Satellite-derived vegetation indices and machine learning for food crop yield prediction: A systematic review of methods, performance and research gaps

方法

PRISMA系统综述，分析2018-2026年32篇文献，比较RF、LSTM、C

发现

随机森林最稳定（R²0.70-0.96），多指数优于单指数，Sentinel-2与GEE最常用。

机会点

可填补小农与热带农业系统代表性不足、跨物候期数据融合及模型跨区域迁移的研究空白。

作物产量预测对全球粮食安全至关重要，但当前的产量估算方法劳动强度大、耗时长，且时空覆盖范围有限。本系统综述旨在整合2018至2026年间发表的32篇同行评审研究的证据，这些研究均涉及利用卫星衍生的植被指数（VIs）和机器学习（ML）来预测粮食作物产量。基于系统综述和荟萃分析优先报告条目（PRISMA）的检索识别出针对水稻、小麦、玉米、大豆、甘蔗、高粱和大麦在不同地理区域的研究。证据明确表明，在所有粮食作物中，随机森林（RF）是最为一致的机器学习技术，依据作物和区域不同，其R²为0.70–0.96；而长短期记忆网络（LSTM）和卷积神经网络（CNN）等深度学习方法展现出更强的时间模式识别能力，但需要多得多的标注数据。多指数方法始终优于单指数方法，其中从Sentinel-2提取的指数在归一化差异植被指数（NDVI）因密植作物冠层在高生物量水平下冠层饱和而失去敏感性的情况下表现良好。Sentinel-2是最常用的卫星平台（占分析研究的65%以上），而Google Earth Engine（GEE）已成为最常用的数据处理环境。在基准评价指标的标准化、小农和热带农业系统的代表性、跨物候阶段的数据整合以及模型的跨区域可迁移性方面仍存在差距。本综述整合了证据，并提出了明确的优先事项，以推动精准农业产量预测迈向全球粮食安全应用。