文章标题：Improved prediction of winter wheat yield at regional scale with limited ground samples by unmanned aerial vehicle and satellite synergy
发表期刊：Remote Sensing of Environment
出版时间：2026.3.15
第一作者：熊源
通讯作者：程涛教授
通讯单位：国家信息农业工程技术中心、教育部智能农业工程研究中心
对冬小麦产量进行快速、精准且大规模的季内预测，对于提升粮食安全水平和指导农业政策至关重要。传统的基于卫星影像的数据驱动方法在大规模冬小麦产量预测中面临挑战，主要原因是可用于模型训练的地面采样数据有限。尽管无人机（UAV）影像已与卫星影像结合用于生成监测植被动态的参考数据，但无人机与卫星技术在大规模冬小麦产量预测中的跨尺度样本增强与信息融合协同效应尚未得到充分研究。本研究提出了一种创新框架，将地面数据、无人机数据和卫星数据与数据驱动算法相结合，从而无需额外采集田间实测产量样本即可提升区域尺度的产量预测精度。
1.数据获取
在江苏省六个县的冬小麦关键生长期,包括拔节，抽穗期和抽穗以及灌浆期，获取了1m分辨率的无人机多光谱影像和10m分辨率的Sentinel-2卫星影像，并结合连续三个季节的地面实测产量数据进行分析。
2.模型构建
首先在地块尺度上，利用地面实测数据和无人机影像构建基于XGBoost算法的地面-UAV模型进行产量预测，为样本增强提供基础。随后，将无人机预测结果上采样至10m网格，生成大量增强样本，并与卫星影像结合，构建区域尺度的地面-UAV-卫星模型。研究评估了包括XGBoost、RFR、SVR和DNN四种回归算法，其中DNN模型表现最佳。
3.样本优化策略
提出了一种基于空间变异性的样本优化策略。通过计算像素内纹理特征如熵（Entropy）和冬小麦植被覆盖度（WWVF）等指标，剔除空间变异性高的样本，以优化训练数据集。利用Kullback-Leibler散度（KLD）分析确定最优的样本筛选阈值，从而构建最优的预测模型。
1.预测精度显著提升
与仅使用卫星数据的传统模型相比，结合UAV和卫星数据的协同模型显著提高了预测精度。其中，地面-UAV-卫星 DNN模型的提升最为显著，其R²从0.39提升至0.85，RMSE从1.05降至0.43 t/ha。在全省尺度的验证中，优化后的模型也表现出更优的准确性，R²达到了0.62，RMSE为0.9 t/ha ，并有效缓解了传统模型对高产的低估和对低产的高估现象。
2.纹理特征优于植被覆盖度
在样本优化策略中，利用抽穗灌浆期的熵值来剔除高空间变异性样本，比传统的植被覆盖度（WWVF）更能有效提高产量预测精度。这表明纹理特征更能捕捉像素内部由作物生长和管理引起的结构性变异。
3.模型具备强迁移性
最优的地面-UAV-卫星模型在不同年份间表现出良好的时空迁移能力。在2021-2022和2023-2024两个独立季节的测试中，其预测精度均显著优于传统模型，能准确捕捉产量从南向北递增的梯度趋势，并揭示了不同年份高产区的空间分布差异。
尽管本研究提出的框架在区域尺度产量预测中表现出巨大潜力，但仍存在一些局限和改进空间。未来研究可考虑以下方向：
1.引入更多数据源
整合如累积降水、温度等气象数据以识别影响产量的胁迫因子；利用多传感器无人机数据获取更全面的信息，或探索超高分辨率卫星与中分辨率卫星数据的互补潜力，以平衡成本与精度。
2.改进算法策略
探索迁移学习或先进的域自适应算法，以应对大尺度预测中复杂的环境异质性，进一步提升模型在不同区域间的迁移能力。
3.细化研究对象特征
构建空间自适应的物候特征，以解决不同区域作物物候差异带来的挑战；深入探索如HOM、CON等其他纹理特征在解释像素内空间变异性中的作用。
图1. 研究区域位置及地面采样点与无人机飞行区块分布。
图3.技术流程图：通过整合多光谱无人机和卫星数据，预测区域尺度冬小麦产量的技术流程图。 清晰展示了从数据获取与预处理，到地块尺度产量预测，再到区域尺度产量预测及样本增强的完整技术框架。
图4.以卫星像元匹配的无人机影像为例，展示样本增强与跨尺度模型校准步骤。
图5.地面‑卫星与地面‑无人机 XGBoost 模型在六个县的产量预测精度。
图6.四种回归算法（XGBoost、RFR、SVR、DNN）在地面‑卫星与地面‑无人机‑卫星模型中的性能对比。
图8.样本增强后12个空间变异性指标与冬小麦产量的 Pearson 相关系数矩阵（n=75,154）。开花‑灌浆期熵（Entropy_F）负相关性最强（r=−0.61）。
图9.基于 Entropy_F（左）与 WVF（右）不同阈值范围下，各县地面‑无人机‑卫星 DNN 模型的 R²（A‑B）和 RMSE（C‑D）变化。Entropy_F 对精度提升影响更显著。
图10.三种样本优化策略下，六个县的地面‑无人机‑卫星 DNN 模型产量预测精度。
图11.2022–2023 年地面‑卫星模型（A‑C）与优化地面‑无人机‑卫星模型（D‑F）的省级验证及产量图。优化模型精度更高（R²=0.62），且能捕捉由南向北的增产梯度。
图12.2022–2023 年地面‑卫星与优化地面‑无人机‑卫星 DNN 模型产量图细节对比。优化模型对边界的预测偏差更小，能更好区分低产与高产区域。
图13.地面‑卫星模型（A‑B）与优化地面‑无人机‑卫星模型（C‑D）在 2021–2022 和 2023–2024 两季的跨季节可迁移性对比。优化模型在小麦高产区（NJ、CJ、SJ）的预测偏差显著减小。
图14.地面‑卫星模型（A‑B）与优化地面‑无人机‑卫星模型（C‑D）在 2021–2022 和 2023–2024 两季的江苏省冬小麦产量空间分布图。优化模型显示出稳定的南低北高趋势。
图15.SN 县的地面‑卫星模型（A‑C）与优化地面‑无人机‑卫星模型（D‑F）在三个年份的产量图。优化模型能有效捕捉田块间产量差异，而卫星模型存在显著低估。
UAV：无人驾驶飞行器（Unmanned Aerial Vehicle），简称无人机。指不需要人类驾驶、可通过远程控制或自主程序飞行的航空器。灵活机动、可搭载多种传感器（如RGB相机、多光谱仪、LiDAR），广泛应用于低空遥感、环境监测与农业调查。
WVF：冬小麦植被覆盖度（Winter Wheat Vegetation Fraction。定义为某一空间单元内冬小麦像元数占总像元数的比例，取值范围0到1。是描述地表覆盖纯度、进行混合像元分解的基础遥感指标。
KLD：Kullback-Leibler散度，亦称相对熵。信息论中用于衡量两个概率分布 PP 与 QQ 之间差异的非对称度量。定义为 DKL(P∥Q)=∑P(x)logP(x)Q(x)DKL(P∥Q)=∑P(x)logQ(x)P(x)。值越小表示分布越相似。
原文链接：https://doi.org/10.1016/j.rse.2026.115271
免责声明：图文仅用于科研学习交流，若侵犯版权请告知，我们将及时删除。
10个月宝宝每天需要喝多少奶粉？
