作物遥感估产的建模方法主要包括统计回归模型法和机器学习法。

统计回归模型法主要基于遥感波段或遥感植被指数建立与产量的经验回归关系，建立遥感数据和产量之间的数学模型，主要包括最小二乘（Least Squares，LS）法和线性回归（Linear Regression，LR）法等。统计回归模型具有简单直观、快速高效、适用性广泛等优点，可用于获取大范围的作物产量信息。Li等^［48］基于PLSR方法建立产量预测模型估算了区域大豆产量，验证了LAI、生物量等参数与大豆产量的显著相关性。回归模型建模方法简单但仍有一定局限性，存在模型稳健性不强的问题^［64］。此外，作物的产量形成具有非线性特点，对于复杂的非线性关系使用简单的回归模型可能会影响估产结果的精度和准确性^［77］。

机器学习方法则是一种基于数据的建模方法，通过对大量数据进行训练学习遥感数据与产量信息之间的复杂关系^［78］，从而建立作物估产模型，主要包括支持向量机回归（Support Vactor Regression， SVR）、BPNN等。机器学习可以自动学习来自多个数据级别的特征，因其高精度、训练快速及可用小样本建模等优势被广泛应用。Mateo-sanchis等^［79］利用机器学习方法组合光学EVI和微波植被光学深度（Vegetation Optical Depth，VOD）的完整时间序列，并构建估产模型预测大豆产量，最终获得了较高的估产精度，其决定系数R²高达0.9。Krupavathi等^［10］在研究中指出，利用ANN方法构建产量预测模型相对稳定，可较好地获取作物产量与遥感参数之间的复杂关系，在产量预测中具有优越性。因此，相较于统计回归模型方法，机器学习法在油料作物估产领域具有更大的应用潜力。

国内外一些学者基于遥感技术在不同油料作物的估产研究上进行了探索，证明了机器学习方法在油料作物估产上的优越性。Pejak等^［80］利用多光谱植被指数，分别基于SVM、RF、极限梯度提升（Extrme Gradient Boosting，XGB）、随机梯度下降法（Stochastic Gradient Descent，SGD）等多种不同的机器学习算法构建模型预测大豆产量，并探索不同模型的估产性能，结果发现相较于其他算法，SGD模型表现最佳，平均绝对误差MAE为0.436 t/ha，相关系数为0.83%。Schwalbert等^［81］基于光学遥感数据计算的EVI和NDVI，结合长短期记忆神经网络（Long Short-Term Memory， LSTM）构建区域大豆产量预测模型并估算了大豆产量，与基于RF方法构建的估产模型预测结果进行比较，发现LSTM模型的MAE、RMSE指标均低于RF，说明LSTM在大豆产量预测方面的性能优于传统的机器学习算法。Sun等^［74］基于光学遥感反射率，利用卷积神经网络（Convolutional Neural Network， CNN）、LSTM算法提出了一种CNN-LSTM深度学习模型并模拟县级大豆产量，研究表明相较于单纯的CNN、LSTM，所提出的CNN-LSTM模型预测性能更佳，其决定系数R²为0.78。Abbaszadeh等^［82］通过集成3维卷积神经网络（Three-Dimensional Convolutional Neural Network， 3DCNN）和卷积长短期记忆（Convolutional Long Short-Term Memory，ConvLSTM ）两个深度神经网络构建估产模型，利用MODIS数据研究美国多个县的大豆产量，表明所提方法的大豆估产性能优于单独的3DCNN和ConvLSTM，能够更准确、可靠地用于大豆估产。Zhou等^［83］基于多光谱大豆数据和CNN模型，开发了一种混合CNN模型用于估算大豆产量，并获得了较高的估产精度，预测精度R²为0.78，研究指出深度学习方法在大豆产量预测方面具有较大潜力。Teodoro等^［84］基于多光谱数据，提出了一个深层的深度学习网络用于大豆产量预测，并将其与RF、SVM和LR浅层学习模型进行比较，发现基于深度学习网络构建的估产模型预测精度最高。Reisi-gahrouei等^［85］基于机载SAR数据的L波段，利用多元线性回归（Multiple Linear Regression，MLR）和ANN构建模型估计油菜、大豆作物的生物量，结果表明基于ANN构建的模型生物量估计更为准确。Yu和Shang^［86］通过HJ-1A/1B计算的NDVI值结合物候特征，利用RF方法构建估产模型估算区域向日葵产量，结果证明RF模型可用于准确预测区域向日葵产量，均方根误差RMSE为0.4 t/ha，相对误差为10.1%。Zeng等^［87］利用PLSR和ANN建立向日葵产量预测模型，结果表明结合遥感数据和ANN模型在向日葵产量预测方面具有一定优势。Amankulova等^［88］基于Sentinel-2多光谱数据计算的植被指数，分别采用MLR、RF、SVM三种方法构建模型预测向日葵产量，结果表明RF方法是预测田间规模作物产量的最佳机器学习方法。大量研究证实了机器学习方法在油料作物遥感估产领域的优势。

与回归模型方法相比，机器学习算法通常需要更多的计算资源和时间优化模型。因此，尽管机器学习方法表现更佳，在区域估产研究中，要基于实际情况和研究目标，结合各方法的优势和局限性，选取适当的建模方法。