
• •
  气候区4（凉爽半湿润）：这是预测条件最优越的区，BNN在时间序列下达到了惊人的R²=0.912，是所有区域中的最高值。
• •
  气候区5（温暖半干旱）：作为最具挑战性的环境，BNN仍以R²=0.895领先。

更为重要的是，BNN不仅能给出一个预测数值，还能通过其概率框架输出预测的不确定性范围（通常以置信区间的形式展现）。在结果图表中，BNN的预测点周围伴随着表示不确定性的阴影区间，区间越窄，表示模型对该预测越有信心。这种“知其然，更知其不确定性”的能力，对于农业风险管理、保险定损和精准农事决策具有不可估量的价值。

综合以上结果，本研究得出了明确且有力的结论。研究证实，融合高分辨率Sentinel-2时序光谱数据与ERA5温度数据，能够有效构建适用于复杂多气候区的田间尺度小麦产量预测模型。在数据处理策略上，保留月度最大值的时间序列方法显著优于对生长季数据进行简单累加的方法，因为它更好地捕捉了作物生长的动态过程。在模型选择上，贝叶斯神经网络不仅在所有测试的气候区展现了比XGBoost更优的预测精度，其独有的不确定性量化能力更是为结果赋予了可信度评估，这在农业生产实践中至关重要。值得注意的是，即使在最为干旱恶劣的气候区5，该框架依然取得了出色的预测效果，证明了其强大的适应性和鲁棒性。

这项研究的成功，标志着小麦产量预测向更精准、更可靠、更具实操性的方向迈出了关键一步。它不仅为像伊朗这样面临多重环境压力的国家提供了一套经过多气候验证的、可扩展的技术解决方案，更重要的是，它将“不确定性”这一概念引入了农业预测领域。未来，农场主和决策者看到的将不再是一个孤立的预测数字，而是一个附有“误差条”的科学估计，这能帮助他们更好地理解风险、制定应对策略。因此，该研究不仅推动了精准农业技术的发展，也为在全球变化背景下增强农业系统韧性和保障粮食安全提供了强有力的科学工具。