南京农业大学智慧农业创新团队在国际著名顶级遥感期刊《Remote Sensing of Environment》发文！

本研究针对水稻产量遥感预测中时间窗口不精细、植被指数法在高生物量冠层光谱信号饱和与跨年份模型泛化方面的局限等问题，旨在评估总初级生产力（GPP）与传统植被指数在田块级水稻产量预测中的性能差异，并提升跨年份预测精度。通过分析高分辨率GPP和NDRE与产量的相关性，确定最优预测时间窗口，利用迁移学习算法和提出的跨年度GPP校正（CGC）方法进行预测。结果表明，累积月变量与产量相关性更高，CGC方法在独立年份预测精度优于迁移学习，无需大量样本即可实现高精度跨年份产量预测，为农业遥感应用提供了新思路。