耦合作物生长模型与机器学习的中国主产区冬小麦产量 scalable 估算方法

本研究针对中国小麦主产区土壤异质性导致的产量预测难题，创新性地耦合WOFOST-HYDRUS-CASA模型，通过同化遥感数据校准参数，结合Bagging Regressor机器学习算法构建多模态预测框架。该模型以TAGP（总地上生物量）、GPP（总初级生产力）和ET（蒸散发）为核心指标，实现R=0.83的预测精度，较Global-WheatYield4km误差降低至1.92%，为区域农业管理提供高精度决策工具。

　　

在全球气候变化和粮食安全压力下，中国作为世界最大小麦生产国面临严峻挑战：温带大陆性气候虽提供充足光照和低病害风险，但土壤性质、品种差异和农艺实践的时空异质性使大范围产量预测成为难题。传统经验模型依赖人工调查，而单纯遥感指数(RSIS)或数据同化(DA)方法分别存在物理机制缺失或数据敏感的缺陷。更棘手的是，主流WOFOST作物模型对土壤水分动态和碳循环的模拟不足，机器学习虽能处理非线性关系却难以解释环境互作机制。

中国农业科学院团队在《Agricultural and Forest Meteorology》发表的研究，通过三重模型耦合与多源数据融合破解了这一困局。研究整合WOFOST作物生长模型、HYDRUS土壤水分模型和CASA碳循环模型，构建"生理机制-环境响应"闭环系统；基于Sentinel-2等遥感数据同化校准叶面积指数(LAI)等关键参数；最终采用包含1,363个县域的冬小麦种植区数据集，训练以Bagging Regressor为核心的机器学习预测框架。

关键技术包括：1) 多模型耦合(WOFOST-HYDRUS-CASA)实现作物-土壤-碳循环协同模拟；2) 遥感数据同化校准LAI等生物物理参数；3) 基于PCA(主成分分析)的特征降维处理气象数据；4) 集成TAGP、GPP、ET等14个生理指标的机器学习预测架构。

【研究结果】
• 模型验证显示：耦合模型对物候期模拟R²
=0.83(rRMSE=0.06)，LAI模拟R²
=0.92(rRMSE=0.12)，TAGP模拟R²
=0.89(rRMSE=0.20)，显著优于单一WOFOST模型。
• 机器学习预测中，Bagging Regressor组合TAGP+GPP+ET指标表现最优(R=0.83，RRMSE=0.12)，较Global-WheatYield4km平均误差降低1.92%，县域尺度预测偏差<1000 kg/ha。
• 气候异质性分析揭示：模型在温带大陆性气候区预测稳定，但在亚热带季风区误差增大，主要源于极端降水事件对土壤水分的非线性影响。

该研究开创性地将过程模型与数据驱动方法深度结合：生理机制层面，HYDRUS弥补了WOFOST的土壤水动力学缺陷，CASA完善了碳分配过程；算法层面，机器学习有效捕捉了遥感指数与生理指标的非线性映射。这种"机制约束下的AI增强"范式，既克服纯物理模型的计算瓶颈，又规避黑箱模型的解释性困境，为区域尺度智慧农业提供了可解释、可迁移的决策框架。尤其值得注意的是，模型在占全国93%种植面积的11个省份表现稳健，这对指导差异化农艺措施、应对极端气候事件具有重要实践价值。未来研究可进一步整合根系生长模型和CO₂
施肥效应模块，以应对气候变化下更复杂的产量预测需求。