2019年12月2日，我院林涛研究员团队在《Global Change Biology》期刊（IF5为10.171）上发表题为“A deep learning approach to conflating heterogeneous geospatial data for corn yield estimation: A case study of the US Corn Belt at the county level”的研究论文。该研究开发了一个基于长期短期记忆（LSTM）的玉米估产模型，整合了空间异质的作物物候、气象和遥感等多源数据，估算美国玉米带县级玉米的产量。该深度学习模型在季中和季末玉米产量预测中较之传统模型有了明显的性能提升。

    在全球气候变化的背景下，理解大规模作物的生长及其对气候变化的响应对于估计和预测产量至关重要。遥感技术能实现低成本、高时空间分辨率的农作物生长环境、长势、物候等的大范围监测。准确的物候信息的提取和估计可以反映玉米作物的不同生长阶段对环境的特异响应，在作物估产方面具有重要的意义。该研究运用遥感技术提取玉米多年生长期的重要物候时间节点，构建基于玉米物候的深度学习模型以应对多源数据的空间异质性。该模型基于长期短期记忆（LSTM）单元，具有时序依赖，信息选择性传递，非线性拟合的特点，其输入数据包括遥感数据和气象数据。本研究以美国玉米带2006年至2017年共7232条县级观测为数据集，使用生长季内5个不同生长期的降水，积温，高温积温和植被指数为模型输入。使用干旱胁迫的2012年和高产的2016年观测数据为测试集，验证了深度学习模型对比岭回归和随机森林模型明显提升了玉米估产的精度和鲁棒性。该研究工作为探究气候变化下的作物生长监测提供了一种多源数据驱动的研究方法。

论文通讯作者为浙江大学生工食品学院林涛研究员。课题组在读博士生江昊和美国伊利诺伊大学厄巴纳-香槟分校胡昊博士为论文共同第一作者。合作单位包括浙江大学农业遥感与信息技术应用研究所，美国伊利诺伊大学厄巴纳-香槟分校和浙江农林大学。本研究受到国家自然科学基金、国家重点研发计划和浙江大学的资助。

网址链接：https://onlinelibrary.wiley.com/doi/full/10.1111/gcb.14885

生物系统工程与食品科学学院

2019年12月13日