结合基于过程的作物模型与机器学习,用于黄淮海平原早期夏玉米产量预测

《Field Crops Research》:Integrating a process-based crop model with machine learning for early-season summer maize yield prediction in the Huang-Huai-Hai Plain

【字体: 大 中 小 】 时间:2026年09月24日 来源:Field Crops Research 7.9

编辑推荐:

   • 提出了一种将作物过程模型与机器学习相结合的混合模型用于产量预测。• 我们进一步从时间和空间两个方面比较了该混合模型的泛化能力。• 混合模型在区域尺度产量预报中表现出优越的准确性和时效性。• 确定了不同发育阶段限制产量的关键因子。引言玉米(Zea mays L.)是全球种植

  

• 提出了一种将作物过程模型与机器学习相结合的混合模型用于产量预测。• 我们进一步从时间和空间两个方面比较了该混合模型的泛化能力。• 混合模型在区域尺度产量预报中表现出优越的准确性和时效性。• 确定了不同发育阶段限制产量的关键因子。引言玉米(Zea mays L.)是全球种植最广、产量最高的谷类作物之一,贡献了全球谷物产量的近40%(FAO,2023)。它不仅直接作为人类的食物来源,也是畜牧业的重要饲料资源,在保障粮食安全和促进经济发展方面发挥着重要作用(Han等,2024b)。在全球气候持续变化的背景下,热浪和干旱等极端天气事件的发生频率增加,进一步加剧了对粮食安全的威胁(Zhang等,2025)。准确的产量预测有助于引导农民及时优化和调整农业管理措施(van Klompenburg等,2020;Shuai和Basso,2022),同时也有助于相关政府部门开展防灾减灾工作以及规划调整农业经济政策,从而进一步保障社会粮食安全与经济发展(Zare等,2024)。过程性作物模型和统计模型是产量预测的两大主要工具(Zhao等,2016;Shuai和Basso,2022)。过程性作物模型基于作物生长的生理机制,综合考虑土壤、作物与大气之间水和养分的传输过程(Yin等,2021;Chapagain等,2022)。这些模型利用方程描述作物生长发育的关键过程,包括光合、呼吸、叶面积展开、生物量分配和产量形成(Monteith,1996;de Wit等,2019)。通过将观测气象数据与预报数据结合驱动作物模型,可以提前预测作物的生长、发育和产量。然而,作物模型需要站点特定的农业观测数据进行参数校准,在区域尺度应用时,预测精度可能会受到影响(Mavromatis,2016)。随着遥感技术的发展,将植被生长相关的遥感数据同化到作物模型中,有效约束了模型的过程变量,显著提高了区域尺度作物模拟与预测的精度(Huang等,2024;Li等,2024)。然而,同化算法虽然可以扩展模型的适用性,但并不改变其结构(Huang等,2019)。极端热浪或干旱等极端天气事件对作物具有非线性影响,难以用显式公式捕捉。此外,作物模型的结构复杂性使得整合各类监测极端天气事件的指数面临挑战,从而限制了模型在此类条件下的精度(Eitzinger等,2013;Marin等,2017)。统计模型基于数学统计方法,通过建立多种影响因素与作物产量之间的定量关系,利用回归方程进行产量计算与预测(Hu等,2024)。由于其结构简单、易于理解,这些模型在实践中获得了广泛认可和应用(Li等,2019;Romanovska等,2023;Heilemann等,2024)。然而,作物生长发育对影响因素的响应往往具有非线性动力学特征,这对传统多元回归方程准确捕捉各因素与作物产量之间的复杂关系构成了重大挑战(Roberts等,2017b)。随着人工智能技术的发展,机器学习因其卓越的非线性建模能力和高精度而广泛应用于产量预测(Hu等,2023;Teshome等,2024)。Chen等(2023a)利用机器学习方法开发了一个产量预测模型,成功在成熟前约两个月预测产量。Ma等(2021)结合遥感数据和气候数据,比较了多种机器学习模型在预测玉米产量方面的准确性。机器学习模型在数据整合方面的灵活性使得产量预测模型能够结合各类新型观测数据和灾害指标,从而增强其描述极端灾害对作物生长发育影响的能力(Schwalbert等,2020;van Klompenburg等,2020)。尽管机器学习模型在极端天气条件下的产量模拟精度优于过程性作物模型,但其端到端的黑箱结构无法捕捉作物生长过程,限制了模型的可解释性和泛化能力(Kern等,2018;Cai等,2019)。近年来,将过程性作物模型与机器学习方法相结合,开发用于产量预测的混合模型已成为一个突出的研究热点(Bai等,2024;Heinemann等,2024;Zhang等,2024)。