通过一种新的方法来校正和重建气象数据，并对多种作物模型的输出结果进行加权处理，从而在气候变化背景下提高小麦产量预测的准确性

《Computers and Electronics in Agriculture》：Improving wheat yield prediction in breeding under climate change via a new method of correcting and reconstructing meteorological data and weighing multiple crop model outputs

小麦种质资源在气候变化下的产量预测方法研究。通过MCSDM校正重构CMIP6多全球气候模型气象数据，结合MCMWDN优化多作物模型权重，显著提升产量预测精度（R2=0.823，RMSE=443.6 kg/ha）。研究揭示不同气候情景（SSP1-2.6、SSP2-4.5、SSP3-7.0、SSP5-8.5）下小麦种质资源响应差异， Norin 61和Lumai 5表现较稳定，Festing和Jagger/W94-244–132产量下降明显。

　　

杨国锋|何勇|叶玲珍|罗一琦|金亨燮|冯旭平

浙江大学生物系统工程与食品科学学院，中国浙江省杭州市310058

摘要

气候变化日益影响小麦的生长、产量和品质，因此准确预测产量对于培育耐气候变化的作物至关重要。本研究提出了一种新的预测方法，用于评估气候变化对不同小麦品种产量的影响，实验在中国浙江省进行。该方法结合了多变量校正超分辨率扩散模型（MCSDM）和多作物模型权重分布网络（MCMWDN）。首先，MCSDM校正并重建了来自第六阶段耦合模型比较项目（CMIP6）多个全球气候模型（GCMs）的日历史和未来气象数据。然后，使用校正和重建的历史气象数据驱动作物模型（WOFOST、AquaCrop和DSSAT）以完成模型校准和验证。最后，使用校正和重建的未来气象数据驱动校准和验证的作物模型，并通过MCMWDN整合多个作物模型的输出，以获得不同小麦品种在气候变化下的未来产量预测。结果表明，在不同的未来情景下，所有七个GCM变量的R2值均有所提高，RMSE值有所降低。MCMWDN整合了多个作物模型的输出，从而获得了更准确的产量预测（R2 = 0.823，RMSE = 443.6公斤/公顷），优于单一作物模型。结果显示，不同小麦品种对未来气候情景的反应存在显著差异。Norin 61的产量相对较高，而Festin和Jagger/W94-244–132的表现较差。Lumai 5和Zhoumai 31整体上保持相对稳定。在SSP1-2情景下，产量略有增加；在SSP2-4.5情景下保持稳定；而在SSP3-7.0和SSP5-8.5情景下，尤其是到2071–2100年，产量下降。本研究提供了一种相对稳健且可推广的作物产量预测方法，为应对气候变化的支持耐气候变化的育种和管理决策提供了依据。

引言

气候变化对全球小麦生产构成了严峻挑战，极端天气事件（如干旱、高温和强降雨）导致产量不稳定、病虫害压力增加以及资源利用效率降低。这与不断增长的食品需求和有限的资源形成了显著冲突（Rezaei等人，2023年）。在适应气候变化的同时提高小麦产量和稳定性已成为粮食安全的核心问题（Zabel等人，2021年）。高产小麦育种可以增加产量和品质，优化资源利用效率，减轻农业环境压力，并促进可持续发展（Xiong等人，2021年）。

第六阶段耦合模型比较项目（CMIP6）为全球气候变化研究提供了重要的数值模拟数据（J?germeyr等人，2021年）。然而，由于气候模型分辨率的限制、物理参数化方案的简化以及边界条件和初始值的不确定性，CMIP6模拟不可避免地存在系统误差，这限制了其在区域气候分析和实际应用中的可靠性（Yao等人，2024年）。为了提高CMIP6数据的适用性，通常采用两种主要的校正方法：统计校正和动态校正（Rastogi等人，2022年）。统计校正基于观测数据与模型输出之间的统计关系来修正偏差（Liu等人，2024年）。虽然统计校正计算效率高且适用于大规模数据，但它假设观测与模拟之间的关系保持稳定，而这可能不适用于未来的气候变化情景（Zhang等人，2024年）。相比之下，动态校正依赖于区域气候模型或再分析数据进行动态降尺度处理，可以提高空间分辨率并更好地保留局部气候特征，但其计算成本较高，且高度依赖于准确的初始条件和边界条件（Di Virgilio等人，2022年）。

当前的研究集中在针对不同区域气候特征优化校正方法（Rahimi等人，2024年）、减少极端气候事件模拟中的误差（Plesiat等人，2024年）以及结合机器学习技术提高校正性能（de Moraes等人，2024年）。然而，大多数现有的校正方法主要针对单变量和统计分布匹配，常常忽略多变量物理一致性和空间超分辨率，特别是在未来的气候变化情景下。传统的基于机器学习的方法在非平稳环境中的泛化能力可能有限。此外，仍存在许多挑战，包括有效整合多模型CMIP6输出以减少不确定性、校正和超分辨率重建（以下简称校正和重建）方法在未来的情景下的稳健性，以及监测稀少地区的观测数据稀缺问题。这些限制共同推动了开发一种多变量、物理一致且适应情景的校正和重建方法。

