← 返回首页
🌱 作物表型

PhenoYieldNet: 面向多作物产量预测的物候响应学习框架

PhenoYieldNet: Learning Crop-Aware Phenological Responses for Multi-Crop Yield Prediction

📅 2026-05-22 🏛️ arXiv ✍️ Yu Luo, Xiaogang Zhu, Shan Zeng, Wei Xiang, Thomas F. Bishop, Zhiyong Wang, Kun Hu 🏷️ cs.CV, cs.AI ⏱️ 约 10 分钟

📋 摘要 Abstract

PhenoYieldNet整体框架
Figure 1: PhenoYieldNet整体框架。模型由多模态编码器和作物感知时序解码器组成，通过作物物候库(CPB)和作物物候注意力(CPA)模块实现跨作物的统一产量预测。

准确的作物产量预测对可持续农业和全球粮食安全至关重要。现有方法主要针对单一作物开发，在跨作物泛化方面表现不佳，且未能充分建模复杂气象模式对不同作物物候响应的动态调控。本文提出PhenoYieldNet，一个统一的多作物产量预测框架，通过显式建模作物对时序驱动因子的响应来学习作物特异性物候特征。核心创新包括：作物物候库(CPB)通过可学习嵌入编码各作物的物候特征；作物物候注意力(CPA)模块通过多尺度趋势与变差分解动态调整不同生长阶段的注意力权重；时序对比适应(TCA)策略将预训练遥感基础模型适配到农业时序动态。在CropNet和MODIS数据集上的大量实验表明，PhenoYieldNet在单作物和多作物设置下均显著优于现有SOTA方法。

💡 一句话总结

首次提出统一的多作物产量预测框架，通过"作物物候银行"学习不同作物对天气的独特响应模式，在4种作物上全面超越现有方法。

🔍 研究背景 Background

全球气候变化给农业系统和粮食安全带来前所未有的挑战。准确的作物产量预测有助于农民、育种机构和政府做出明智决策，优化产量并确保长期农业可持续性。遥感技术提供了贯穿整个作物生长周期的丰富地球观测数据，从追踪作物发育状态的卫星图像到记录影响作物生长的动态环境因素的气象数据。

  • 单作物局限：现有方法（如MMST-ViT、UNet-ConvLSTM等）主要针对单一作物和特定区域开发，难以跨作物或跨区域泛化
  • 物候建模不足：不同作物对气象条件（温度趋势、降水变差等）的响应模式截然不同，但现有方法往往简单融合卫星和气象数据，未显式建模物候响应
  • 基础模型适配差距：遥感基础模型(RSFM)虽有强大表征能力，但缺乏对农业时序动态和作物特异性物候的感知
  • 多作物统一需求：全球不同地区的作物面临相似环境条件，建模跨作物共性与差异可实现知识迁移、提升数据稀缺作物的预测能力
单作物vs多作物预测对比
Figure 2: (a) 现有单作物预测方法的局限性示意图。(b) 不同作物对温度趋势和变差的差异化响应——小麦和棉花产量对平均温度呈相反响应。

⚙️ 方法论 Methodology

PhenoYieldNet采用编码器-解码器架构，包含三个核心创新模块，分两阶段训练。

1. 多模态编码器

  • 卫星图像编码：采用Vision Transformer (ViT)编码卫星图像时序，初始化自预训练遥感基础模型SpectralGPT
  • 气象数据编码：使用MLP将每个时间步的原始气象数据投影为嵌入向量
  • 跨模态融合：通过交叉注意力模块融合卫星和气象表征，生成统一特征序列

2. 作物物候库 (Crop Phenology Bank, CPB)

CPB是一组可学习向量，每个向量代表特定作物的典型物候特征。形式化定义为一个可学习嵌入矩阵，其中每个作物类型对应一个查询向量。解码时，根据作物身份检索对应的查询向量作为代理，引导注意力机制关注与该作物物候发育最相关的时序特征。

3. 作物物候注意力 (Crop Phenology Attention, CPA)

CPA模块显式建模时序趋势和物候变差对产量的影响：

  • 多尺度分解：通过不同窗口大小的平均池化捕获多尺度趋势模式，自适应聚合成趋势分量μ，残差为变差分量ν
  • 物候引导注意力：将趋势和变差分量投影为偏置向量，注入物候引导的注意力计算中，动态调整对不同生长阶段的关注
  • 作物特异性：CPB查询向量q_c指导CPA学习该作物最相关的物候模式，偏置b_ph进一步调整受独特趋势和变差影响的关键阶段

