答辩博士：葛 焱
指导老师：徐焕良教授
论文题目：基于多源时间序列数据特征学习的冬小麦产量预测研究
答辩委员会：
主席：
詹德川 教授/博导 南京大学
委员：
薛新宇 研究员/博导 农业农村部南京农业机械化研究所
田永超 教授/博导 南京农业大学
沈明霞 教授/博导 南京农业大学
计智伟 教授/博导 南京农业大学
答辩秘书：
翟肇裕 副教授 南京农业大学
答辩时间：2026年9月6日14:00
答辩地点：卫岗校区第三实验楼1404
论文简介：
小麦作为全球主要粮食作物，快速、准确、无损地预测其产量，对优化田间管理、提高生产效率和缩短育种周期具有重要意义。针对现有研究多集中于单一数据源、单一特征类型或单一生育期，难以揭示多源特征动态贡献及其互补关系等问题，本文以冬小麦为对象，利用无人机RGB和多光谱影像获取不同生育期遥感数据，提取颜色、光谱、结构和纹理四类特征参数，从多源特征融合、关键特征学习和时间序列建模三个层面开展产量预测研究，旨在构建预测精度高、稳定性好且具有农学可解释性的智能估产方法。主要研究内容与结果如下：
（1）明确了多源特征及其组合的产量预测作用。比较KAN、BPNN、RF、SVR、XGBoost和CatBoost在单、双、三及四特征输入下的预测效果，结果表明，CatBoost综合表现最优，其平均R2由单特征的0.7603提高至双特征的0.7830、三特征的0.8196和四特征的0.8379，RMSE由0.1167降至0.0902 kg/m2，MAE由0.0824降至0.0674 kg/m2。光谱参数对冠层叶绿素、光合活性和衰老状态的表征最为稳定；结构参数反映株高、冠层体积和投影面积，中后期解释能力较强；纹理特征能够补充冠层空间异质性和群体均匀性信息；颜色特征对早期长势和成熟黄化具有辅助作用。双特征融合明显优于单特征，其中光谱与结构组合在精度、稳定性和数据成本间表现较优；三特征融合在部分生育期进一步提升精度，四特征融合虽取得最高精度但相较于三特征融合R2仅提高0.0183，RMSE和MAE分别降低0.0029和0.0024 kg/m2，综合优势有限。
（2）提出了基于特征学习的关键特征筛选与解释框架。基于CatBoost，采用SHAP、mRMR、PCA和UMAP方法，比较Top10、Top20和Top30特征的预测效果。SHAP侧重识别对模型输出贡献较大的光谱特征及具有交互作用的结构、纹理特征；mRMR倾向筛选与产量相关性强且冗余度低的光谱参数；PCA主要保留变异较大的结构和纹理信息；UMAP能提取多类型特征形成的非线性综合信息，但与产量目标的直接关联较弱。总体上，以产量目标为导向的SHAP和mRMR优于PCA和UMAP，其中SHAP-Top20的R2、RMSE和MAE分别为0.8302、0.0986 kg/m2和0.0720 kg/m2，在预测精度、误差控制、特征数量、跨期稳定性和解释性间取得较好平衡。
（3）揭示了关键特征的阶段性贡献及动态互补关系。CVI、ARI、GNDVI、EVI、CIgreen和MSAVI等光谱参数出现频次高、贡献稳定，是表征冠层生理状态和光合能力的核心变量。早期以光谱和颜色参数为主，反映冠层绿度和营养生长；中期随着拔节、冠层扩展和穗部形成，PAI、H98、Hmax、PLA、threeDPI和threeDVolume等结构参数贡献增强，并与光谱参数共同表征生理状态和群体建成；后期结构参数继续反映产量承载基础，Variance、Contrast、Dissimilarity和Homogeneity等纹理参数进一步补充冠层空间异质性与群体均匀性信息。特征交互分析表明，光谱参数间及光谱与结构参数间具有较强协同作用，小麦产量形成信息由生理状态、群体结构和空间组织特征在不同阶段共同表征。
