2025年11月，新疆师范大学王浩团队在Field Crops Research（Q1，IF: 6.4）发表了题为“Dynamic cotton yield prediction using climate and remote sensing data with a multi-task learning approach”的研究。

该研究系统构建了一个基于多时相气象因子与遥感植被指数的多任务学习（MTL）产量预测框架，实现了棉花产量在 15–120 天不同提前期的动态预测。研究在大尺度农田管理、气候风险预警以及粮食安全战略中具有重要价值。

主要结论
本研究整合 7 项气象变量与 14 项遥感植被指数，构建跨 T1–T9 生育期的动态棉花产量预测体系，并通过不确定性加权多任务学习（MTL）实现不同提前期的同步建模。结果显示：产量预测精度随季节推进持续提升，收获前 60 天表现最优（R² = 0.71，RMSE = 519.7 kg/ha）；关键特征主要集中在 T5–T9，其中 T6（花铃期）的 GDD 与 GDVI 长期位列最重要特征，反映盛期光合作用与热量供应对产量形成的决定性作用。相比单一数据源，气象—遥感融合显著提高模型稳健性，体现多源数据对区域尺度估产的增益效果。整体而言，研究提出的 MTL 框架为规模化棉花动态估产提供了高效、可推广的技术路径。

挑战和展望
尽管模型表现优异，但仍面临多时相遥感噪声、极端气候事件干扰、气象站点稀疏导致的数据不完整性等问题，尤其在苗期（T1–T3），VI 易受土壤与地膜影响，限制早期预测能力。此外，多源数据融合后的内部机制仍不够透明，可解释性不足。未来研究可围绕三方向推进：其一，发展更强的时空深度网络提升跨生育期关联建模能力；其二，融合无人机近地遥感、地面观测与卫星数据以降低噪声、提升早期预测精度；其三，构建区域化气候风险—产量响应体系，并探索模型向其他作物与更大尺度迁移的潜力，以支撑农业管理与粮食安全的战略需求。

图文赏析

图1. 研究区和采样地点：（a）研究区的位置;（b）2021年棉花样本采集和产量测量的分布;（c）2023年棉花样本采集和产量测量的分布情况。

图2. 用于棉花产量预测的技术路线图。

图3. 概念性的SEM框架展示了假设的路径（H1–H3），连接气候、植被指数和产量。

图4. 多任务学习网络示意图。（a）预设的棉花产量预测交期。（b）模型结构。

图5. 不同生长周期下，气候变量、VI与棉花产量之间的相关性。

图6. 路径分析图展示了气候和植被指数在不同时期对产量的直接和间接影响。