融合生长曲线与数据变换的稳健跨年度棉花产量预测：基于无人机影像与机器学习的方法

《Smart Agricultural Technology》：Integrating Growth Curves and Data Transformation for Robust Cross-Year Cotton Yield Prediction Using UAV Imagery and Machine Learning

　　

研究人员针对精准农业中跨年度与跨地点棉花产量预测的稳健性问题，提出了一种结合时间序列无人机多光谱植被指数(Vegetation Indices, VIs)曲线下面积(Area Under the Curve, AUC)与分位数变换域适应的机器学习框架。研究于2018、2019及2025年在德克萨斯高平原棉田采集无人机多光谱影像与地面产量数据，计算归一化植被指数(NDVI)、绿光归一化植被指数(GNDVI)及归一化红边指数(NDRE)，并通过线性插值与Savitzky-Golay滤波获得每日分辨率的时间序列。研究人员提取种植后0至140天(DAP)的AUC作为特征，采用分位数变换对齐不同年份的特征与产量分布，利用随机森林(Random Forest, RF)、贝叶斯岭回归(Bayesian Ridge Regression, BR)与支持向量回归(Support Vector Regression, SVR)模型进行预测，并以留一年交叉验证评估性能。结果显示，0–140 DAP的AUC优于早期窗口，且分位数变换将跨年度测试的平均决定系数(R2)由负值提升至0.44，均方根误差(RMSE)降至0.06 kg/m2，最优模型R2达0.61。该方法有效缓解了数据采集日期不一致与跨年度、跨地点域偏移问题，可在不同品种、环境与管理条件下实现稳健的产量预测，并可扩展至田间与区域尺度，为资源优化与政策制定提供支持。

研究背景与意义

棉花产量受基因型、环境与管理的复杂交互作用影响，具有显著的时空异质性。传统基于单期遥感数据的产量预测模型易在特定环境下过拟合，导致跨年度与跨地点应用时性能下降。无人机遥感可获取高时空分辨率的多光谱影像，植被指数时间序列能够反映作物生长动态，但直接跨年度建模面临数据分布偏移与采集日期不一致的挑战。本研究由 Yazhou Sun、Zhe Lin 与 Wenxuan Guo 完成，发表于《Smart Agricultural Technology》，旨在构建稳健的跨年度棉花产量预测框架，以支持精准农业管理与区域决策。

关键技术方法

研究在德克萨斯高平原的两个试验点（New Deal 与 Quaker 农场）开展，涵盖2018、2019与2025三个生长季，样本包括不同棉花品种、灌溉与氮肥处理的小区。无人机搭载 MicaSense RedEdge 系列传感器获取多光谱影像，经辐射校正与正射拼接后计算 NDVI、GNDVI 与 NDRE。时间序列经插值至每日分辨率并使用 Savitzky-Golay 滤波平滑，计算不同时间窗（60–160 DAP）的 AUC。采用分位数变换将各年份 AUC 与产量分布对齐为标准高斯分布，随后使用 RF、BR 与 SVR 模型进行预测，并通过留一年交叉验证评估性能。

研究结果

季节性植被指数动态

不同年份植被指数的峰值与曲线形态存在显著差异，2025 年生长最强，2018 年最低，2019 年居中且物候延迟，表明存在显著跨年度域偏移。

特征分布与域偏移

原始 AUC 与产量分布在年份间差异明显，2025 年均值显著高于其他年份；分位数变换成功将各年份特征与产量对齐至相同标准分布，消除幅度偏差并保持内部排序。

模型性能评估

AUC 时间窗越长，预测性能越好，0–140 DAP 达到最佳，延伸至 160 DAP 无显著提升。未经变换的数据在跨年度测试中多数呈负 R²，变换后平均 R²提升至 0.44，BR 在 2018 年测试集达 0.68，SVR 整体表现最优（平均 R²= 0.46）。变换后单期植被指数与 AUC 均表现稳健，但 AUC 在稀疏观测年份更具优势。

讨论与结论

分位数变换同时作用于特征与产量，可有效克服跨年度分布偏移，避免模型因训练与测试年份分布差异而失效。AUC 能综合反映全生育期的光合积累，其生理意义在于覆盖开花至棉铃发育的关键阶段，140 DAP 为最佳积分终点。相比单期影像，AUC 对采集日期不一致更具鲁棒性。该方法在田间与区域尺度均具应用潜力，可支持精准灌溉、施肥与政策制定。局限包括对相对排序关系的依赖及稀疏数据插值可能引入偏差。未来可结合过程作物模型（如 DSSAT）与 AUC 指标，提高在不同气候与土壤条件下的泛化能力。