基于DSSAT模型与机器学习融合的油菜灌溉-氮肥智能决策框架优化研究

针对传统灌溉-氮肥管理方案预设场景有限、难以动态优化的问题，本研究创新性地结合DSSAT作物模型与机器学习算法，构建了油菜生长的目标产量模型（R2=0.68–0.98）和智能决策框架，实现了产量（2371–3860?kg·ha?1）、水分利用效率（13.8–32.5?kg·ha?1·mm?1）与氮效率（13.5–28.9?kg·kg?1）的协同优化，为农业精准管理提供新范式。

　　

在全球气候变化与农业可持续发展的双重挑战下，如何平衡作物高产与资源高效利用成为现代农业的核心难题。油菜作为中国重要的油料作物，其生长对水氮管理极为敏感，但传统经验式管理常导致过度灌溉施肥——中国农民氮肥用量甚至远超专家推荐值的30%，不仅造成资源浪费，更引发土壤酸化、水体富营养化等环境问题。现有决策方法如指标评价法成本高昂，作物模型（如DSSAT）受限于预设场景的局部最优，而纯数据驱动的机器学习又存在"黑箱"风险。西北农林科技大学的研究团队在《Field Crops Research》发表的这项研究，开创性地将过程模型与人工智能融合，为破解这一难题提供了智能解决方案。

研究团队采用"三步走"策略：首先通过3年田间试验校准DSSAT模型，生成包含65536种水氮方案的历史气象-生长数据集；继而构建随机森林（RF）、XGBoost等5种算法的目标产量模型，筛选出兼顾产量（最高3860?kg·ha^?1）和资源效率的优化方案；最终基于作物生长变量、气象指标与水氮用量，建立可动态调整的决策框架。所有数据均来自陕西杨凌节水灌溉试验站（2021-2024年）的田间观测与气象记录。

【Target yield model】
机器学习模型成功量化了水氮投入与产量的非线性关系（RF模型R²达0.98），揭示低产（<1000?kg·ha^?1）与高产（>3000?kg·ha^?1）区间的梯度响应规律，突破传统经验方程仅考虑单因素的局限。

【Optimal schedules】
优选方案使水分利用效率（WUE）提升至32.5?kg·ha^?1·mm^?1，氮效率（NUE）达28.9?kg·kg^?1，较常规管理分别提高135%和114%，且产量波动幅度控制在2223-3849?kg·ha^?1。

【Decision-making framework】
决策框架实现了水氮用量的精准预测，应用水生产率（12.9–30.7?kg·ha^?1·mm^?1）与氮生产率（14.8–28.7?kg·kg^?1）均接近理论最优值，验证了模型泛化能力。

这项研究的突破性在于：首次将DSSAT的机理优势与机器学习的计算效能相结合，构建了可解释、可迁移的智能决策系统。相比传统静态方案，该框架能根据实时气象与生长数据动态调整水氮策略，解决了固定日历法适应性差的问题。作者Ma Yu团队特别指出，该方法可扩展至小麦、玉米等主粮作物，为应对极端气候下的精准农业提供普适性工具。研究不仅填补了杂交油菜智能管理的技术空白，更开创了"模型驱动+数据驱动"的农业决策新范式，对实现联合国可持续发展目标（SDGs）中的零饥饿与清洁水源目标具有重要实践意义。