多模型平均方法在玉米蒸散发与产量模拟中的集成优化研究

为解决农业系统模型中单一模型预测不确定性高的问题，研究人员评估了7种多模型平均方法（MAA）对玉米蒸散发（ETa ）和产量模拟的集成效果。研究发现，Granger Ramanathan B（GRB）和GRA方法分别显著提升了ETa 和产量的预测精度，RRMSE（相对均方根误差）平均降低4%-10.9%。该研究为农业决策和气候变化适应策略提供了更可靠的模型集成方案。

　　

在全球气候变化和粮食安全压力下，准确预测作物产量和水分利用效率成为农业科学的核心挑战。然而，现有的作物模型存在显著差异：同一块玉米田的模拟产量可能相差高达50%，而蒸散发（ET_a
）预测的误差范围甚至超过100%。这种不确定性主要源于模型结构、参数化和输入数据的差异，导致农民和政策制定者难以依赖单一模型进行灌溉规划或气候适应决策。

为破解这一难题，由加拿大麦吉尔大学领衔的国际团队在《Journal of Hydrology》发表研究，系统评估了7种多模型平均方法（MAA）对玉米ET_a
和产量模拟的集成效果。研究人员创新性地采用"盲相-校准相"双阶段验证策略，分析北美11个试验点数据，发现Granger Ramanathan B（GRB）方法使ET_a
预测的RRMSE平均降低8.5%，而GRA方法将产量预测误差减少10.9%。这一成果不仅证实了模型集成的必要性，更首次在农业领域建立了针对不同预测目标的最优加权平均方案。

关键技术方法包括：1）采用GeomComb R包实现7种MAA算法（含SMA、GRB等）；2）整合两组模型数据（Group A：5个精选模型；Group B：41个AgMIP模型）；3）基于RRMSE量化性能，参考Jamieson分级标准（<10%为"优秀"）；4）通过分组模型（group maize models）验证结构多样性对集成的影响。

3.1 Group A站点模拟结果
盲相分析显示，未校准模型的ET_a
预测RRMSE高达72.1%（Ames站点），但GRB集成后降至29.8%。值得注意的是，GRA对产量预测的优化效果最显著，在Gilmore站点使RRMSE从16.2%降至1.2%。校准相中，虽然模型个体性能提升，但GRB仍使ET_a
预测误差额外降低4%（vs. 中位数法），印证了加权方法的普适优势。

3.2 Group B站点验证
41个模型的庞大集合进一步验证了方法的稳健性。在德州Bushland站点，GRB将ET_a
预测的RRMSE从基线26.4%压缩至19%，而GRA使Mead雨养区产量误差从14%骤降至1.6%。特别值得注意的是，仅用22个代表模型（group models）的集成效果与全模型集合相当，说明模型质量比数量更重要。

4.2 最优MAA选择
研究揭示：1）ET_a
预测首选GRB，因其通过非负权重约束（公式5-6）有效抑制异常值；2）产量预测适用GRA，其最小二乘法（公式4）能更好平衡偏差-方差；3）无观测数据时，简单平均（SMA）仍优于中位数法。这些发现与水文模型研究形成有趣对比——Arsenault等曾推荐GRC用于径流预测，但农业系统显示出不同的优化路径。

这项研究开创性地将水文领域的模型集成技术引入农业建模，其提出的"GRB-ET_a
/GRA-产量"双轨优化策略，为应对气候变化下的精准农业提供了方法论基础。不过作者也指出，该方法在玉米外的作物（如大豆、小麦）及非北美地区的适用性仍需验证。随着农业大数据的积累，这种融合多模型优势的集成方法，或将重塑从田间管理到政策制定的决策链条。