基于气候与水量平衡变量的第二季玉米产量机器学习区域评估——以南马托格罗索州2012—2023年历史数据域为例

《Earth》：Machine Learning-Based Regional Assessment of Second-Crop Corn Yield Using Climatic and Water-Balance Variables

　　

第二季玉米（second-crop corn）是巴西粮食生产的重要组成部分，因其作物发育处于雨季向旱季过渡期，对气候变异性高度暴露。本研究在巴西南马托格罗索州（Mato Grosso do Sul）2012—2023年历史数据域内，评估机器学习（machine learning, ML）算法估算第二季玉米产量的性能。分析了来自22个市镇的市镇级产量数据以及覆盖2012—2023年的逐日气候数据。产量数据来自Aprosoja/MS，气候变量包括太阳辐射、气温、蒸散、相对湿度、风速和降水，来自NASA/POWER。采用Pearson相关分析作为初步筛选程序，识别与产量变异性相关的气候变量。评估了多元线性回归（multiple linear regression, MLR）、多层感知机（multilayer perceptron, MLP）、支持向量机（support vector machine, SVM）、随机森林（Random Forest, RF）、XGBoost和梯度提升回归器（gradient boosting regressor, GBR）。在本研究采用的观测水平随机划分下，RF和XGBoost在随机留出测试子集中表现最高，二者决定系数（R²）均约为0.80。然而，XGBoost表现出近乎完美的校准性能，随后在测试中大幅下降（平均绝对百分比误差（mean absolute percentage error, MAPE）=14.05%；R²=0.80），表明过拟合。RF取得相似测试性能，但校准至测试的差距较小。因此，在本研究特定随机划分下，RF被认为是更优模型。相比之下，GBR在当前数据集和配置下未能提供可靠预测性能，测试MAPE为547.78%，因此被认为过于不可靠，无法在本研究中解释。重要的是，由于划分未保持时间或空间独立性，这些结果代表2012—2023年历史数据域内的泛化，不应解释为未来年份或空间独立预测性能的证据。由于数据集在观测水平随机划分且未保持时间独立性，所报告性能代表2012—2023年历史数据域内的泛化，不应解释为未来年份预测性能。

