在粮食安全和精准农业快速发展的背景下，如何快速、准确地估算作物产量，正在成为农业遥感和智能决策中的关键问题。传统产量调查依赖人工采样，费时费力，而且难以捕捉田块尺度的产量差异；单纯依靠遥感指数与产量建立经验关系，又容易受到年份、区域、品种、管理措施和灌溉差异的影响，跨区域推广能力有限。黄健熙教授团队最新发表于 Field Crops Research 的研究以中国冬小麦主产区河南省为对象，提出了一套融合遥感、作物模型和机器学习的快速产量制图框架，实现了2020—2023年全省10米分辨率冬小麦产量制图，为高分辨率作物产量监测提供了新的技术路径。
这项研究不是简单地用卫星影像直接预测产量，而是将APSIM-Wheat作物生长模型、Sentinel-2遥感数据和随机森林机器学习模型结合起来，构建了一个“机制约束+遥感观测+数据驱动”的混合框架。APSIM-Wheat模型用于模拟不同气候、土壤、播期、密度、施肥和灌溉条件下的小麦生长过程，生成大量具有生理意义的叶面积指数（LAI）和产量样本；Sentinel-2影像则通过绿度叶绿素植被指数（GCVI）反演LAI，并利用谐波模型重建连续的作物生长曲线，从而减少云污染和卫星过境不规则带来的数据缺口；最后，随机森林模型将模拟生长轨迹、气象变量和遥感时序特征映射到最终产量，实现大范围、高分辨率制图。
文章特别强调河南冬小麦生产高度依赖灌溉，但田块尺度灌溉数据往往难以获取。如果忽略灌溉差异，模型会系统性低估高产田块。为解决这一问题，研究并没有要求获得每块田的真实灌溉记录，而是根据小麦需水量和当地降水状况，构建了“灌溉感知”的模拟集合，将不同水分供应情景纳入APSIM-Wheat模拟中。结果显示，相比只考虑雨养条件的模型，加入灌溉变异后，产量估算误差显著降低，RMSE下降约30%。这说明，在灌溉农业区，产量制图不能只看作物长势，还必须考虑水分管理对产量形成的关键调控作用。
从结果看，该框架能够较好刻画河南冬小麦产量的空间格局和年际变化。2020—2023年的10米产量图显示，河南东部平原区整体产量较高，周口、漯河、驻马店、新乡和商丘等地形成相对稳定的高产区；而南阳、洛阳、三门峡等山地或丘陵区域产量相对较低。这种空间格局与地形条件、水分供应和农业管理差异基本一致，也说明模型不仅能生成“看起来连续”的产量图，还能反映真实的区域生产差异。在县域尺度验证中，模型预测产量能够解释约65%—75%的县际产量差异，单年RMSE为0.76—1.08 t/ha，多年合并后仍保持较稳定表现，说明该方法具备较好的区域推广潜力。
这项研究的意义不仅在于绘制了一套河南省冬小麦10米产量图，更重要的是提供了一种适合中国小农户和灌溉农业区的产量监测思路。与依赖大量实测产量样本的纯机器学习方法相比，该框架利用作物模型生成“有机制约束”的训练样本，减少了对大规模田间产量数据的依赖；与传统作物模型逐像元模拟相比，它又通过机器学习和遥感特征映射降低了计算成本，提高了省域尺度应用的可行性。总体来看，这项研究展示了未来作物产量估算的重要方向：不是单纯依赖遥感，也不是单纯依赖作物模型，而是将遥感的空间连续性、作物模型的机理解释力和机器学习的非线性拟合能力结合起来，从而服务于精准农业管理、粮食安全评估和区域产量预警。
图3. 本研究流程图
图4. 冬小麦生长季(2000-2023年)县级平均总降水量和2020年AMS记录的灌溉频率(A)。AMS自2000年以来的降水记录；突出显示了用于估产的2020-2023年窗口(B)。
图7.2020-2023年冬小麦预测产量的空间分布(a-d)。(e-g)提供了三个放大的视图，显示了田间一级产量估计的空间细节。
图8. 两个模拟集合和三个遥感特征集下产量预测的像素级验证和分量消融。面板(a-c)使用仅降雨模拟，而面板(d-f)使用灌溉感知模拟。在每个集合中，特征集是(a/d)天气系列、(b/e)天气系数和(c/f)天气系列系数。天气包括温度和降水变量；级数表示经调和重构的叶面积指数；系数表示表征叶面积指数幅值和相位的调和参数。
图9. 河南省冬小麦产量图的县级验证。
