早期的预测和空间分类分析表明，长江三角洲地区的水稻产量具有较大的增长潜力

《Ecological Indicators》：Early forecasting and spatial typologies indicate rice yield growth potential in Yangtze River Delta

水稻产量预测与产量差距动态管理框架研究（摘要） 本研究提出YS-RYG-IMF整合框架，通过 Bias-Corrected Hierarchical Random Forest (BC-HRF)模型实现六个月前水稻产量的预测，结合ISODATA聚类和移动窗口线性回归（MWLR）动态识别产量差距（YG）趋势，并构建区域优先级地图。基于长江三角洲2006-2021年数据，发现该区域水稻产量总体增长，但存在显著的北-南空间异质性，其中北部安徽产量停滞，江苏和上海呈现持续增长，而浙江南部因气候压力出现产量增长天花板。模型验证显示BC-HRF的R2达0.65，RMSE为700 kg/ha，优于传统随机森林模型。驱动因素分析表明，气候变量（温度、降水、辐射）和土壤特性（土壤含水量、有机碳）是主要影响因素，而社会经济条件（机械化、补贴政策）进一步调节区域差异。该框架为农业早预警报和差异化管理提供科学依据。

　　在面对全球人口增长和有限耕地资源的双重压力下，提高农作物产量已成为确保农业可持续性的关键途径。准确和及时地估计作物产量及产量缺口（YGs）对于评估产量波动、识别潜在风险以及制定有效的应对措施至关重要。尽管短期产量预测技术已经取得显著进展，但长期早期预警系统仍较为缺乏。此外，依赖于收获后的产量统计数据和静态区域划分，限制了农业管理中所需的时空敏感性，以及缓解粮食供应压力的能力。为解决这些挑战，我们提出了YS-RYG-IMF框架，该框架结合了六个月内产量预测与动态产量缺口识别，建立了一个从早期评估到差异化干预的闭环路径。该框架由三个模块组成：（1）使用BC-HRF模型进行水稻产量的六个月前预测，该模型整合了气候、土壤、植被和地形变量，并减轻了回归到均值的影响；（2）通过ISODATA聚类动态识别年度可实现产量（Ya，95分位数），同时通过移动窗口线性回归（MWLR）方法量化产量缺口的动态变化；（3）通过三要素分类法将产量缺口趋势划分为“稳定增长”、“天花板压力”和“停滞地板”类型，并据此构建区域优先级图。

以中国长江三角洲地区（2006–2021）为研究对象，结果表明BC-HRF模型在早期产量预测中表现良好（R2=0.65，RMSE=700 kg ha?1），尽管在极端气候条件下仍存在不确定性。总体来看，区域水稻产量呈现稳定增长趋势，但江苏北部和安徽北部显示出产量增长放缓或下降的趋势。从“天花板压力”和“停滞地板”类型来看，南北方向的空间异质性逐渐增强，表明南方地区的产量提升潜力受到更多限制。优先级区划分析显示，江苏71.4%的区域被划分为第一优先级，而浙江和上海分别为17.9%和10.9%，揭示了区域产量潜力和管理需求的显著差异。进一步的OLS回归结果表明，气候条件、耕作制度和社会经济因素对各省的产量增长产生了不同的驱动作用。

本研究的YS-RYG-IMF框架不仅为农业系统在气候变化下的早期预警和差异化管理提供了理论基础和方法支持，还具有可迁移性和政策相关性。研究区域选择中国长江三角洲，是因为该地区是重要的农业生产区，其产量变化能够反映全国农业生产的动态趋势。该地区具备典型的亚热带季风气候，同时拥有大面积的农业平原，这为不同季节的水稻种植提供了良好的环境条件。水稻的生长周期包括3月的播种、5月的移栽和8月的收获，而晚稻的种植则包括5月的播种、6月的移栽和10月的收获。因此，研究将生长季定义为3月至10月，而在某些地区，水稻成熟期甚至可延伸至11月。考虑到气候变化和潜在的气候滞后效应，模拟期被设定为2月至11月。

