Agronomy丨精准农业中的多模式深度学习模型:基于无人机图像和气象数据的棉花产量预测

精准农业是现代农业提质增效、实现可持续发展的核心方向，产量预测作为其关键环节，可为水肥管理、收获规划与产业决策提供重要依据。传统作物产量模型如WOFOST、DSSAT 等，依赖大量预设参数与复杂生理过程模拟，难以适配动态环境下的非线性响应；常规机器学习方法虽能捕捉非线性关系，但需人工构建 NDVI、LAI 等光谱指数，易丢失无人机遥感图像原始空间特征信息。遥感技术是农田信息获取的重要手段，卫星遥感覆盖范围广但空间分辨率不足，无人机多光谱遥感则具备高时空分辨率优势，更适配小农户与地块尺度监测。气象因素是影响棉花生长与产量的关键变量，尤其花铃期极端高温、降水波动会显著干扰棉铃发育，然而现有基于 CNN 的无人机遥感模型，大多仅采用单模态图像数据，未充分融合气象信息，且复杂网络结构在小样本场景易出现过拟合问题，Transformer 模型又因计算复杂度高，难以满足高分辨率数据实时处理需求。

本研究以新疆昌吉棉花种植区为对象，聚焦棉花产量精准预测难题，构建融合无人机多光谱影像与气象数据的多模态深度学习框架。研究旨在优化CNN 特征提取结构与全连接层深度，明确气象数据融合方式对模型性能的影响，对比 AlexNet 与轻量化 2Conv CNN 的预测精度与计算效率；同时验证花铃期后周尺度气象数据融合的有效性，提升模型对田间时空异质性与气候胁迫的刻画能力，最终形成一套兼顾精度与效率的棉花产量预测方案，为小尺度农田精准管理与多源时空数据融合应用提供技术支撑。

研究内容:

本研究以新疆昌吉棉花种植区为研究区，于2023—2024 年开展田间试验，采集棉花花铃期无人机多光谱影像与地面实测产量数据，获取温度、降水、太阳辐射等逐日常规气象信息并按周、月尺度聚合。构建融合无人机遥感与气象数据的多模态深度学习模型，设置两种 CNN 特征提取结构（改进 AlexNet、轻量化 2Conv CNN）、三种全连接层深度与三种气象融合策略，共 18 组模型组合进行对比。

通过5 折交叉验证与 Z-score 标准化，采用 RMSE、R²、RMSPE 评估模型精度，结合方差分析与事后检验明确网络结构、气象数据类型对性能的影响。对比最优模型的预测精度、计算效率与空间分布稳定性，解析花铃期极端高温等关键气象因子对产量的调控效应。分析轻量化网络在小样本下的泛化能力，验证周尺度气象 late fusion 策略的优势，揭示多模态数据协同提升产量预测的机理，最终形成适用于田间实时监测的高效预测方案。

研究结论：

本研究构建融合无人机多光谱影像与气象数据的多模态深度学习模型，实现棉花产量高效精准预测。结果表明，融合花铃期后周尺度气象数据可使模型RMSE 降低 23.4%，显著提升预测精度，且铃期极端高温与预测误差呈显著负相关，气象因子贡献度在干旱年份可达 68%。

改进AlexNet 与轻量化 2Conv CNN 均表现优良，前者 RMSE 为 0.27 t/ha，后者为 0.33 t/ha，精度接近但计算效率提升 87.5%，更适合田间实时监测。方差分析显示，全连接层深度可显著降低预测误差，而 CNN 架构复杂度对精度无显著影响。空间预测表明，两模型均能反映产量空间异质性，AlexNet 预测范围更宽，2Conv CNN 稳定性更强。综上，多模态融合与轻量化设计可有效平衡精度与效率，为棉花精准管理与小尺度农田产量预测提供可行技术方案。

点击阅读原文浏览PDF 下载回复1