整合干旱指数与机器学习方法预测华北地区雨养马铃薯产量

《Agricultural Water Management》：Integrating drought indices and machine learning approaches to predict rainfed potato yield in North China

　　

尽管中国北方拥有全国最大的马铃薯种植面积和最高的总产量，但水资源短缺仍是该地区马铃薯产量的最重要限制因素。这一现状要求进行准确的产量预测，以应对干旱并制定粮食分配政策，保障粮食安全。基于经过充分验证的APSIM-Potato（农业系统模拟器-马铃薯）模型模拟的马铃薯产量，研究人员通过整合多种干旱指数（标准化降水指数，SPI；标准化降水蒸散指数，SPEI；相对湿度指数，RMI；综合气象干旱指数，CI）和机器学习方法（多元线性回归，MLR；支持向量机，SVM；岭回归，RR；XGBoost；随机森林，RF），开发了一种预测华北雨养马铃薯产量的方法。与观测值相比，APSIM-Potato模型模拟的马铃薯产量和水消耗的相对均方根误差（决定系数）分别为21.8%（0.91）和13.6%（0.87），表明该模型能准确捕捉马铃薯对干旱的响应。模拟的华北地区马铃薯潜在产量范围为16.3至72.4 t ha^-1，雨养产量达到潜在产量的30–55%。在预测马铃薯减产率方面，RMI表现出优于SPEI（R2=0.44）、CI（R2=0.29）和SPI（R2=0.09）的能力（R2=0.48）。随机森林模型与块茎形成期（从块茎形成到块茎形成后30天）的干旱指数组合相结合，对马铃薯减产率表现出最高的预测能力，模拟精度达到88%。在气候变化排放情景SSP245/SSP585下，与当前气候条件相比，未来华北马铃薯减产率保持相对稳定，但在SSP585情景下，2071-2100年期间北方农牧交错带的减产率下降了20%。本研究提供了一种可提前一个月预测雨养马铃薯产量的有效方法，为雨养农业系统的作物产量预测和灾害预警提供了重要支持。

**论文解读：整合干旱指数与机器学习方法预测华北地区雨养马铃薯产量**

**研究背景与意义**
干旱是全球农业系统中最具破坏性的非生物胁迫因素，高频高强度的干旱事件对农业生产造成巨大损失。马铃薯（Solanum tuberosum L.）作为全球第四大粮食来源，因其高产潜力和气候适应性，在保障粮食安全方面扮演重要角色。中国马铃薯种植面积占全球的29.6%，但单产远低于美国、荷兰等国，尤其在华北地区，水资源是限制马铃薯产量提升的主要因素。该地区缺乏灌溉设施，加之地下水位下降，使得雨养农业系统对降水波动极为脆弱。因此，量化干旱对马铃薯产量的影响，进行准确的早期预测，对于保障产量稳定、制定应对策略至关重要。然而，传统单一干旱指数对产量变异的解释力有限，且难以动态反映干旱事件及其对产量形成的影响。同时，气候变化加剧了作物生长季降水和温度的波动，给雨养农业区的产量稳定性带来巨大挑战。以往基于关键气象因子或作物模型（如SUBSTOR模型）的产量预测方法，或精度较低，或对参数要求高，存在不确定性。近年来，机器学习方法因其灵活的特征组合、强大的非线性建模能力和高模型可解释性，在评估气候变化对农业生产影响方面得到广泛应用。因此，整合多源干旱指数与机器学习模型，为雨养马铃薯产量的早期预警提供了一种有前景的解决方案。本研究旨在：（1）利用经过验证的APSIM-Potato模型量化华北雨养种植区马铃薯的潜在产量、雨养产量及干旱导致的减产率；（2）验证不同机器学习方法和干旱指数组合在不同生长阶段预测马铃薯减产率的准确性；（3）预测未来气候条件下华北雨养种植区马铃薯的干旱减产情况。本研究发表在《Agricultural Water Management》期刊上。

**关键技术方法概述**
为达成研究目标，研究人员采用了多步骤集成方法。首先，基于中国气象局的历史日值气候数据（1961-2011年）和五个CMIP6（第六次国际耦合模式比较计划）全球气候模式（BCC-CSM2-MR, CanESM5, FGOALS-g3, IPSL-CM6A-LR, MIROC6）在SSP245和SSP585两种排放情景下的未来气候数据，通过降尺度处理获得站点尺度的气象数据。其次，利用经过充分校准和验证的APSIM-Potato模型，模拟了华北八个主要生态区（东北平原、农牧交错带、内蒙古高原、黄土高原、藏北高原、柴达木盆地、准噶尔盆地、塔里木盆地）512个站点在历史时期的马铃薯潜在产量和雨养产量，并计算了减产率。模型验证使用来自不同种植区的田间试验数据。第三，计算了马铃薯六个关键生长时期（块茎形成后10、20、30天及块茎膨大后10、20、30天）的四种干旱指数（SPI、SPEI、RMI、CI）。第四，通过相关性分析，筛选出与减产率最相关的干旱指数组合，并采用四种机器学习模型（MLR、SVM、RF、XGBoost）和三种训练验证方案（80:20划分、空间K折交叉验证、留年交叉验证）进行预测模型构建与评估。最后，利用表现最佳的模型预测未来气候情景下的马铃薯减产率变化。