为了系统评估水稻产量和产量缺口的时空动态，本研究采用了多种数据集和分析方法。这些数据集包括来自欧洲中期天气预报中心（ECMWF）的ERA5-Land日尺度再分析数据，覆盖全球陆地表面，空间分辨率为9.8 km。研究利用2005至2021年的日尺度数据，包括温度、降水、辐射、土壤湿度等，以表征水稻生长环境的气候条件，总共有1,426,248张图像。为缓解边界效应导致的数据缺失问题，研究采用了邻域平滑和高斯模糊算法对缺失值进行插值。随后，通过时间聚合和双三次插值方法，对所有变量进行了时空重采样，生成了1 km分辨率的月尺度数据。

为了评估干旱等极端气候事件对产量变化和预测误差的潜在影响，本研究使用了标准化降水蒸散发指数（SPEI）。SPEI基于降水与潜在蒸散发之间的气候水分平衡，广泛应用于评估气象干旱对植被动态的影响。SPEI结合了帕尔默干旱严重度指数（PDSI）和标准化降水指数（SPI）的优势，能够捕捉降水变化和温度上升导致的增强蒸散发，从而提供更全面的干旱过程表征。SPEI可以在1至48个月的时间尺度上计算，以表征不同持续时间和累积效应的干旱。研究采用了3个月尺度的SPEI（SPEI-3）来捕捉水稻生长季的季节性干旱条件，并帮助解释与水文气象因素相关的异常预测误差。

此外，研究还整合了MODIS植被指数数据集，用于监测全球生态系统和评估农业生产需求。MOD13Q1增强植被指数（EVI）是基于光学遥感多波段反射率数据计算的，具有250 m的空间分辨率和16天的时间分辨率。EVI在高生物量区域表现出高灵敏度，适用于捕捉植被动态。MOD15A2H提供了全球植被生产力评估数据，具有8天的时间分辨率和500 m的空间分辨率。其叶面积指数（LAI）是评估作物截获太阳辐射和监测水分胁迫的关键参数。MCD43A4提供了16天周期内500 m分辨率的36个光谱波段数据，主要用于研究地表反射率特性的季节变化和长期趋势。绿色叶绿素指数（GCI）通过绿色波段评估植被叶绿素含量，从而监测植被健康状况。MYD11A2提供了8天周期内的1 km分辨率日/夜地表温度数据，用于评估作物水分条件。

研究还利用SRTM数字高程模型和全球土壤数据库（HWSD）提供的土壤类型和属性数据，以表征水稻种植的环境背景和土壤条件。SRTM提供了两种地形产品：数字高程模型（DEM）和坡度，分别提供了地表高程信息和最大高程变化率。这些产品在地形特征分析和植被研究中被广泛使用。

CNLUCC数据集提供了基于遥感的多时相土地利用监测数据，空间分辨率为1 km。在该数据集中，耕地被分为水田和旱地，其中水田被识别为水稻种植的空间分布。研究从省级统计年鉴中获取了县级水稻产量数据，其中部分省份的年鉴记录不完整，缺失数据通过中国农业农村部作物生产管理处提供的数据进行补充。根据统计年鉴的文档，水稻产量数据是通过省级统计调查团队进行的实地随机抽样收集的，遵循国家长期标准。抽样误差严格控制在-3%至3%之间，确保了数据的准确性和代表性。因此，这些基于年鉴的数据已被广泛应用于以往的遥感和模型驱动的产量模拟研究。

