第九届青年地学论坛

及时、准确地预测水稻产量是做出作物精确管理决策和确保粮食安全的前提。以往作物产量预测研究主要是使用光学或雷达数据，很少对这两种数据源协同使用进行探索。目前仍不清楚协同光学和SAR影像如何改善作物产量预测精度。此外，各种机器学习算法已被用于产量预测，但关于最佳机器学习算法，现有研究结果大多不一致。为解决这些问题，本研究构建了元学习集合回归 (MLER) 算法，并开发了一种多源数据融合高效方法，用于准确预测江苏省田块和县级尺度水稻产量。结果表明，Sentinel-1可以弥补Sentinel-2在水稻产量预测方面不足，而加入气象数据可提高这一结果。MLER 算法一致优于单个回归算法，可有效消除高值低估和低值高估现象。此外，在全省水稻产量预测时，将 MLER 算法与最优多源数据组合结合可追踪产量形成过程，消除水稻生育期的空间差异影响，进而提高产量预测精度。MLER 框架基于独立年份精度评估预测江苏省水稻产量在田块和县级尺度表现出稳定性能(田块尺度：R²: 0.50 ~ 0.61，RMSE: 0.85 ~ 1.22 吨/公顷；县级尺度: R²: 0.42 ~ 0.67，RMSE：0.23 ~ 0.27 吨/公顷），并可应用到极端高温年（2022 年）(R² = 0.49，RMSE = 1.52 吨/公顷)。这项研究通过整合公开的多源数据和机器学习，为多层次预测大面积小农田的水稻产量提供了新的可能性。

水稻产量预测,Sentinel-2,Snetinel-1,气象数据,机器学习,田块尺度