在全球粮食安全面临严峻挑战的当下，作物产量预测的精准性对农业资源优化配置、粮食贸易策略制定以及饥荒预防至关重要。Technologies 发表的一篇名为“Applied Deep Learning-Based Crop Yield Prediction: A Systematic Analysis of Current Developments and Potential Challenges”的系统综述，对92项实证研究进行深入剖析，为深度学习在作物产量预测领域的应用描绘了全面图景。其最大亮点在于破除了“技术越复杂效果越好”的固有认知，研究表明2D CNN (Two-Dimensional Convolutional Neural Network) 与LSTM (Long Short-Term Memory) 等主流架构的成功，关键在于精准契合农业数据的“空间异质性”与“时间动态性”。同时，揭示了当前研究中“谷物为主、果蔬滞后”的不均衡现状，以及卫星与无人机数据的互补价值，为后续研究指明了方向。该文章的方法论极具启示意义，它既肯定了混合架构 (如CNN-LSTM) 在多维度数据融合中的优势，又直面“黑箱模型”带来的信任问题，这种客观辩证的视角，为技术创新与田间实践的结合搭建了坚实桥梁，对推动精准农业从实验室走向实际生产具有里程碑式的意义。
文章导读
粮食安全是全球可持续发展的核心议题。联合国粮农组织 (Food and Agriculture Organization of the United Nations，FAO) 预测，到2050年全球人口将达到93亿，粮食需求需增长60%才能满足供给。传统的作物产量预测方法，如农民经验评估、作物模拟模型等，存在精度低、对数据依赖强、泛化能力差等问题，难以应对气候变化和规模化农业带来的新挑战。深度学习技术凭借其自动提取特征、捕捉复杂模式的能力，为解决这一困境提供了新的途径。该文章通过系统梳理近8年的92项实证研究，全面分析了深度学习在作物产量预测中的应用现状，明确了主流模型、核心数据和关键挑战，为推动技术落地和未来研究提供理论支持，助力农业生产从“经验驱动”向“数据驱动”转变。
研究材料与方法
该研究采用系统文献综述 (Systematic Literature Review，SLR) 方法，按照“问题导向-数据筛选-深度分析”的逻辑展开 (如图1所示综述流程)。
在数据来源与筛选方面，从DOAJ、IEEE、MDPI、Science Direct四大数据库，以“Deep Learning”“Crop Yield Prediction”等为关键词组合进行检索，纳入近8年 (2016-2024) 发表的实证研究。经过严格筛选，排除综述类、非英文以及质量不达标的文献，最终保留92项研究，这些研究涵盖了全球主要农业区的作物预测实践。
质量评估采用20分制评分体系，从研究问题相关性 (0-5分)、方法清晰度 (0-5分)、技术细节完整性 (0-5分)、结果讨论深度 (0-5分) 四个维度进行评估，以确保纳入研究的科学性和可靠性。
分析框架围绕四大核心问题展开：一是研究涉及的作物类型；二是采用的深度学习架构；三是输入数据类型；四是面临的挑战与需求。通过Zotero管理文献，利用Excel结构化提取数据，实现跨研究对比与规律提炼。
图1. 系统文献综述的方法论方案。
研究结果与讨论
一、作物研究聚焦主粮，经济作物存在缺口
分析表明，68%的研究集中在小麦、玉米、水稻等谷物上，其中小麦占比31%、玉米27%、水稻20%，这与三者在全球粮食安全中的核心地位密切相关。相比之下，对果树 (如苹果、柑橘)、经济作物 (如咖啡、棉花) 的研究不足10%，且多为单点试验，缺乏规模化验证。这种研究失衡既反映了主粮的战略优先级，也暴露了技术向特色农业渗透的滞后性，未来需要加强对区域特色作物的关注。
图2. 作者使用的农作物分布。
二、2D CNN与LSTM主导，混合架构成新趋势
模型分析显示，2D CNN (38项研究) 与LSTM (32项研究)是 主流架构。2D CNN由于擅长处理空间数据 (如作物冠层图像)，在田间尺度预测中表现出色；LSTM则凭借其时序建模能力，在捕捉作物生长周期动态 (如物候期变化) 方面更具优势。