为了识别驱动水稻产量和产量缺口时空动态的主要机制，研究开发了一个基于变量分组的分层回归框架。该框架整合了子群层面的普通最小二乘法（OLS）建模、关键变量选择以及省级层面的全局OLS回归，包括交互项，从而提供了在多因素影响下的全面评估。研究过程分为三个阶段：（1）变量分类和局部建模：所有解释变量被分为五组，基于其物理属性（气象、土壤、植被、地形和管理）。对于每个“省-产量趋势”子群，分别构建了不同变量组的OLS模型，以识别具有最高解释力的类别；（2）关键因子识别：在每个子群的最佳变量类别中，提取了所有变量的回归系数和显著性水平（p值）。p值最低的变量被指定为关键驱动因子，并记录其影响方向和大小；（3）交互式全局建模：从所有子群中识别出的最重要变量被整合到一个全局OLS回归模型中，该模型包括“变量×省”交互项。这种结构使模型能够检测到省际差异，从而增强了模型的时空解释能力。

为了评估预测模型的性能，研究使用了统计指标，包括决定系数（R2）、均方根误差（RMSE）、平均绝对误差（MAE）、归一化均方根误差（NRMSE）和相对均方根误差（RRMSE）。这些指标通过以下公式计算：R2 = 1 - ∑(y_i - ?_i)2 / ∑(y_i - ?)2；RMSE = √[∑(y_i - ?_i)2 / n]；MAE = ∑|y_i - ?_i| / n；NRMSE = RMSE / (max(y_i) - min(y_i))；RRMSE = RMSE / ?。其中，y_i表示样本i的实际值，?_i表示预测值，?表示所有样本的平均值。研究结果表明，BC-HRF模型在2006至2020年期间优于RF和HRF模型，预测性能的提升幅度因时间段而异。通过扩展窗口构建训练集，后续年份的预测被定义为滚动预测。滚动预测结果显示，在2006至2008年间，数据量达到饱和点，之后边际收益减少，模型性能趋于稳定。对于数据饱和期的同一年预测，RF模型的R2为0.37–0.70，RMSE为585–1029 kg ha?1。相比之下，BC-HRF模型的R2范围为0.44–0.74，RMSE为524–968 kg ha?1。在不同时间段分割标准下，RF模型的R2为0.53–0.70（RMSE为585–888 kg ha?1），而BC-HRF模型的R2为0.61–0.74（RMSE为524–795 kg ha?1）。这些结果表明，BC-HRF模型在作物产量预测方面优于RF模型，提供了更有效的产量与生物物理变量关系捕捉方法。

研究还通过BC-HRF模型对2006和2021年水稻产量进行了时空动态模拟，捕捉了不同年份之间的产量变化。总体来看，产量从4990–8239 kg ha?1增加到5539–9424 kg ha?1，总产量增加了超过10%。2006年，低产量区域主要位于南方沿海和丘陵地区，由于地形和土壤质量限制。高产量区域主要位于北部平原。到2021年，高产量区域扩大，而低产量区域收缩，表明15年间农业生产力显著提升。

在省级层面，区域产量表现出显著的异质性。2006年，浙江和江苏的产量最低（6042 kg ha?1）和最高（7366 kg ha?1）。到2021年，这一格局发生了变化，安徽和江苏的产量分别为6930 kg ha?1和8035 kg ha?1。浙江和安徽的产量增长速度分别为17.5%和4.5%，反映了产量增长的显著空间差异。

为了评估不同时间段分割标准下产量变化的年际和相对变化率，研究采用了年度变化率和相对变化率指标。从2006到2021年，这两个指标在大多数地区均呈现上升趋势，表明水稻产量持续增长。上海（1.2%，0.59%）和安徽（0.33%，0.17%）的年际和相对变化率最高和最低，反映了安徽产量增长缓慢，上海产量增长相对较快。

空间上，安徽北部的年际和相对变化率呈下降趋势，表明水稻产量趋于稳定，对外部条件的敏感性降低。相反，浙江北部的年际和相对变化率呈上升趋势，反映了水稻产量增长的更高波动性。江苏北部的年际变化率显著上升，而相对变化率下降，表明水稻产量增长的稳定性降低，对外部短期波动更加敏感。

