图1  佛罗里达州Citra的生长季节温度。以摄氏度为单位的温度图显示了连续三年指定期间的每日最高（红色）、平均（绿色）和最低（蓝色）温度。2021年（上图）、2022年（中图）和2023年（下图）的数据跨度为11月至5月。

图2  高光谱数据采集工作流程。工作流程图概述了高光谱成像（HSI）数据收集和处理的步骤，分为三个主要阶段：任务规划、图像采集和图像处理。每个阶段都有具体的任务，包括飞行任务的规划、设备的准备和先进图像处理技术的应用。这种方法保证了对高质量高光谱数据的系统收集、处理和分析，以产生可靠和准确的结果。

图3  2021-2023年高光谱波段的广义遗传力值。在佛罗里达州Citra的（A）2021、（B）2022和（C）2023三个生长季节测量的高光谱波段的广义遗传力（H2）值。每个图显示了不同高光谱波长的H2值，颜色表示不同的遗传水平，数据来自每个相应年份的平均高光谱波长值。

图4  G、H和G+H模型在预测粮食产量（GY）方面的年内预测精度。按年份和模型（佛罗里达州Citra）对GY（kg ha−1）的模型预测精度。条形图显示了2021年至2023年应用于佛罗里达州Citra线路的不同模型的实际和预测GY之间的相关性（ρ）。每个模型的性能都使用10倍交叉验证方法进行验证，并采用80/20的训练测试分割。

图5  使用在高光谱成像（HSI）或基因组数据上训练的机器学习（ML）模型预测粮食产量（GY）准确性的柱状图。柱状图显示了使用随机森林回归器（RFR）、支持向量机回归器（SVMR）、梯度增强回归器（GBR）和人工神经网络（ANN）模型对佛罗里达州Citra的GY值（kg ha−1）进行训练以预测GY时的预测精度。

图6  结合高光谱和基因组数据预测粮食产量（GY）的机器学习（ML）模型的年内预测准确性。GY按年份和模型的模型预测精度。显示2021年至2023年应用于佛罗里达州Citra线路的ML模型的实际和预测GY之间的相关性（ρ）。使用80/20训练测试分割的10倍交叉验证方法验证模型性能。

图7  基于不同再生核Hilbert空间（RKHS）模型的粮食产量（GY）前向预测精度。条形图显示了预测佛罗里达州Citra GY的不同模型的预测精度（ρ）。上图显示了使用Citra 2021年的数据对2022年生长季节的预测精度。下图显示了使用Citra 2021和2022的数据对2023年生长季节的预测精度。

图8  前向预测中前25%收益线预测的模型比较。散点图可视化了综合多元和梯度增强回归（GBR）模型在前向预测情景下的预测产量与观测产量，其中2023年是根据2021年和2022年的数据预测的。虚线显示了平均观测和预测的粮食产量（GY）值，表明数据的中心趋势在0左右。象限A-D根据数据点相对于这些平均值的对齐情况对数据点进行分类：高于两个平均值的预测和观测，低于两个平均数的预测和观察，高于平均预测但低于平均观测，低于平均预测但高于平均观测。