研究背景与问题：第二季玉米是巴西粮食生产的重要组成部分，其发育处于雨季向旱季过渡期，对气候变异高度敏感。巴西具备无灌溉连续生产两季作物的条件，南马托格罗索州是第二季玉米主产州之一，但第二季水热条件弱于第一季，产量受气候影响明显。已有机器学习（ML）广泛用于作物产量预测，但针对巴西中西部生产条件下第二季玉米、且整合多年市域产量与逐日气候及水量平衡变量的区域评估仍较少。因此，研究人员在2012—2023年历史数据域内，整合22个市镇12年市域产量、逐日气候和水量平衡变量，比较六种ML方法，并评估观测与预测产量的空间一致性；该研究定位为既有ML方法的区域评估，不提出新算法，也不作为未来年份或业务化产量预测的验证框架。
关键技术与方法（不超过250字）：完整数据集包含264个市镇—年观测（22个市镇×12年）。市域产量来自南马托格罗索州大豆生产者协会（Aprosoja/MS），逐日气候来自NASA/POWER，包括太阳辐射、气温、蒸散、相对湿度、风速和降水。潜在蒸散（ETP）采用Penman–Monteith（PM）法计算；气候水量平衡按Thornthwaite and Mather方法计算，统一采用可用水容量（available water capacity, AWC）40 mm。Pearson相关用于初筛预测变量。比较MLR、MLP、SVM、RF、XGBoost和GBR；按观测水平随机以70%校准、30%随机留出测试，固定随机种子。以均方误差、MAPE、平均绝对误差和调整R²评估，并用Kriging插值作探索性空间表示。
研究结果（原文该部分未设二级小标题，以下按段落主题归纳）：产量时间变异方面，基于市域产量时间变化分析，Costa Rica和Chapad?o do Sul在2023年分别达8635 kg ha^?1和8636 kg ha^?1，Douradina在2021年仅986 kg ha^?1，低产与缺水及高温有关；多个市镇年际波动明显，说明产量受多种因素影响且干旱影响突出。气候空间格局方面，基于气候要素空间变异分析，平均气温约21—26 °C，降水年值南部、中部和北部可达1689 mm而东西部低至966 mm，蒸散在东北和远东部可达1820 mm而其他地区约940 mm，土壤储水在西北和东部较低、南部和北部较高，水分亏缺在东部和东北部较突出，水分盈余在南部和中部较高；表明研究区水热条件空间差异明显。气候与产量关联方面，Pearson分析显示3月平均气温（?0.558）、3月和4月水分亏缺（约?0.528和?0.527）与产量负相关，4月露点温度（0.552和0.515）、4月实际蒸散（0.545）和4月相对湿度（0.527）与产量正相关；这些应解释为3—6月生长窗口内的气候关联，而非特定物候阶段效应。模型性能方面，基于统一随机划分比较，MLR校准和测试R²为0.7281和0.5952，MAPE为9.94%和12.91%；SVM为0.97和0.76，测试MAPE为14.45%；MLP为0.96和0.68，MAPE为5.39%和12.97%；RF为0.97和0.80，测试MAPE为14.44%；XGBoost校准MAPE为0.15%、R²为0.9994，测试MAPE为14.05%、R²为0.80；GBR校准MAPE为12.81%，测试MAPE为547.78%、测试R²为0.7441。RF和XGBoost测试R²约0.80最高，但XGBoost由近完美校准至测试大幅下降提示过拟合；RF校准—测试差距较小，故在本文随机划分下被认为更优；GBR在当前数据和配置下不可靠，不用于主要结论。空间分布与偏差方面，基于XGBoost预测均值与观测均值比较及Kriging探索性表示，Aral Moreira等市镇估计接近观测，Chapad?o do Sul和S?o Gabriel do Oeste差异较大；Camapu?正偏差290 kg ha^?1，S?o Gabriel do Oeste负偏差?328 kg ha^?1。原文指出土壤、管理、品种、施肥、病虫害、技术水平及NASA/POWER空间分辨率等因素可能解释偏差，插值未作正式地统计交叉验证，仅作探索性区域表示。
讨论部分总结：讨论强调模型主要基于气候和水相关变量，未显式纳入土壤性质、品种、播期、施肥、病虫害管理等因素；水量平衡统一AWC为40 mm属简化假设，土壤储水、水分亏缺和水分盈余应视为相对指标；市域产量与每市单一0.25°×0.25°网格气候数据存在空间尺度不匹配；未应用SHAP或排列重要性，不能对个别市镇误差作特征层面归因；Pearson初筛未配合VIF等正式共线性诊断，温度、蒸散、湿度和水分亏缺间可能存在残余冗余；随机划分未保持时间或空间独立性，未进行重复交叉验证、学习曲线或早停分析，GBR异常原因不能具体确定；Kriging未作正式地统计交叉验证。
研究结论部分翻译：南马托格罗索州第二季玉米产量与3—6月生长窗口内的气候和水相关变异性相关。较高温度和水分亏缺通常与较低产量相关，而较高大气湿度和实际蒸散与更有利的产量条件相关。这些结果应解释为分析生长季内的气候关联，而非特定物候阶段效应的证据。空间和水量平衡结果也应谨慎解释。统一AWC值40 mm为简化假设，未按市镇特定土壤性质调整，因此土壤储水、水分亏缺和水分盈余应视为相对指标。此外，市域产量值与每市镇单一0.25°×0.25°网格气候信息比较，导致空间尺度不匹配。Kriging图未进行正式地统计交叉验证，应仅解释为探索性空间表示。在评估的机器学习方法中，随机森林和XGBoost在随机留出测试子集上预测性能最强，二者R²均约0.80。然而，XGBoost校准性能近完美、测试时明显下降，表明过拟合。随机森林校准—测试差距较小，因此在当前随机划分下被认为是更优模型；该结论严格限于当前数据集和划分。由于验证未施加时间和空间独立性，所报告性能指标不应解释为对未来年份或新地理区域预测性能的证据。时间或空间外推需要Leave-One-Year-Out、时间有序验证或空间交叉验证等策略，本研究未实施。探索性空间表示显示观测与模型估算玉米产量在区域上大体一致，但某些市镇观测与预测差异表明仅气候变量不能解释全部地方产量变异；土壤特性、品种、播期、施肥、病虫害管理及其他农艺实践也可能贡献这些差异。因此，建模结果在分析历史数据集内提供与气候限制相关区域的区域评估。未来纳入额外生产相关变量和可解释人工智能技术可能进一步提高预测精度和模型解释。总体而言，研究结果应解释为在2012—2023年历史数据域及所述数据和验证限制下对既有机器学习方法的区域评估。本研究未引入新的机器学习算法。所报告预测指研究数据集和采用随机划分内留出观测的估计，而非业务化或未来年份预测。