根据年际和相对变化率的结果，研究区域被划分为产量增长和产量下降区。2006至2021年间，YRD主要由产量增长区构成。根据年际变化率，江苏（90.0%）和安徽（75.2%）的产量增长区比例最高和最低。对于相对变化率，上海（89.3%）的产量增长区比例最高，而江苏（63.3%）最低。空间上，安徽北部的产量下降，而江苏北部的产量增长放缓。相反，其他地区的产量增长。

为了分析产量变化驱动因素的空间异质性，研究使用了省际交互OLS回归模型，以年际和相对产量变化率作为因变量，气候、土壤、植被、地形和管理因素作为自变量。这种分析方法使研究能够识别关键区域驱动因素并评估空间异质性。研究结果表明，气候变量在各省中普遍是产量变化的主要决定因素，尽管各省份的主导因素类型、影响方向和统计显著性存在显著差异。

产量增长区（图8a、d）主要由辐射因素（strd_mean、strd_max）驱动，这些因素促进了产量增长和稳定性，特别是在上海和江苏。相反，产量下降区（图8b、e）主要受到温度变量（t2m_mean、t2m_max）的影响，其中适度升温有助于产量形成，但极端高温抑制了小穗结实。跨省份分析（图8c、f）显示，strd_mean和t2m_max通常促进产量增长，而t2m_mean有负效应，可能由于较高的呼吸作用和较短的灌浆期。关于产量稳定性，辐射在安徽和上海增加了变异性，t2m_max在江苏造成了热应激，而沿海升温缓解了上海的低温风险。在省级层面，江苏北部的稳定增长与较高的t2m_mean和较低的fal_max有关，而安徽北部的下降与不足的t2m_max和较高的fal_max有关。江苏北部的弱增长反映了辐射增加和t2m_max减少的综合作用。产量增长和相对增长区域（安徽南部、江苏中部、上海、浙江北部）受益于改善的土壤湿度、辐射、温度和风条件。值得注意的是，t2m_mean在浙江显著抑制了产量，这与全球估计的每1°C升温导致产量下降3.2%一致。

总体来看，有利的水热条件是产量增长的主要驱动因素，而热应激和不足的辐射是进一步提高产量的主要限制因素。各省对相同变量的不同响应强调了制定差异化、气候适应性策略的必要性。

产量缺口类型的空间动态分析揭示了水稻增长潜力的优先趋势。为了减少大规模产量缺口分析中因依赖单一Ya而导致的区域不确定性，本研究采用生物物理变量进行环境分区，并据此计算产量缺口和相对产量缺口。2006至2021年间，YRD的大多数地区表现出低变异性，产量缺口和相对产量缺口均低于500 kg ha?1和1.1。农业普查单位中差异较小的地区更容易经历未来的产量停滞，而差异较大且尚未达到的地区则具有显著的产量增长潜力。空间上，安徽中部和江苏特定区域显示出显著的差异，表明这些地区具有较高的产量增长潜力。

省级层面的OLS回归模型分析了产量缺口和相对产量缺口的驱动因素，结果表明气候因素是产量缺口空间异质性的主要驱动因素，尽管其影响方向和强度在各省之间存在显著差异。温度相关因素在安徽与产量缺口和相对产量缺口呈正相关，表明升温可能加剧灌浆期的热应激，从而扩大产量缺口。相反，在浙江，较高的t2m_mean与产量缺口和相对产量缺口呈负相关，表明热资源仍低于水稻生长的最优阈值，适度升温可能有助于产量稳定。风速的影响表现出显著的空间异质性。在江苏，u10_max与产量缺口呈正相关，而u10_mean对相对产量缺口有显著的负效应。这种对比响应表明，偶尔的强风可能促进植物叶片的气体交换，而持续的风则增加倒伏风险，降低产量稳定性。在上海，v10_mean和u10_mean的增加扩大了产量缺口和相对产量缺口，突显了水稻生产对风应激的高脆弱性。相比之下，在浙江，较高的u10_mean和v10_mean与产量缺口和相对产量缺口呈负相关，这可能反映了沿海水稻系统通过长期适应而具备的更强风耐受性。