（4）构建了面向多源时间序列数据的小麦产量预测模型DAPNet。该模型通过周期特征编码器适配不同生育期输入，利用双向时序编码提取跨期依赖，通过周期级和特征级注意力识别关键生育期与关键特征，并借助模块化预测网络分解阶段性产量贡献，同时引入正交性损失和农学先验约束，增强训练稳定性与解释一致性。与DLinear、FEDFormer、Informer和Transformer相比，DAPNet在R2、RMSE和MAE上均表现最优，分别达,0.9050、0.0682 kg/m2和0.0445 kg/m2。消融实验表明，双注意力机制是提升预测精度的核心模块，正交性损失和先验约束有助于增强农学合理性。模型还识别出拔节期、抽穗期和成熟后期三个关键阶段，分别对应产量潜力形成、产量构成显现和最终结果表达。生育期相关性分析显示，早期生育期阶段内部相关性较强，中后期相邻阶段具有信息延续性，早期与中后期则呈现功能分化和互补关系。特征重要性进一步表明，模型以光谱特征为核心，并有效融合结构和纹理信息，实现生理状态、群体结构与空间组织信息的协同建模。
主要创新点如下：
第一，构建了面向小麦产量预测的无人机多源表型特征分析体系，系统揭示了不同类型特征参数的阶段性贡献和组合效应。基于无人机RGB和多光谱影像，不仅提取了常用的植被指数，还将颜色指数、结构参数和纹理特征纳入同一分析框架，形成了覆盖冠层表观色泽、生理活性、群体结构和空间异质性的多源表型特征体系。在此基础上，系统比较了单特征、双特征、三特征和四特征组合在不同生育期、不同模型下的产量预测效果，明确了光谱特征作为基础生理信息来源的稳定作用，结构特征在中后期对冠层形态建成和产量承载能力的解释作用，纹理特征对冠层空间异质性和穗叶交错信息的补充作用，以及颜色特征在表观长势和成熟黄化识别中的阶段性价值。还从特征类型、特征组合和生育阶段三个维度揭示了多源表型信息对小麦产量预测的互补机制，表明多源融合的关键不在于简单增加特征数量，而在于优选能够协同表征小麦产量形成过程的有效特征组合，为无人机小麦估产中特征选择、传感器配置和关键时期数据采集提供了依据。
第二，建立了基于多种特征学习方法的小麦产量关键特征优选与解释框架，推动产量预测由模型精度比较向特征贡献解析拓展。系统比较了SHAP、mRMR、PCA和UMAP四种特征学习方法在不同敏感特征数量条件下的产量预测效果，分析了Top10、Top20和Top30关键特征对模型精度、稳定性和解释能力的影响，揭示了不同特征学习准则对多源遥感信息保留的差异化规律，发现了关键特征数量增加与预测性能提升间的非简单线性关系。研究表明，过少特征容易造成关键信息缺失，过多特征则可能引入冗余变量和弱相关信息，特征学习的核心在于实现目标相关性、信息完整性和冗余控制间的平衡。与传统仅依据经验判断或单一模型重要性进行变量优选的做法不同，本文进一步从共同特征、特征贡献度、出现频次、稳定性和特征交互关系等方面分析了不同特征学习方法的优选结果，明确了CVI、ARI、GNDVI、EVI、MSAVI等光谱参数，PAI、H98、threeDPI、threeDVolume等结构参数，以及Autocorrelation、Dissimilarity、Energy、Homogeneity等纹理参数在小麦产量预测中的重要作用，不仅提高了模型预测稳定性，还增强了模型结果与小麦冠层生理状态、群体结构建成和空间组织特征间的可解释联系，实现了从模型优选向关键特征解释的拓展。
第三，自主构建了面向小麦多源时序数据的DAPNet模型，实现了关键生育期、关键特征和阶段性产量贡献的协同建模。针对多源时序小麦估产中存在的生育期贡献差异难以显性刻画、多源异构特征难以动态优选、跨期信息冗余难以有效控制等问题，提出了双注意力先验知识网络DAPNet。该模型通过周期特征编码器适配不同生育周期的多源特征输入，通过双向时序编码提取生育周期之间的动态依赖关系，通过周期级注意力识别不同生育阶段对产量预测的贡献，通过特征级注意力动态优选不同周期中的关键表型变量，通过模块化预测网络分解不同生育周期的阶段性产量贡献，并引入正交性损失和农学先验约束，提高模型训练过程的稳定性和解释结果的农学一致性。与Transformer、Informer、FEDFormer和DLinear等通用时序模型相比，DAPNet更好地适配了小麦生育周期明确、多源特征异构性强、产量形成阶段性突出的任务特点，在预测精度、误差控制和可解释性方面表现更优。基于DAPNet的生育期重要性、生育期相关性和特征重要性分析，进一步识别出拔节期、抽穗期和成熟后期等关键阶段，揭示以光谱特征为核心、结构特征协同、纹理特征补充的多源时序信息组织规律。该模型将多源特征优选、生育期识别和产量形成过程解析纳入统一建模框架，推动小麦产量预测由静态特征拟合向多源时序过程建模拓展。