作物模型模拟作物生长过程，并评估环境因素、管理实践和遗传特性对产量的影响，为选择高产品种提供了依据（Luo等人，2023年）。基于作物模型的研究可以评估不同气候变化情景下小麦品种的表现，为应对气候变化提供了有价值的见解（Hu等人，2024年）。然而，作物模型在小麦高产育种方面仍面临挑战，如高数据需求、复杂的模型参数和预测不确定性，这需要进一步提高模型的准确性和适应性（Jiang等人，2022年）。

为了提高产量预测能力，一些研究整合了多个作物模型进行产量预测（Liu等人，2022年）。由于多个作物模型可以从不同角度捕捉产量特征，它们可以弥补单一模型在处理特定情境或特定变量时的局限性（He等人，2023年）。整合多个作物模型的预测（例如加权平均或投票机制）可以在一定程度上减少单个模型预测的误差，从而提高整体预测准确性。整合多个作物模型对异常或数据噪声更具鲁棒性，因为不同模型对异常或噪声的敏感性可能不同，它们的互补性增强了稳定性（Bregaglio等人，2021年）。此外，整合多个作物模型可以适应多样的数据分布或任务需求，提供更广泛的应用场景和更大的灵活性（Gavasso-Rita等人，2024年）。尽管多模型集合已被广泛用于减少作物产量预测的不确定性，但大多数现有研究依赖于简单的平均或固定权重整合，这些方法没有考虑模型特定的优势、品种异质性或小样本育种条件。因此，需要一种数据驱动和自适应加权的方法来优化模型整合并提高预测的稳健性。

本研究旨在开发一种产量预测方法，该方法校正并重建气象数据，并对多个作物模型的产量输出进行加权，从而在多种未来气候情景下提供更可靠、针对具体品种的产量预测。这使育种者能够更好地识别具有更高产量稳定性和气候适应性的小麦品种，同时支持在气候不确定性增加的情况下进行品种部署和长期生产规划。具体包括：

(1) 设计一个深度学习模型，用于校正和重建来自CMIP6中多个全球气候模型（GCMs）的日历史和未来气象数据。

(2) 使用田间实验数据校准和验证多个作物模型后，训练一个深度学习网络，以优化不同作物模型的产量预测权重，从而提高整体产量预测的准确性。

(3) 使用训练好的网络预测四种未来气候变化情景下（2025–2045年、2046–2070年、2071–2100年）不同小麦品种的产量，揭示不同小麦品种在未来的产量趋势。

研究区域和品种选择

本研究于2022年至2023年在中国浙江省杭州市浙江大学余杭农业试验站（30°19′42″N，119°50′40″E）进行（图1）。该地区具有温暖湿润的亚热带季风气候，夏季炎热多雨，冬季寒冷干燥。基于2020年至2021年在浙江省湖州浙江大学长兴农业试验站（30°53′16″N，119°37′33″E）的实验结果，本研究选择了十个

气象数据校正和重建的评估

校正和重建的数据（绿线）总体上更接近实测气象数据（橙线），特别是在温度变量方面显示出显著改进（图3）。这表明校正和重建的气象数据在纠正原始GCM数据中的偏差方面更为有效，提高了GCM数据在区域尺度上的适用性。虽然在hurs、pre、rsds和sfcWind等变量上也有所改善

GCMs对预测准确性的影响

由于温度、降水量和辐射等气象因素的差异，GCM的选择显著影响了对不同小麦品种的预测准确性。CanESM5通常预测的温度较高（Swart等人，2019年），而FGOALS-g3在某些地区的温度变化更为保守（Li等人，2020年）。MIROC6提供了中等温度预测，但降水量和辐射的差异可能会影响产量预测（Tatebe等人，

结论

本研究提出了一种新的气候变化下的产量预测方法，用于评估不同气候变化情景对中国浙江省种植的不同小麦品种产量的影响。该方法结合了MCSDM和MCMWDN。首先，MCSDM校正并重建了CMIP6中多个GCM的日历史和未来气象数据，显著减少了系统误差，提高了区域

CRediT作者贡献声明

杨国锋：撰写——原始草稿、可视化、验证、软件、方法论、调查、正式分析、数据管理。何勇：撰写——审阅与编辑、监督、资源、项目管理。叶玲珍：撰写——审阅与编辑、资源。罗一琦：撰写——审阅与编辑。金亨燮：撰写——审阅与编辑。冯旭平：撰写——审阅与编辑、验证、监督、资源、项目管理、方法论、资金获取，

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。

致谢

本研究得到了中国山东省重点研发计划（2023CXGC010701）、国家重点研发计划（2021YFD2000102）和中国浙江省重点研发计划（2022C02013）的资助。