应众多读者的需求和建议，遥感地理视界创建了学习交流群，想加入交流的可扫描下方二维码添加。请进群后按照群公告备注如“学位-学校(或机构)-昵称”格式（详情请查看公众号置顶推文）。![]()
标题：Leveraging Satellite Data with Machine and Deep Learning Techniques for Corn Yield and Price Forecasting
期刊：《IEEE Transactions on Geoscience and Remote Sensing》(中科院1区，IF=7.5)
作者：Florian Teste et al.
doi：https://doi.org/10.1109/TGRS.2024.3448205
在全球粮食系统快速变化的背景下，粮食安全问题愈加严峻。玉米作为全球重要的主食之一，对热量摄入和粮食供应至关重要。特别是在撒哈拉以南非洲地区，玉米的生产和价格直接影响到粮食安全。本研究提出了一种新方法，通过卫星获取的总初级生产力（GPP）数据和降维技术，预测玉米产量和价格波动，避免了传统预收割生产数据难以获取的问题。研究数据主要包括美国、南非和马拉维的玉米产量和价格的历史数据，以及全球陆地卫星（GLASS）提供的GPP数据。研究在GPP数据基础上应用了多种降维方法，包括主成分分析（PCA）、经验正交函数（EOF）、自动编码器（AE）和变分自动编码器（VAE），生成降维后的GPP变量作为分类模型的预测因子。模型的评估采用了AUC、BSS和MCC等指标。研究还通过广义线性模型（GLM）和ElasticNet算法进行分类，直接从GPP数据预测产量和价格变化。此外，还设计了一个2D卷积神经网络（CNN）模型，不需要预处理降维数据，直接使用逐像素的GPP输入数据来预测产量和价格波动。研究结果表明，与EOF等传统降维方法相比，基于AE和VAE的神经网络技术在预测精度上有显著优势。特别是在马拉维，AE模型在产量预测中的布里尔技能评分（BSS）从0.26提升至0.81，而在价格预测中VAE的BSS则从-0.004提升至0.77。美国和南非的结果同样显示出VAE模型的优越性能。此外，使用特定作物遮罩并未普遍提升模型表现，非遮罩数据甚至在某些情况下表现更优，这与现有文献中关于季节预测中作物遮罩的局限性相符。研究还发现，在价格预测中，VAE模型在三个国家的表现均优于其他方法，特别是在美国，非遮罩GPP数据的BSS达到0.82。模型表现通过曲线下面积（AUC）、马修斯相关系数（MCC）和布里尔技能评分（BSS）得到验证，显示了AE和VAE在大规模数据预测中的优越性。值得注意的是，使用GLM与空间平均1GPP预测模型的效果在美国较好，表明玉米产量与价格之间的关系显著。在马拉维，AE的表现尤为出色，AUC达到了0.98，而MCC为0.89。此外，研究揭示了基于GLASS的GPP数据在玉米产量和价格预测方面的潜力。本研究提出了一种利用卫星数据和降维技术预测玉米产量和价格的新方法，通过开放获取的数据改进了预测精度，使得在收割前几个月就可以预测出产量和价格变化。这一方法不仅适用于美国等发达国家，在南非和马拉维等依赖玉米生产的国家也有良好表现，具有广泛的应用潜力。AE和VAE的引入有效提高了预测模型的准确性，特别是在复杂的高维数据处理上展现了独特优势。研究表明，基于GPP的预测方法可作为粮食安全和农业管理的重要工具，有助于实现更精确的产量和价格预测，最终提升粮食安全性和农作物管理能力。未来研究可以进一步考虑将社会经济因素纳入模型，以提升预测的可靠性与实际应用价值。
文章来源 ：Teste, F., Gangloff, H., Chen, M., Ciais, P., & Makowski, D. (2024). Leveraging satellite data with machine and deep learning techniques for corn yield and price forecasting. Authorea Preprints.
免责声明 ：本公众号发布的内容仅供学习交流使用，内容版权归原作者所有。如有侵犯您的权益，请及时与我们联系。
