基于遥感数据的亚场级作物产量预测可解释性研究

作物产量预测在解决日益增长的粮食安全问题和为政策制定者和农户的决策提供指导方面发挥着重要作用。当采用深度学习方法时，理解模型及其与输入数据交互的过程，以及其学习和决策机制，对建立对模型的信任并洞察其可靠性至关重要。本研究聚焦于作物产量预测任务，具体针对阿根廷、乌拉圭和德国的大豆、小麦和油菜作物。我们的目标是开发和解释这些作物的预测模型，采用大型卫星图像数据集、其他数据模态以及作物产量图。我们采用长短期记忆网络（LSTM），并研究不同时间抽样卫星数据使用的影响，以及添加更多相关模态数据的益处。对于模型可解释性，我们利用特征归因方法来量化输入特征贡献，识别关键生长阶段，分析作物在场地水平上的产量变异，并解释较不准确的预测。建模结果表明，添加更多模态数据或使用所有可用卫星数据实例会带来改进。可解释性结果揭示了每个作物和地区的特征重要性模式各不相同。我们进一步发现，影响预测的最关键生长阶段取决于输入数据的时间抽样。我们展示了这些关键生长阶段——具有显著农学价值的特征——与农业和作物发育生物学领域的现有文献高度一致。