标题：
Upscaling and downscaling approaches for early season rice yield prediction using Sentinel-2 and machine learning for precision nitrogen fertilization
研究背景：
农业挑战：气候变化对农作物产量的影响日益显著，特别是在地中海地区，这种影响可能导致水稻产量显著下降。
精准农业需求：早期产量预测可帮助农民通过精准氮肥管理提高农业生产效率，减少环境影响。
研究空白：现有研究很少评估基于多源数据的机器学习模型在不同尺度下（放大与缩小）的应用能力，特别是结合田间平均产量数据和产量图。
研究目标：
模型转移性评估：分析机器学习模型在不同数据源（全田平均产量与产量图）之间的可迁移性。
优化氮肥施用：利用早期预测数据支持田块内产量差异化的氮肥施用。
模型优化：评估不同机器学习算法的表现及其对训练集和测试集大小的敏感性。
研究方法：
数据来源：利用Sentinel-2卫星影像提取的植被指数（如NDVI、NDMI）结合水稻表型阶段数据; 五个生长季的田间产量数据（2018-2022年）。
机器学习：对比两种预测方法：放大（由产量图到全田平均）与缩小（由全田平均到产量图）。
性能评价: 通过多标准决策分析（MCDA）和加权求和法（SAW）评价模型性能。
主要总结：
缩小方法总体优于放大方法，特别是在早期分蘖阶段。
SVM算法在分蘖阶段表现最佳，NRMSE为20%，R²为0.56。
随着训练数据量增加，模型性能显著提升。 在小数据集上，随机森林和高斯过程回归表现更加稳定。
使用热量时间（GDD）估算表型阶段提升了模型的可迁移性。
随着训练数据量增加，模型性能显著提升。 在小数据集上，随机森林和高斯过程回归表现更加稳定。
缩小方法适用于缺乏田间高分辨率数据的情况，能显著降低对训练数据的依赖。
推荐指数：⭐⭐⭐⭐⭐
链接
—
https://doi.org/10.1016/j.compag.2024.109603【权责声明】