**研究结果**
1. **马铃薯潜在产量、雨养产量及减产率**：APSIM-Potato模型模拟马铃薯产量和水消耗的验证结果良好（RRMSE分别为21.8%和13.6%）。模拟结果显示，历史时期（1961-2011年）华北地区马铃薯潜在产量、雨养产量和减产率（鲜重）范围分别为16.3–72.4 t ha^-1、4.8–39.6 t ha^-1和32%–92%。潜在产量呈现从西向东逐渐降低的趋势，而雨养产量则相反。东北平原的减产率最低（39%），而西部干旱盆地（准噶尔、塔里木、柴达木盆地）的减产率显著更高。
2. **干旱指数与减产率的关系及预测模型性能**：在所有干旱指数中，相对湿度指数（RMI）与马铃薯减产率的平均相关性最高（R2=0.48），优于SPEI（R2=0.44）、CI（R2=0.29）和SPI（R2=0.09）。块茎形成后30天（TI+30 d）的RMI30对减产率的解释力最强。在机器学习模型中，非线性模型（SVM、RF、XGBoost）的预测准确性显著高于线性模型（MLR）。随机森林模型（RF）结合块茎形成后30天的干旱指数组合，对马铃薯减产率的预测能力最高，在三种验证方法下平均R2达到0.88。即使在极端干旱年份，该组合也能解释超过81%的减产率变异。利用内蒙古、甘肃和宁夏的田间试验数据对RF模型进行独立验证，结果显示其预测值与观测值具有较好的一致性。
3. **未来马铃薯减产率预测**：在未来气候情景下，与历史基线相比，SSP585情景下华北地区马铃薯减产率的下降幅度比SSP245情景更明显。空间上，减产率仍呈现西高东低的格局。具体而言，在SSP585情景下，农牧交错带的减产率在2011-2040、2041-2070和2071-2100期间分别较基线下降20%、20%和21%；而在SSP245情景下，藏北高原的减产率则分别上升15%、14%和11%。在影响减产率的干旱指标重要性排序中，RMI > SPEI > SPI > CI，RMI的波动是驱动未来马铃薯减产率变化的主导因素。

**讨论与结论总结**
讨论部分重点分析了几个核心问题。首先，确定了影响马铃薯产量的关键生长阶段。研究表明，从块茎形成到块茎形成后30天是预测华北马铃薯减产率的最佳时期，因为此期间的降水量与减产率的相关性最高，且水分供应相对稳定充足，对块茎形成至关重要。其次，深入探讨了干旱指数与减产率的关系。RMI因其综合考虑了潜在蒸散变化，能捕捉水热协同胁迫，故在预测减产率方面表现最优。而SPI仅关注降水，在变暖变干的气候下效果最差。尽管SPEI和CI整合了更多因素，但其标准化过程或构成可能削弱对极端水热异常的检测能力。第三，阐述了机器学习方法在预测减产率方面的优势。与多元线性回归相比，随机森林、XGBoost和支持向量机等非线性模型能更好地捕捉干旱与产量损失之间的非线性阈值效应和复杂互作，对数据噪声和异常值更稳健，在预测极端干旱事件时误差降低近20%。尽管RF模型在预测变化幅度时存在轻微低估趋势，但其整体表现最佳。第四，对比了本研究提出的整合方法与传统方法（如田间采样、遥感、过程模型）的优劣，指出新方法在保证高精度的同时显著降低了数据需求，并推导出关键生长期水分消耗与减产率的关系，表明在此阶段补充灌溉25 mm可减少约10%的产量损失。最后，讨论了气候变化对马铃薯生产的影响，指出不同情景下结果存在差异，但总体而言，未来华北雨养马铃薯生产可能保持相对稳定，降水增加和CO₂浓度升高的潜在益处可能部分抵消变暖的不利影响。同时，研究也指出了本研究的局限性，包括训练数据主要基于模型模拟、未考虑实际农艺措施（如覆膜、补充灌溉）和品种差异、以及在湿润或灌溉条件下的适用性可能需重新校准等。

**研究结论**：日益增加的水热变异性对华北雨养马铃薯生产构成越来越大的威胁，需要更准确的产量预测。研究表明，整合块茎形成期至其后30天的干旱指数的随机森林模型，能够精确预测雨养马铃薯的产量损失。尽管本研究在输入数据和应用环境方面存在一些局限，但所提出的方法成功揭示了传统统计方法精度低和基于过程的作物模型参数要求高的问题，为农业干旱风险预警和作物产量预测提供了有价值的见解。未来的研究可以探索改进的干旱事件指标，并利用与马铃薯块茎发育最直接相关的土壤温湿度数据，进一步研究在不同水热条件下预测马铃薯产量的优化方法。