估计窗口配置对基于机器学习的大豆产量估算在黑土地区的影响

《Agricultural and Forest Meteorology》：The influence of estimation window configuration on machine learning-based soybean yield estimation across black soil regions

大豆产量估算中动态时间窗口策略的系统评估表明，观测型、规则基线和滑动窗口优于固定窗口，其中LSTM结合滑动窗口使RMSE降低48.4-56.6%。窗口配置贡献约11.9-13.7%的不确定性，规则基线窗口在稳定性和泛化性上表现更优。

　　
该研究聚焦于大豆产量预估模型中时间窗口配置的优化问题，系统评估了四种窗口策略（固定、观测驱动、规则制定与滑动窗口）在不同算法下的性能表现及不确定性来源。研究区域覆盖中国东北黑土区与美国家黑土带两大核心产区，通过整合2000-2020年多源遥感及气象数据，结合随机森林（RF）、极端梯度提升（XGBoost）和长短期记忆网络（LSTM）三类典型机器学习算法，构建了动态评估框架。

在窗口策略对比方面，固定窗口因机械采用固定时段（如生长期中前段或后段）导致模型适应性不足，其预估误差普遍高于动态窗口配置。观测驱动窗口通过地面物候观测数据动态调整时段，在美国家黑土区表现尤为突出，使RMSE降低11.8%-22.0%。规则制定窗口基于物候关键期（如开花期与灌浆期）的固定时间跨度，虽精度提升幅度不及滑动窗口，但稳定性优势显著，其预测结果年际波动幅度仅为滑动窗口的1/3。滑动窗口通过算法自动识别最佳时段，在模型精度上达到最优（RMSE降低48.4%-56.6%），但需承担更高的计算成本（约增加30%处理时间）和解释难度。

算法适应性呈现显著差异：RF对规则窗口最敏感，其R2值提升幅度达38.2%；XGBoost在观测窗口下表现稳定，预测方差波动率低于其他算法；LSTM则全面领先，尤其在滑动窗口配置下，时间序列特征捕捉能力使其误差率最低。值得注意的是，规则窗口与滑动窗口在模型可解释性上形成互补：前者因基于物候学机理设计，特征重要性排名更易被农业专家解读；后者虽具有动态适应性优势，但窗口参数缺乏生物学依据。

不确定性分解揭示，输入特征与模型结构仍是主要变量来源（合计占比约72%），但窗口配置作为次级影响因素（11.9%-13.7%）具有不可忽视的调节作用。这种量化发现为模型优化提供了新思路：在保持算法稳定性的前提下，通过窗口设计优化（如规则窗口）可减少12%-14%的不确定性。研究特别发现，在东北黑土区，窗口长度与积温阈值结合的规则配置，能有效规避春季霜冻对开花期的干扰；而美国家黑土区则更依赖滑动窗口捕捉干旱季与雨季的动态平衡。

空间异质性分析显示，中国东北的温带季风气候特征与美国家大陆性气候形成对比：前者在观测窗口下表现最优（因物候数据质量较高），后者则更依赖滑动窗口的动态调整能力。研究提出的三级优化框架（窗口选择-算法适配-特征筛选）在不同产区的适用性差异达40%，这为后续区域性模型定制提供了重要依据。特别值得关注的是，当窗口长度超过90天时，所有算法的预测稳定性均出现显著下降，验证了物候关键期的时间约束效应。

该研究在方法论层面创新性地构建了窗口-算法-特征三维评估体系，其突破性在于量化了窗口配置作为独立变量对模型性能的影响权重。这一发现颠覆了传统模型开发中"重特征工程、轻过程适配"的倾向，为AI农业模型设计确立了新的优化准则。实践指导方面，研究建议在数据资源充足地区优先采用滑动窗口配置LSTM模型，而在物候观测体系完善区域，规则窗口结合XGBoost可兼顾精度与成本效益。对于资源受限的中小型农场，推荐采用观测窗口配合RF算法，在保证85%以上精度的同时降低60%的算力需求。

研究结论对全球大豆主产区具有普适性启示：在气候变率增强背景下，动态窗口配置的模型虽面临更高不确定性，但通过引入区域物候数据库（如东北黑土区开花期阈值达≥320积温日），可将其稳定性提升至固定窗口的90%以上。这为未来智能农业系统提供了可操作的优化路径——通过建立"窗口参数动态调整-物候数据库实时更新-算法轻量化部署"的协同机制，在保证预测精度的同时显著降低模型复杂度。