整合地理空间模式与早期季节洞察：加拿大西部油菜籽成分预测模型及其对产业物流的优化意义

本文通过整合地理空间分析与早期气象数据，建立了基于随机森林（Random Forest）算法的油菜籽油分与蛋白质含量预测模型，揭示了加拿大西部油菜籽成分的时空变异规律。该模型在省级尺度上预测油分含量的平均绝对误差（MAE）低至0.41%，显著优于基准模型（MAE=0.92%），为加工业提供了早期物流规划与决策支持工具。

　　

Highlight

长期时间趋势

2009–2022年间，加拿大西部油菜籽的种子含油量（seed oil concentration）以每年0.17%的速度显著下降，而种子蛋白质（seed protein）和 meal protein 浓度则以每年0.19%的速度上升（图1）。值得注意的是，这种趋势存在明显的空间异质性：曼尼托巴省及萨斯喀彻温省与阿尔伯塔省的最北端农业区下降幅度较小，而南部平原地区则下降更为剧烈。

地理空间变异

空间分析揭示了种子成分存在强烈的区域分异。种子含油量在北部和西部地区较高，而种子蛋白质和 meal protein 则在南部和东部地区更高。这种分布模式与土壤类型、年降水量和生长季积温的空间格局高度一致。

预测建模

我们采用随机森林（Random Forest）算法，整合了地理位置、土壤属性及不同物候阶段的气象变量，以预测种子成分。研究发现，模型的预测精度随空间粒度提高而显著改善，且早期生殖阶段（early reproductive stage）的气象数据贡献最大，而后期气象信息的加入并未带来提升。

在加拿大西部整体尺度上，种子含油量预测的模型平均绝对误差（MAE）为0.41%，远低于朴素零模型的0.92%。种子蛋白质和 meal protein 的预测也表现出类似的改进。温度、湿度和降雨是影响种子成分的最关键因子。

讨论

能够在收获前两个月预测种子含油量，为加工企业提供了至关重要的信息，使其能够为高油年或低油年提前做好规划。本研究提出的随机森林模型仅利用早期生殖阶段的气象信息即实现了这一目标，且MAE低至0.4%。该模型的主要局限在于其预测目前仅适用于省级或农业生态区尺度，而非田块水平。未来的研究应致力于整合更高分辨率的遥感数据与作物生长模型，以进一步提升模型的时空解析能力与实用性。

结论

本研究深入揭示了加拿大西部油菜籽成分的时空变异规律，并明确了早期生殖阶段的气象条件是决定种子油分与蛋白质含量的关键时期。通过将地理空间模式与早期季节气象数据相融合，我们开发出了一个实用的预测模型，为产业利益相关者提供了强大的决策支持工具。该模型有望优化物流规划，并在某些情况下提升供应链的韧性与经济效益。