甘肃农业大学刘立群教授等:基于多模态数据融合的冬小麦区县级产量预

为实现大范围、准确且高效的冬小麦产量预测，该研究提出了一种基于多模态数据融合的深度学习模型。利用地表反射率数据和全球陆地数据同化系统数据大范围获取的优势，有效融合多源数据，提升模型的预测精度。利用卷积神经网络（convolutional neural networks, CNN）提取遥感影像的空间特征，并引入卷积注意力（convolutional block attention module, CBAM）来抑制背景区域的干扰，同时结合跨分支交叉注意力块（cross-branch cross-attention block, CCAB）捕捉冬小麦生长周期中关键生育期的时序依赖关系。为整合历史产量信息，模型引入了门控循环单元网络提取历史产量的时序特征，并通过动态门控机制（dynamic gated fusion module, DGFM）自适应地融合多源特征，从而更准确地反映长期趋势与年际波动。

结果表明，模型的决定系数为0.909，均方根误差（root mean squared error, RMSE）和平均绝对误差（mean absolute error, MAE）分别为512.97和377.08 kg/km²，精度明显优于传统机器学习算法，与CNN-LSTM-Attention模型相比，R²提高了6.69%，RMSE与MAE分别降低了18.28%和15.51%。

消融试验表明，CBAM可以有效抑制背景噪音的影响，增强模型对冬小麦种植区域的关注。CCAB和DGFM则通过早期特征融合与动态调整，从而提升预测精度。模型表现出良好的早期预测能力，使用播种至孕穗期数据进行预测的RMSE为531.95 kg/km²，相较于使用全生育期数据低3.6%，表明模型可以在冬小麦成熟前50 天左右提供准确预测，数据贡献度分析表明，地表反射率数据是影响预测精度的关键因子。此外，通过逐年验证证明了模型具有良好的年份鲁棒性。

该研究为构建准确、可靠的作物产量预测系统提供了新的思路。