An Interpretable BO-TCBDA Deep Learning Framework for Winter Wheat Yield Estimation Using Multi-Source Remote Sensing Data
Anqi Xue · Shufang Tian · Tingyan Fu
提出BO-TCBDA深度学习框架，融合多源遥感数据估算冬小麦产量，兼具高精度与可解释性。
贝叶斯优化、TCN、BiLSTM、双注意力机制，结合EVI、LAI、SIF及气候
BO-TCBDA性能最优（R²=0.823），SIF提升预测，拔节后期贡献最大，收获前25天可预测。
可探索将双注意力与SHAP结合用于其他作物或区域，或开发实时预警系统，提升模型泛化与实用性。
提出可解释的深度学习框架，结合多源遥感数据提升冬小麦估产精度与可解释性，对精准农业有实质贡献。
可靠的作物产量估算对于粮食安全和高效农业管理至关重要。然而，当前的深度学习模型在多源特征的选择与整合方面仍存在局限，且高预测精度往往伴随着有限的可解释性。本研究提出了一种基于贝叶斯优化–时间卷积网络–双向长短期记忆–双重注意力（BO-TCBDA）的深度学习框架，用于冬小麦产量估算。以中国河南省为研究区域，利用增强型植被指数（EVI）、叶面积指数（LAI）、太阳诱导叶绿素荧光（SIF）及气候数据，对2013至2022年县级冬小麦产量进行了估算。将所提模型与五种常用的机器学习和深度学习模型进行了比较。BO-TCBDA取得了最佳性能，其决定系数（R²）为0.823，均方根误差（RMSE）为561.26千克/公顷。SIF提升了所有模型的预测性能，其中在深度学习模型中观察到了统计学上显著的增益。双重注意力机制通过揭示输入特征间相对均衡的贡献，并借助时间注意力突出灌浆期，提供了可解释性的见解。此外，基于SHAP的交叉验证分析识别出T12时段（对应拔节期后期）对产量预测的贡献最大。该模型在收获前约25天时，R²亦达到约0.80。总体而言，BO-TCBDA为县级冬小麦产量估算提供了一种准确且可解释的方法，并支持区域粮食安全评估和精准农业实践。