摘要
由于依赖于破坏性、劳动密集型且空间受限的田间测量方法，甘蔗系统的产量估算在热带地区仍然是一个主要挑战。尽管遥感技术已被广泛用于作物监测，但当仅使用光谱信息时，其预测性能往往受到限制。本研究提出了一种数据融合框架，将多时相的Sentinel-2光谱波段与气象变量相结合，以改善热带条件下的甘蔗生物量预测。在2022-2023生长季节期间，对一个商业田地进行了监测，并开发了包括随机森林（RF）、支持向量机（SVM）和多元线性回归（MLR）在内的机器学习模型来估算茎秆、叶片和总生物量。为了减少田间空间自相关性可能导致的空间数据泄漏，使用空间块交叉验证（Spatial Block Cross-Validation）来评估模型性能。结果表明，与仅使用光谱数据或仅使用气象数据的情景相比，整合光谱和气象数据显著提高了预测性能。光谱波段与生物量之间的相关性比衍生的植被指数更强，而最高温度和太阳辐射被确定为生物量变异的关键驱动因素。随机森林结合光谱-气象数据融合方法取得了最高的预测性能，茎秆生物量的R2值达到了0.95，均方根误差（RMSE）低至5296.35，相对均方根误差（rRMSE）接近18%，始终优于SVM和MLR。相比之下，仅使用光谱数据的情景在所有生物量变量上的预测准确性较低，预测误差较大。本研究是在墨西哥东南部潮湿热带条件下进行的首批田间规模应用之一，该地区的地理参考产量数据仍然非常稀缺。
