玉米是中国主要粮食作物之一，可靠的玉米产量估测有助于调整管理策略、降低收益风险、优化资源分配以提高作物生产力准确获取玉米长势和产量信息对制定农业政策和保障国家粮食安全具有重要意义。

基于遥感作物估产模型可分为经验回归模型、作物机理模型、半机理模型以及机器／深度学习模型。作物机理模型受限于所需参数较多、计算量较大等特性。半机理模型结合了遥感多参数和部分作物生长过程，在保留机理模型的基本生理结构基础上对复杂参数进行简化，却也受限于简化模型结构可能导致估测精度降低。随着深度学习模型的发展，通过构建产量驱动因素和产量间的非线性回归模型备受关注。玉米长势和产量间的关系主要表现为非线性。 玉米生长 过程受到气候变化和土壤成分等多种因素影响，深度学习方法可通过多层次、多尺度的非线性变换和学习，在作物产量估测领域展现较大潜力。

本研究是以山西省太原盆地和上党盆地为研究区，结合Sentinel-2影像计算的多种植被指数、贝叶斯优化算法，构建Transformer（TF）、Transformer-LSTM（TFL）、Transformer Encoder-LSTM（TFEL）深度学习估产模型，并通过SHAP方法解释混合模型内部决策和目标结果。结果表明，相较于TFL模型（R²=0.62，RMSE=974.14 kg/hm²，MAPE=13.50%，NRMSE=15.14%）和Transformer模型（R²=0.53，RMSE=1028.76 kg/hm²，MAPE=19.13%，NRMSE=16.16%），TFEL模型具有较高的估产精度（R²=0.72，RMSE=756.43 kg/hm²，MAPE=10.58%，NRMSE=11.86%）。增强型植被指数2（Bands Enhanced Vegetation Index 2，EVI2）和绿色叶绿素植被指数（Green Chlorophyll Vegetation Index，GCVI）在玉米产量估测特征重要性排序位于前列。而相较于TFL模型，TFEL 模型可有效聚焦于关键遥感参数信息，稳定识别和量化关键遥感参数对估测结果的贡献度，进而提高产量估测精度。

解毅教授将继续从事农业遥感的相关研究工作，逐步完善团队对农作物种植面积提取、产量估测及预测体系，从而推动遥感技术在农业方面的应用研究。

论文信息：解毅,黄家一,荀兰,等.基于可解释性深度学习的遥感玉米估产研究[J].农业机械学报,2026,57(8):193-202+234.

论文链接：https://www.j-csam.org/jcsam/article/abstract/20260819?st=search