4. 时序对比适应 (Temporal Contrastive Adaptation, TCA)

为弥合通用遥感知识与农业时序动态之间的领域差距，引入两阶段训练策略：

  • 阶段一（自监督预训练）：对多模态时序输入生成两个不同掩码视图，同一位置/年份的视图构成正对，不同位置为负对，通过时序对比损失学习农业时序表征
  • 阶段二（监督微调）：冻结编码器，仅微调解码器和预测头，使用MSE损失进行产量预测
作物物候注意力机制
Figure 3: 作物物候注意力(CPA)模块示意图。通过多尺度趋势-变差分解和物候引导注意力，动态调整对不同生长阶段的关注权重。

📊 关键结果 Key Results

实验在两个多作物数据集上进行：CropNet（Sentinel-2 + HRRR气象，4种作物：大豆、玉米、棉花、冬小麦）和MODIS（MODIS卫星，玉米单作物），覆盖美国11个州。

单作物产量预测（MODIS数据集）

PhenoYieldNet全面超越所有对比方法。相比次优方法UNet-ConvLSTM，RMSE降低0.38，R²提升0.077。

多作物产量预测（CropNet数据集）

作物 指标 PhenoYieldNet 次优方法 提升
大豆 RMSE 6.22 - 最优
大豆 R² 0.627 - 最优
玉米 RMSE 最低 RF -4.69
棉花 RMSE 54.88 61.60 -10.9%
棉花 R² 0.638 - 最优
各作物RMSE对比
Figure 4: 各作物RMSE对比图。PhenoYieldNet在所有作物类型上均取得最低预测误差。

消融实验

  • RSFM知识：直接微调预训练模型在棉花和大豆上反而退化，验证了领域差距的存在
  • TCA策略：应用TCA后所有作物类型均获提升，有效弥合了遥感-农业领域差距
  • CPB模块：引入作物物候库后大多数作物类型获得一致性提升
  • CPA模块：棉花RMSE从61.60降至54.88，R²提升至0.638，显式建模趋势-变差显著增强预测精度

实时预测与鲁棒性

实时预测实验表明，随着生长季观测数据积累，预测精度持续提升。在气象波动区域（前30%高变差区域），PhenoYieldNet表现出显著优于其他方法的鲁棒性。

实时产量预测曲线
Figure 5: 随生长季推进的实时产量预测。随着观测数据积累，预测精度持续提升（RMSE下降）。
🏆 核心发现

PhenoYieldNet通过作物物候库和物候注意力机制，在CropNet 4种作物上全面超越SOTA方法。关键创新在于显式建模不同作物对温度趋势和降水变差的差异化响应，而非简单融合多模态数据。在气象波动剧烈的区域优势尤为显著。

💡 个人见解 Insights

本文的核心贡献在于将"作物特异性物候响应"这一农业领域知识深度融入深度学习框架，而非简单地将多作物数据混合训练。这种"领域知识驱动的架构设计"思路值得借鉴。

  • 优势：(1) 首次实现真正的多作物统一预测框架，而非简单共享backbone；(2) CPB+CPA设计优雅，将物候学知识编码为可学习参数；(3) TCA策略有效弥合了遥感基础模型与农业任务的领域差距；(4) 代码开源，可复现性强
  • 不足：(1) CPB基于作物物种构建，对未见作物的泛化能力有限；(2) 多作物训练对类不平衡敏感，冬小麦等少数作物性能略有下降；(3) 仅在US数据集上验证，缺乏跨国家/大洲的泛化实验
  • 启发：(1) "领域知识银行"的思路可推广到其他农业任务（如病害预测、灌溉优化）；(2) 遥感基础模型+领域适配是农业AI的重要范式；(3) 多尺度趋势-变差分解的思想可应用于其他时序预测任务（如气候建模、生态监测）

🔗 参考资料 References

📄

查看原文 View Original Paper

arXiv: 2605.23478
📥

下载 PDF Download PDF

arXiv PDF
💻

代码仓库 GitHub Repository

github.com/roroyo/PhenoYieldNet