融合多源遥感数据与迁移学习的倒伏胁迫下小麦产量综合估测模型优化研究

　　为解决倒伏胁迫下小麦产量快速精准估测难题，研究人员基于光谱-结构-温度多源遥感数据，系统评估了XGBoost、RR、RFR等六种模型在引入倒伏指数(LI)后的性能差异，发现堆叠集成学习(SEL)模型结合TCA/JDA迁移学习方法可将估测精度提升至R2=0.81，为灾害评估与农艺补救提供技术支撑。

　　

小麦作为全球主要粮食作物，其产量估测直接关系到国家粮食安全。然而倒伏现象会严重阻碍光合作用，导致减产高达20%-50%。传统估产方法依赖人工调查，效率低下且难以及时反映灾害影响。尽管遥感技术为快速监测提供了可能，但倒伏胁迫下多源数据融合机制不明、模型泛化能力不足等问题，制约着灾害评估的准确性。

针对这一科学难题，中国农业科学院的研究团队在《Journal of Integrative Agriculture》发表研究，通过整合无人机高光谱、激光雷达和热红外数据，构建了倒伏胁迫下小麦产量估测的创新框架。研究采用三步走策略：首先筛选对倒伏敏感的光谱指数(如NDVI₇₀₅
)和结构参数(如株高变异系数)，继而系统比较XGBoost(eXtreme Gradient Boosting)、岭回归(RR)等六种机器学习模型在倒伏后3天、12天及多时相融合场景的表现，最后引入转移成分分析(TCA)等迁移学习算法解决小样本建模问题。

关键技术包括：1) 基于FieldSpec4高光谱仪和DJI Matrice 600无人机平台的多源数据采集；2) 利用方差膨胀因子(VIF<10)筛选的21个特征参数；3) 堆叠集成学习(SEL)框架整合基模型输出；4) 平衡分布适配(BDA)算法实现跨区域知识迁移。

多源数据特征筛选揭示倒伏响应规律
通过方差分析和灰色关联度计算，发现倒伏后12天的叶绿素荧光参数Fv/Fm与产量相关性最高(r=0.82)，而结构参数中株高标准差对倒伏程度解释力达R2=0.71。热红外数据表明冠层温度与倒伏面积呈显著负相关(p<0.01)。

集成学习模型展现显著优势
在倒伏后3天，SEL模型R2达0.64，优于最优单体模型XGBoost(R2=0.58)。引入倒伏指数后，所有模型精度提升5.09%-8.19%，其中SEL在融合多时相特征时R2提升至0.73，均方根误差(RMSE)降低16.3%。

迁移学习突破小样本限制
当目标区域样本量仅占4%时，经JDA算法迁移的SEL模型预测R2达0.81，显著高于直接迁移的XGBoost(R2=0.68)。特征对齐可视化显示，BDA算法使源域和目标域特征分布JS散度从0.42降至0.18。

该研究通过创新性地融合多模态遥感特征与机器学习算法，首次证实倒伏指数可有效增强模型对胁迫响应的表征能力。提出的SEL-TCA框架将小样本场景下的估产精度提升23.5%，为农业灾害快速评估提供了可推广的技术范式。值得注意的是，研究发现倒伏后12天是遥感监测关键窗口期，此时作物尚未完全恢复但胁迫特征最显著。这些发现不仅为精准农业提供了理论依据，其迁移学习方案对其它作物逆境研究也具有重要借鉴意义。