图1.研究区。威尼托（训练区）与伦巴第‑皮埃蒙特（独立验证区）样点空间分布；包含训练区哨兵‑2 真彩色合成影像以及代表性实地产量样地放大图。
图2.马铃薯作物从播种至收获的卫星数据采集日期。
图3.本研究采用的技术方法工作流程图。
图4.作物产量预测深度学习框架结构图。(a) 时间通道投影模块（TCP）；(b) LiteTemporalConv 模型；(c) MS‑ConvBiGRU‑Attn 模型。
图5.GTSS 特征选择结果。(a) 按 GTSS 得分排序的经稳定性筛选的植被指数与 Sentinel‑2 光谱波段；(b) 经稳定性筛选的植被指数、光谱波段对应的卫星获取日期。
图6.(a) LiteTemporalConv 模型、(b) MS‑ConvBiGRU‑Attn 模型的训练损失与验证损失曲线。
图7.马铃薯实测产量与预测产量散点图。(a) LiteTemporalConv 模型；(b) MS‑ConvBiGRU‑Attn 模型。拟合回归线与 1:1 参考线高度重合，说明模型在全部产量区间均具备良好的校准效果。
图8.各基准机器学习模型与本文深度学习模型的交叉验证性能对比。(a) 平均决定系数 R²；(b) 平均均方根误差（t/ha）与相对均方根误差（%）。
图9.训练集上编码器输入特征的时序置换重要性。(a) LiteTemporalConv 模型；(b) MS‑ConvBiGRU‑Attn 模型。
图10.
基于生长季中期数据训练的模型，应用于哨兵‑2 生长季后期输入数据时的实测与预测产量散点图。(a) LiteTemporalConv；(b) MS‑ConvBiGRU‑Attn。