总体来看，省际差异不仅由气候变量驱动，还受到水稻生产系统的不同敏感性和适应能力的影响。这些结果表明，优化播种时间和实施风防护措施可以为气候敏感区域提供科学依据，从而缩小产量缺口并提高产量稳定性。

由于线性趋势分析无法充分识别产量缺口变化的潜在原因，本研究采用MWLR方法结合三要素分类，对YRD的产量缺口进行动态区域分类。结果表明，2006至2021年间，产量缺口趋势主要分布在“稳定增长”和“天花板压力”类别中，而相对产量缺口趋势则主要由“稳定增长”类别主导。在“稳定增长”区域，t2m_mean和tp_max对产量缺口和相对产量缺口有显著的正相关，表明这些区域的稳定产量增长得益于充足的水热资源，但未达到限制阈值。在“停滞地板”区域，风速和蒸散发变量（u10_max、v10_mean等）成为主要驱动因素，对产量缺口有正效应。这种模式表明，高风速和增强的蒸散发加速了土壤水分损失，加剧了作物水分胁迫，从而限制了产量增长。因此，实施风障系统和改进水资源管理是克服这些区域停滞的关键。在“天花板压力”区域，主要受到低反照率（fal_mean）、低太阳辐射（str_mean）、降水不足（tp_mean）和风速降低（u10_mean、u10_max）的限制。这些限制因素导致了能量和水分供应的不足，从而降低了产量增长速度和产量天花板的约束。

在江苏，“稳定增长”区域（江苏中部）应加强机械化、精准管理和灌溉-防护林系统，以缓解tp_max和u10_max的不利影响。“天花板压力”区域（江苏北部）需要引入超级稻品种、节水抗旱品种和优化田间布局，以克服src_max和strd_mean的限制并突破产量天花板。同时，“停滞地板”区域需要改善土壤改良、水资源基础设施升级和风障系统，以减轻u10_max的负面影响。

在安徽，中部“稳定增长”区域应采用精准肥水管理与智能监测，以稳定t2m_mean和tp_max的影响。在南部“天花板压力”区域，引入耐热耐湿品种并结合间歇性灌溉是缓解fal_mean和v10_max限制的有效方法。在北部“停滞地板”区域，升级灌溉-排水系统、推广高产品种并应用秸秆还田，可以对抗fal_mean和v10_max的不利影响，从而提高辐射和热利用效率。

在浙江，“天花板压力”主要集中在南部和中部地区，应重新构建耕作制度、推广抗逆品种并实施生态友好的病虫害控制，以抵消u10_mean、etc_max和t2m_mean的不利影响。相反，局部“停滞地板”区域需要针对性地投资灌溉和风障基础设施，以减少etc_max的限制。

在上海，南部“天花板压力”区域需要在关键物候期针对tp_max和tp_mean进行调控，以增强对气候变异的韧性。相反，“停滞地板”区域需要土地整合和生态恢复计划，以减轻v10_mean和tp_mean的负面影响。

此外，研究发现，安徽和浙江的轮作系统产生的产量低于江苏和上海的单季稻种植系统。这一结果支持了Hochman等（2020）的观点，即单一种植系统具有经济优势。因此，安徽和浙江的“天花板压力”和“停滞地板”区域可以通过优化轮作结构来提高产量潜力，这需要政策指导和有针对性的补贴来巩固生产力增长并确保可持续发展。

尽管YS-RYG-IMF框架提供了早期检测高风险区域和制定区域特定管理策略的宝贵工具，但其预测性能仍受到输入数据集空间分辨率和极端气候事件代表性的限制，尤其是在异常年份。未来的研究应整合社会经济驱动因素、高分辨率遥感数据和农场层面的行为数据，以进一步提高模型的泛化能力和政策相关性。总体而言，本研究建立了可迁移的框架和实证基础，以支持精细的、区域特定的产量提升策略的制定。