冬小麦产量受气候条件、作物生长状态、区域管理水平和极端胁迫事件等多重因素影响，传统估产方法在面对复杂环境变化、年际波动和空间一致性时仍存在精度不足、泛化能力有限和解释性较弱等问题。近日，种质资源与生物技术研究所植物品种保护与鉴定团队在国际知名期刊《Agricultural and Forest Meteorology》（中科院一区TOP, IF5-yr=6.6）上在线发表了题为 “Predicting county-level winter wheat yield in Eastern China using multi-source spatiotemporal data: An explainable machine learning approach” 的原创研究成果。该研究围绕区域冬小麦产量精准预测这一农业生产和粮食安全中的重要问题，系统整合气象因子、植被指数和高分辨率太阳诱导叶绿素荧光（GOSIF和CSIF）等多源时空数据，结合多种机器学习方法构建县域冬小麦智能估产模型和技术方法，并系统评估了模型在不同数据组合、生育阶段以及时空验证条件下的预测表现和泛化能力。

研究表明，气候数据与卫星遥感数据融合能够有效提升冬小麦产量预测能力。基于Transformer架构和贝叶斯推断的预训练模型TabPFN展现出更好的预测精度、稳定性和泛化能力。研究发现，气候因子在生育前期对产量预测贡献较大；随着小麦生长进程推进，遥感数据逐渐发挥其在表征冠层生长和光合状态的效用，并与气候因子形成互补，在模型中的作用逐步凸显。在年度泛化、空间分区交叉验证和训练样本减少等测试中，TabPFN仍表现出较好的稳定性，显示出其在区域估产和小样本农业预测场景中的应用潜力。

研究进一步采用SHAP和PDP可解释性分析方法，揭示了模型在不同年份和不同环境条件下的预测逻辑变化。结果显示，正常年份模型更关注早期生长潜力相关指标，而异常或胁迫年份则更多依赖关键生育期温度和SIF等反映生理胁迫的特征。研究说明，SIF数据能够在一定程度上捕捉传统植被指数难以充分反映的作物生理胁迫信息，为构建更加稳健、可解释的作物产量预测系统提供了依据。这项研究也为团队进一步开展作物遥感表型信息提取、智能评价和DUS测试数字化研究提供了方法参考和技术积累。

资源所植物品种保护与鉴定团队卢必慧助理研究员为本论文第一作者，于堃研究员为通讯作者。本研究得到农业生物育种重大专项（2022ZD0401801）资助。

论文链接：https://doi.org/10.1016/j.agrformet.2026.111236