张立元副教授团队：物候阶段渐进式多源数据融合的县域冬小麦产量预测（《智慧农业（中英文）》202...

来源：市场资讯

（来源：智慧农业期刊）

引用格式：王毅, 熊宝伟, 王刚, 邵国敏, 张立元, 李广. 物候阶段渐进式多源数据融合的县域冬小麦产量预测[J]. 智慧农业(中英文), 2026, 8(4): 70-84.

WANG Yi, XIONG Baowei, WANG Gang, SHAO Guomin, ZHANG Liyuan, LI Guang. County-Level Winter Wheat Yield Prediction Based on Phenological-Stage Progressive Multi-Source Data Fusion[J]. Smart Agriculture, 2026, 8(4): 70-84.

DOI： 10.12133/j.smartag.SA202605002

物候阶段渐进式多源数据融合的县域冬小麦产量预测

王毅1，4， 熊宝伟1， 王刚1， 邵国敏2， 张立元3*， 李广5

（1.西安财经大学信息学院，陕西西安 710100，中国； 2.西安理工大学西北旱区生态水利国家重点实验室，陕西西安 710048，中国； 3.江苏大学农业工程学院，江苏镇江 212013，中国； 4.智财协同可信计算陕西省高等学校重点实验室，陕西西安 710100，中国； 5.中国科学院重庆绿色智能技术研究院，重庆 400714，中国）

摘要： ［目的/意义］不同物候阶段信息累积对县域冬小麦估产性能的影响尚不明确，制约了模型早期预测能力与农业解释性的提升。为提高县域冬小麦产量预测精度，并明确不同物候阶段信息累积对估产性能的影响，本文提出一种物候阶段渐进式多源数据融合的县域冬小麦产量预测方法。［方法］以河南省100个冬小麦主产县为研究区，融合2013—2022年遥感变量、气象变量和日光诱导叶绿素荧光光合变量，构建覆盖冬小麦分蘖期至成熟期的多源时序特征集。在此基础上，利用卷积神经网络-长短期记忆网络-Transformer （Convolutional Neural Network-Long Short-Term Memory-Transformer, CNN-LSTM-Transformer）模型协同提取局部变化特征、阶段性时序依赖和全局长期关联，实现县域冬小麦产量预测。［结果和讨论］在县域尺度样本划分的测试集中，CNN-LSTM-Transformer模型预测性能优于随机森林、极端梯度提升和CNN-LSTM模型，R2、均方根误差和平均绝对百分比误差分别为0.827、588.25 kg/hm2和8.02%；逐年留一验证结果表明，该方法在不同年份条件下保持了较好的预测稳定性。物候阶段累积分析显示，随着生育阶段信息逐步增加，模型预测精度持续提升，其中返青期至抽穗期是产量预测能力快速提高的关键阶段。空间分布结果表明，预测产量能够较好反映河南省冬小麦西部较低、中东部较高的县域空间格局。［结论］所提出方法能够有效提升县域冬小麦产量预测精度，并为关键生育阶段的早期预测提供方法支撑。

关键词： 冬小麦；产量预测；物候阶段；多源数据；深度学习；CNN-LSTM-Transformer

注：该图基于自然资源部标准地图服务网站下载的审图号为GS（2023）2762号标准地图制作，底图无修改。

图1　河南省冬小麦种植分布图

Fig. 1 Spatial distribution of winter wheat planting areas in Henan province

图 2　县域冬小麦产量预测中多源数据集的构建流程图

Fig. 2 Flowchart of multi-source dataset construction for county-level winter wheat yield prediction

图 3　物候阶段渐进式多源融合估产模型总体框架

Fig. 3 Overall framework of the phenological-stage progressive multi-source fusion model for yield estimation

图 4　Transformer Encoder模块结构图

Fig. 4 Schematic diagram of the Transformer Encoder module structure

图 5　CNN-LSTM-Transformer模型结构

Fig. 5 Architecture of the CNN-LSTM-Transformer model

图6 CNN-LSTM-Transformer模型及对比模型预测产量与实际产量散点图

Fig. 6 Scatter plots of predicted and actual yields for the CNN-LSTM-Transformer model and comparative models

图7　CNN-LSTM-Transformer模型及对比模型的不同产量分区残差箱线图

Fig. 7 Boxplots of residuals in different yield zones for the CNN-LSTM-Transformer model and comparative models

图8　CNN-LSTM-Transformer模型在不同测试年份下的预测性能对比图

Fig. 8 Prediction performance comparison of the CNN-LSTM-Transformer model in different test years

注：该图基于自然资源部标准地图服务网站下载的审图号为GS（2023）2762号标准地图制作，底图无修改。

图9　2019—2022年CNN-LSTM-Transformer模型预测产量及残差时空分布图

Fig. 9 Spatiotemporal distributions of predicted yield and residuals of the CNN-LSTM-Transformer model from 2019 to 2022

张立元 副教授

张立元，博士，江苏大学副教授、硕士生导师，主要研究方向为农情信息跨尺度感知与农时农事决策。围绕小麦、水稻、油菜、玉米等作物，开展多尺度遥感、作物生长与水肥信息监测、智能感知装备及农事决策研究。主持国家自然科学基金等科研项目5项，发表SCI、EI等学术论文50篇，入选2024年、2025年中国知网高被引学者TOP5%。相关研究成果已在江苏靖江、镇江新区等地开展示范推广应用，相关示范活动先后受到CCTV-13新闻频道、CCTV-1《开学第一课》等媒体关注和报道，取得了良好的示范应用效果和社会影响。

王毅 博士

王毅，工学博士，西安财经大学讲师、硕士生导师，主要研究方向为农情信息空天地一体化智能感知与精准作业技术、数字农业与农业信息化、农业资源与环境。主持并完成陕西省自然科学基础研究计划项目1项，参与多项国家级、省部级项目，发表CSCD核心、EI、SCI论文20余篇。

来源：《智慧农业（中英文）》2026年第4期