精准量化芒果产量预测误差：为印度泰米尔纳德邦农业决策提供关键指引

为解决芒果产量预测中空间不确定性和误差问题，研究人员开展了结合统计方法（如 B - RLARS、LOOCV 等）与机器学习（随机森林技术）的研究。结果显示部分地区预测误差可接受但有空间差异，该研究为制定区域芒果生产策略提供了基础。

　　芒果，作为热带和亚热带地区备受瞩目的水果明星，在全球农业经济的舞台上扮演着举足轻重的角色。印度，作为芒果产量的 “超级大国”，其芒果产业的兴衰牵动着无数人的利益。然而，就像变幻莫测的天气一样，芒果产量也充满了不确定性。在过去，人们虽然努力尝试预测芒果产量，但大多局限于农场层面或者国家、州等大尺度范围，对于地区级别的精准预测却常常力不从心。而且，预测过程中面临着诸多难题，比如如何处理空间变异带来的不确定性和误差，怎样综合考虑各种复杂因素对产量的影响等。这些问题就像一道道屏障，阻碍着芒果产业的高效发展，使得农民在资源分配上常常举棋不定，市场规划也缺乏精准依据。为了打破这些困境，来自国外的研究人员决心开展一项深入的研究。
研究人员将目光聚焦在印度泰米尔纳德邦的芒果种植区。他们运用了一系列先进的技术方法，其中包括统计方法（如自举重采样稳健最小角回归（B - RLARS）、留一法交叉验证（LOOCV）、基于贝叶斯的空间相关性分析和马尔可夫链蒙特卡罗（MCMC）方法）和机器学习技术（随机森林技术）。他们收集了泰米尔纳德邦各地区 2008 - 2019 年的芒果产量数据、1991 - 2020 年的气候数据等多方面信息。
在研究过程中，研究人员首先对气候数据进行了细致分析。他们发现，在 2008 - 2019 年期间，不同芒果产区的气候条件呈现出多样化的变化。例如，在温度方面，从 1 月到 7 月，月累积生长度日数（GDD）有明显的波动规律，2 月的平均 GDD 值最低。在太阳能辐射方面，1 月到 3 月呈上升趋势，之后逐渐下降。而降雨情况则更为复杂，多数地区月总降雨量很少超过 200mm，但部分地区如尼尔吉里斯和哥印拜陀的降雨模式却与众不同。此外，通过标准化降水蒸发指数（SPEI）分析发现，大部分地区处于接近正常的气候条件，但在某些月份也会出现轻微干燥的情况。
接着，研究人员深入探究了农业气候变量与芒果产量之间的关系。通过相关性分析，他们发现不同地区的变量与产量之间的关联程度各不相同。像 4 月、6 月、1 月、7 月的 GDD 变异性（SdGDD_4、SdGDD_6、SdGDD_1、SdGDD_7），1 月的太阳能辐射（SRad_P1），2 月的累积 GDD（SumGDD_2）等变量与芒果产量的关联较为显著。而且，不同月份的 SPEI 对产量的影响也不一样，比如 SPEI_4 和 SPEI_1 通常与产量呈正相关，而 SPEI_7 和 SPEI_6 则对产量有负面影响。
随后，研究人员利用 B - RLARS 方法筛选出了影响芒果产量的关键预测因子。结果显示，7 月、12 月、3 月的 SPEI（SPEI_7、SPEI_12、SPEI_3），1 月和 6 月的总太阳辐射（SumSRad_1 和 SumSRad_6），5 月、7 月、4 月、6 月、2 月的日 GDD 标准差（SdGDD_5、SdGDD_7、SdGDD_4、SdGDD_6、SdGDD_2）等是最常被选中的预测因子。这些因子表明，温度波动和干旱条件在芒果生长的多个关键阶段对产量起着重要作用。
在模型性能评估方面，研究人员通过 LOOCV 对产量模型进行了全面评估。在 31 个地区中，有 18 个地区的模型能够解释 20% - 70% 的地区级芒果产量变异，19 个地区的平均均方根误差（RMSE）达到 2.0 t ha^-1 ，且这些地区的平均绝对百分比误差（MAPE）≤30% 。然而，部分地区如蒂鲁普、纳马卡尔等的模型表现较差，RMSE 超过 3.0 t ha^-1 ，MAPE 也较高。这说明模型在不同地区的表现存在明显差异。
在预测芒果产量时，研究人员考虑了三个不同的预测提前期（4 月、5 月、6 月）。分析发现，大多数地区的预测产量与实际产量偏差较小，但蒂鲁普等地区的偏差始终较高。在误差方面，南部和沿海地区的 RMSE 较低，而北部地区在 6 月的误差较高。多数地区的 MAPE 在 20% 以上，不过南部和沿海地区在预测方面表现更优。
综合来看，研究人员得出结论：温度波动、降雨分布、开花前干旱胁迫以及 3 月和 7 月的干旱条件（通过 SPEI 表示）是芒果产量变异的重要决定因素。同时，模型性能在空间上存在显著差异，南部和西北部地区的预测误差较低，而北部和中部地区较高。尽管模型能够捕捉到产量的关键驱动因素，但大多数地区的预测误差仍超过 30%，这凸显了地区级产量预测面临的挑战。
该研究成果发表在《Computers and Electronics in Agriculture》上，具有重要的意义。它为区域农业规划和市场决策提供了关键的地区级产量预测，填补了以往研究的空白。同时，研究也指出了当前模型的局限性，为后续研究指明了方向，如整合更多的解释变量（如果园管理实践、土壤属性、遥感指标等），改进机器学习算法，从而提高模型的准确性和稳健性，为芒果产业的可持续发展提供有力支持。