这些混合模型将作物模型的输出变量作为物理约束,结合机器学习强大的非线性模拟能力和驱动数据的灵活性,提高了产量预测的精度和时效性。例如,Feng等(2020)基于APSIM模型和机器学习方法开发了一种用于产量预测的混合模型,整合了极端气象灾害指数和遥感指数等多源数据,增强了模型对极端气候事件的响应能力。类似地,Li等(2023)采用类似的混合模型框架,评估了不同预测提前量下预测精度的变化。可解释机器学习技术的发展促进了对模型内部驱动因子与响应变量之间关系的深入理解,从而增强了科学严谨性和可信度(Jones等,2022;Du等,2024a)。然而,作物生长发育是一个连续过程,作物对环境响应的机制也随时间变化。因此,不同发育阶段各环境因子对作物的影响需要进一步比较和研究(Slafer等,2015;Sadras等,2024)。此外,虽然将机器学习与作物模型变量和极端天气指数相结合可提高产量模拟精度,但现有研究通常使用实际天气条件下的模拟变量,导致作物模型中的胁迫因子与极端天气指数之间存在冗余,在混合模型训练过程中造成混淆,影响模型内部参数的训练和解释。中国的黄淮海平原是夏玉米的重要产区,在国家粮食安全和经济发展中发挥着关键作用(Zhao等,2018)。然而,该地区地处亚热带与温带过渡带,面临高温和干旱等潜在灾害的威胁,影响着夏玉米的生长(Liu等,2022;Zheng等,2024)。本研究聚焦于黄淮海平原,开发了一种具有继承特性的混合模型,结合基于遥感同化技术的作物模型和机器学习方法预测夏玉米产量。此外,借助机器学习可解释性方法,阐明不同发育阶段环境因子对夏玉米的影响机制,为黄淮海平原优化种植管理和调整农业政策提供科学依据。本研究的主要目标为:(1)验证遥感数据同化后作物模型的模拟精度;(2)阐明研究区夏玉米产量的时空变化特征;(3)比较不同机器学习算法的混合模型在各预测时间跨度下的产量预测精度,并评估其在时间和空间维度上的泛化能力;(4)分析不同环境因子在各发育阶段对夏玉米产量的影响机制,从而确定不同阶段影响产量变化的主导因子。区域概况黄淮海平原东临渤海和黄海,西北与太行山脉相邻(图1)。该地区地势以平原为主,属暖温带半湿润气候。包括北京和天津两个直辖市以及河北、山东、河南、江苏和安徽五个省份。夏玉米的生长季节集中在6月至10月,雨热同期(Zhao等)。预测日期确定与作物模型验证基于研究区农业气象站的观测数据,2008至2020年间夏玉米从VE至R6各发育阶段的分布日期相对稳定(图3a)。为进一步探究不同发育阶段产量预测精度的变化,采用多年平均观测日期确定混合模型的预测日期,其中VE对应预测时段S1(DOY=169),V6对应S2(DOY=185),混合框架的优势准确预测主要作物产量对保障粮食安全、维护社会稳定和支撑可持续经济发展至关重要。近年来,混合模型作为一种提高产量预测精度的有前景的方法应运而生(Feng等,2019)。例如,Li等(2023)展示了将APSIM模型与机器学习方法相结合将APSIM模型与机器学习方法相结合,在收获前约一个月预测玉米产量,RMSE达到1.2 t ha?1。结论本研究开发了一种将作物模型与机器学习方法相结合、利用多源数据的混合模型用于产量预测。该方法结合了作物模型的物理约束与机器学习在数据整合方面的灵活性和强大的非线性拟合能力。主要结论如下:首先,基于RF算法的混合模型在不同预测阶段的性能优于其他机器学习方法,CRediT作者贡献声明Dianchen Han:撰写初稿、可视化、验证、软件、方法论、概念构思。Peijuan Wang:撰写审阅与编辑、监督、项目管理、资金获取。Yuanda Zhang:验证、软件、数据整理。Yang Li:验证、软件、调查研究、数据整理。Junxian Tang:软件、调查研究、数据整理。Qing Li:验证、软件、数据整理。Qi Wang:可视化、验证、数据整理。Yuping Ma:软件。利益冲突声明作者声明不存在已知的竞争财务利益或个人关系,这些关系可能影响本文所报告的工作。致谢本研究受国家重点研发计划(2022YFD2001003)、国家自然科学基金(32171916)、中国气象局创新发展专项(CXFZ2024J050)、中国气象科学研究院基础研究基金(2024Z001)、中国气象科学研究院科技发展基金(2023KJ025和2024KJ010)、中国气象局科技创新团队(CMA2024ZD02)、气象联合研究开放基金资助。Dianchen Han | Peijuan Wang | Yuanda Zhang | Yang Li | Junxian Tang | Qing Li | Qi Wang | Yuping Ma | Dingrong Wu
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号