Integrating Remote Sensing, Management Information, and Satellite Embeddings for Machine-Learning Prediction of Field-Level Maize Yield in Kenyan Smallholder Systems

方法

6016条田块-年观测，Sentinel-2、气候土壤地形、管理调查与64维卫星

发现

XGBoost最优R²=0.383；管理信息贡献最大，种植密度最关键；卫星嵌入可降维77%且性能相当

机会点

可探索低成本管理信息采集与嵌入降维在非洲小农户跨区域迁移及实时产量监测中的泛化能力。

田块尺度的作物产量预测是精准农业的一项重要应用，但在非洲小农系统中仍面临挑战，因为地块面积小、管理方式异质性强，且卫星像元可能混合多种土地覆盖类型。本研究评估了机器学习方法在预测玉米产量方面的表现，所用数据为2017—2020年肯尼亚6，016个田块-年份观测值，预测变量包括Sentinel-2遥感变量、气候、土壤、地形和位置属性、基于调查的管理信息以及64维卫星嵌入。通过交叉验证比较了11种候选算法，随后进行了XGBoost预测变量组分析和SHAP分析。XGBoost取得了最强的汇总性能（R² = 0.383；RMSE = 1，334 kg ha⁻¹；MAE = 1，013 kg ha⁻¹）。仅使用常规遥感变量时R² = 0.196；加入气候、土壤、地形和位置变量后R²增至0.250，而加入管理信息后R²增至0.386。管理信息在分组SHAP重要性中占32.4%，其中种植密度是最具影响力的单个预测变量。卫星嵌入达到了与常规遥感预测变量相当的预测性能，同时将卫星预测变量的维度降低了约77%。结果表明，遥感与机器学习可以支持异质性小农系统中的田块尺度产量监测，但地块尺度的管理信息对于提高预测精度仍然至关重要。