无人机与AI结合预测小麦产量，精度显著提升

快速阅读: 南京农业大学研究团队开发出基于无人机和变压器模型的新方法，能高效准确预测小麦产量，减少人工测量依赖，加速育种进程，提高粮食安全。

小麦是全球超过40%人口的主要粮食作物，提高其产量是应对粮食安全问题的有效途径之一。传统上，产量估计依赖于破坏性的、劳动密集型采样方法，涉及脱粒和称重种子。这些方法速度慢、成本高且容易出错，限制了它们在大规模育种项目中的应用。近年来，基于无人机的遥感技术作为一种高通量、非破坏性的替代方案出现，能够提取植被指数（VIs）和形态特征。尽管利用这些数据的机器学习模型显示出潜力，但许多模型依赖简单的数据拼接策略，这削弱了多变量数据集的预测能力，导致准确性较低。

为了解决这些问题，研究人员转向了先进的基于变压器的人工智能模型，这些模型可以利用时间序列数据和多种数据模式。南京农业大学赵宇团队在《植物表型组学》杂志上发表的一项研究表明，通过非破坏性方法可以高度准确地预测小麦产量，从而加速高产品种的选择，以保障粮食安全。

该研究采用了一种新的基于变压器的模型，结合变量独立标记化方法，分析无人机获取的多变量时间序列数据，用于预测小麦产量。具体来说，研究人员从RGB和多光谱图像中提取了14个植被指数和28个形态特征，评估不同小麦品种和氮肥处理下的光谱和结构变化。通过随时间变化的CVI、ARI、NDVI和NCPI等指数的可视化，他们确认了这些参数在捕捉生长动态方面的可靠性。高产品种表现出持续较强的信号。由合成点云得出的形态特征，如植株高度和冠层结构，进一步与产量结果相关联。这些特征揭示了预期和意外的模式，例如，在某些品种中，高氮条件下由于倒伏导致产量下降。

在此基础上，所提出的模型与循环神经网络、LSTM和其他变压器变体进行了对比测试。通过中心核对齐（CKA）评估特征表示，该模型展示了更强的多变量关系捕捉能力。它实现了最高的R²值0.862和最低的平均绝对误差0.057，超越了现有方法。在不同的氮肥条件下，模型的稳健性得到了进一步验证，其中中等氮肥条件下的预测准确性最高，因为冠层发育平衡。注意力机制显示，与高度相关的特征和特定的植被指数（如SIPI和PSRI）是最具影响力的预测因子。开花和成熟阶段对产量估计的贡献最大。

该模型还显示了可靠的泛化能力，在不同年份和品种的未见数据上保持R²值高于0.8。总体而言，这些结果证实，通过改进的变压器架构整合植被指数和形态特征，显著提高了田间水平小麦产量预测的准确性和可解释性。

这一新方法为育种者提供了一个可扩展且成本效益高的工具，用于识别高产、适应气候的小麦品种。通过实现精确、非破坏性和快速的产量预测，该模型减少了对人工测量的依赖，加快了育种周期。除了小麦之外，该框架还可以适应其他主要粮食作物，支持在全球环境条件日益变化的情况下提高粮食生产的工作。能够解释变量的重要性也增强了农业中人工智能辅助的透明度，使育种者能够理解哪些特征最显著地影响产量结果。

来源：《植物表型组学》

期刊参考：

Ge, Y., Zhu, Z., Jin, S., Zang, J., Zhang, R., Li, Q., Sun, Z., Liu, S., Xu, H., & Zhai, Z. (2025). Winter wheat yield prediction using UAV-based multivariate time series data and variate-independent tokenization. Plant Phenomics, 7(2), 100039. DOI: 10.1016/j.plaphe.2025.100039, https://www.sciencedirect.com/science/article/pii/S2643651525000457?via%3Dihub

(以上内容均由Ai生成)