伊利诺伊大学厄巴纳-香槟分校研究人员近日公布一项基于人工智能的新方法，可在本地产量数据较为有限的情况下生成巴西高分辨率大豆产量图，并用于提升全国范围的产量估算能力。研究团队表示，该方法通过引入迁移学习，将既有模型知识用于巴西场景，使得在直接报告的本地产量数据稀缺地区也能开展较高性能的产量预测。
相关成果发表于《国际应用地球观测与地理信息学杂志》。
以州级数据实现更细粒度预测
研究团队介绍，新框架整合卫星观测、气候数据与巴西州级大豆产量统计，并利用迁移学习技术复用早期美国大豆产量预测模型中的知识。在此基础上，研究人员使用巴西州级数据对模型进行调整，从而在市级尺度开展更为细致的产量预测。研究称，这是巴西农业领域跨尺度人工智能产量预测在全国范围应用的案例之一。
研究人员指出，巴西作为全球最大的大豆生产国和主要食品出口国之一，但高分辨率的大豆产量数据长期相对缺乏。团队认为，这类数据对精准农业、风险管理与可持续规划具有重要意义，而数据不足也限制了对相关农业区域的量化研究。此前一些作物产量建模往往依赖较粗的州级数据来推断市级或田块级产量，且在全国尺度的表现有限。
在缺少市级产量数据下仍保持表现
研究结果显示，在不使用任何市级产量数据的情况下，该巴西大豆模型仍取得较强预测性能。研究以解释方差（R²）作为关键指标，称新模型的R²较传统跨尺度研究实现翻倍提升。在加入市级数据后，模型表现进一步提高，R²达到0.57，研究称其与依赖大量数据的现有最佳方法相当。
迁移学习用于降低数据门槛
研究团队将本次工作的核心创新归因于迁移学习：通过复用既有模型并在新区域进行微调，减少从零构建模型对大量本地数据的依赖。研究人员表示，他们将用于预测美国大豆产量的模型知识迁移至巴西，并仅使用巴西州级数据或稀疏的市级数据进行微调，以适配两国在气候、作物物候与管理实践方面的差异。
第一作者张佳颖表示，该方法将跨尺度产量预测的有效性从理论上限的50%提升至78%；该理论上限指使用高度详细本地产量数据训练模型所能达到的最佳性能。她称，结果表明迁移学习有助于缓解农业建模中的数据稀缺与可扩展性问题。
指向全球产量监测与市场相关应用
研究团队指出，提升巴西大豆产量的监测与预测能力，有助于更准确理解全球大豆供应及巴西大规模农业的环境影响。研究称，更高的可预测性将支持对供需关系、土地利用变化与土壤健康影响的评估。
项目负责人、伊利诺伊大学农业生态系统可持续发展中心主任、Levenick讲席教授关凯宇表示，高精度监测与预测区域及全球作物产量，对市场分析、贸易预测以及美国大豆生产者的风险评估具有战略意义。研究团队同时表示，该框架为在数据有限地区应用先进产量建模提供了路径，可用于粮食安全规划、气候风险管理与基于证据的农业政策制定。