值得注意的是，混合架构的应用增长显著 (17项)，通过融合空间与时间特征，在县域尺度的大豆、玉米预测中实现了MAPE≤13.2%，精度优于单一模型。这表明农业数据的多维度特性，正推动模型从“单一功能”向“协同融合”发展。
图3. 作者使用的深度学习架构分布。
三、数据来源呈“空天地”协同，无人机 (Unmanned Aerial Vehicle，UAV) 潜力凸显
在输入数据中，卫星图像 (49项) 因其覆盖范围广，成为大尺度 (县域及以上) 预测的首选；无人机数据 (30项，包括RGB、多光谱) 凭借高分辨率 (可规避大气干扰)，在田间尺度表现更优，例如玉米高光谱数据结合1D CNN模型，预测精度提升了5%。此外，环境数据 (气候、土壤，20项) 常作为辅助输入，与遥感数据融合后可进一步降低预测误差。
四、三大挑战制约落地，技术优化路径清晰
该研究明确了当前存在的核心瓶颈：一是数据层面，高质量标注数据稀缺导致过拟合，需要通过GAN数据增强、迁移学习等方法缓解；二是模型层面，架构选择依赖专业经验，轻量化模型 (如简化CNN) 的开发成为趋势；三是解释性层面，“黑箱”特性降低了农户的信任度，融合XAI技术是突破方向。例如，某研究通过L1正则化将模型参数减少40%，同时保持精度不变，为简化部署提供了可能。
研究总结
该文章通过系统综述92项实证研究，全面呈现了深度学习在作物产量预测中的应用现状：在作物覆盖方面，以小麦、玉米、水稻等谷物为主，经济作物研究不足；在技术架构方面，2D CNN与LSTM为核心，混合架构因多维度适配性成为新方向；在数据支撑方面，卫星与无人机数据形成“宏观-微观”互补；在实践挑战方面，数据质量、模型复杂性与可解释性是主要瓶颈。
该综述的核心价值在于为领域发展提供了“问题-方案”坐标：既肯定了深度学习对传统方法的超越 (如预测精度提升21%-33%)，也明确了未来的突破路径——需要加强特色作物研究、推动轻量化与可解释性模型开发、构建“空天地”一体化数据采集体系。这些发现不仅为研究者提供了选题指引，更为农业管理者制定技术推广策略、实现精准农业落地提供了扎实依据，助力全球粮食安全目标的实现。
原文链接：https://www.mdpi.com/2725736
本文撰稿人
宋冬然 教授
中南大学
中南大学自动化学院教授、博士生导师，教育部学位中心论文评审专家、国家/广东/浙江自然科学基金项目评审专家，Energies、JMSE、Technologies、Energy、MPCE、Energy Engineering等SCI/EI期刊编委/学科编辑/专题咨询顾问。主持国自2项，横向课题10余项，获授权国家发明专利18项、国际发明专利1项、软著1项。长期从事风电控制与优化、人工智能在新能源系统应用等方向研究，曾在明阳智能从事风能技术研发工作多年。参与编写外文专著1本，参与国家标准制定2项，以第一或通信作者在能源和电气领域国际权威SCI期刊发表论文50余篇，全球工程类学科前1% ESI论文6篇。
Technologies 期刊介绍
主编：Manoj Gupta, National University of Singapore, Singapore
Technologies 旨在为新兴的科技趋势提供一个交流平台，包括但不限于以机器学习和人工智能为基础的先进技术，信息与通信技术，计算机科学与工程技术，材料科学与材料加工技术，以及医疗健康辅助技术等。
2024 Impact Factor：3.6
2024 CiteScore：8.5
Time to First Decision：21.8 Days
Acceptance to Publication：3.9 Days
转载本文请联系原作者获取授权，同时请注明本文来自MDPI开放科学科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3516770-1510123.html?mobile=1
收藏
