通过结合作物模型和机器学习技术，实现气候智能化的双季稻播种日期优化

《Agricultural Systems》：Climate-smart optimization of sowing dates for double-cropping rice by combining crop model and machine learning

【字体：大中小】 时间：2026年08月26日 来源：Agricultural Systems 6.2

编辑推荐：

　　•混合建模方法能够准确预测水稻产量。•开发了一个基于产量最大化的播种日期优化框架。•确定了双季稻地区的适宜播种期。•优化播种日期可以提高中国双季稻的产量。引言水稻是全球最重要的谷物作物之一，尤其是在亚洲国家，它是主要的粮食来源（Yuan等人，2021年）。在中国南部，双季稻是一种

•
混合建模方法能够准确预测水稻产量。
•
开发了一个基于产量最大化的播种日期优化框架。
•
确定了双季稻地区的适宜播种期。
•
优化播种日期可以提高中国双季稻的产量。

引言

水稻是全球最重要的谷物作物之一，尤其是在亚洲国家，它是主要的粮食来源（Yuan等人，2021年）。在中国南部，双季稻是一种关键的种植系统，由于其紧密安排的连续种植，需要精确的播种时间。因此，确定最佳播种日期对农民来说至关重要。一方面，这个过程必须考虑多种因素，包括水稻品种、当地气候条件、种植系统和劳动力可用性。另一方面，最佳播种计划应策略性地设计，以在年度轮作中通过有效分配热量和光照资源来平衡各生长阶段的产量增长，从而最大化水稻的整体生产潜力（Srivastava等人，2016年；Dadrasi等人，2024年；Pasley等人，2024年）。

气象在播种日期决策中起着关键作用，因为播种日期的变更会改变作物在关键生长阶段的天气条件暴露（Minoli等人，2022年）。播种时间不当可能导致作物产量大幅下降甚至完全失败（Ding等人，2020年）。田间试验是确定最佳播种日期的有效方法，至今仍被广泛使用（Colet等人，2023年；Wu等人，2023年；Wang等人，2025a）。然而，这些试验耗时、劳动强度大且资源需求高。此外，它们的发现往往受到极端天气事件和作物品种演变的限制，这可能限制了它们的应用范围。将生理知识与数学建模方法相结合的作物模型为优化作物管理实践提供了一种强大的替代方案。作物模型系统地量化了光照、温度、水分和养分对作物生长的影响，能够模拟作物发育机制，并指导农艺管理实践（De Wit等人，2019年）。作物模型已被广泛用于评估未来气候变化对作物产量的影响（Asseng等人，2015年；Liu等人，2019年；Li等人，2023年）以及制定适应性管理策略（Chenu等人，2017年；R?tter等人，2018年；Peng等人，2020年；Zhang等人，2023年；Xiao等人，2024年）。

最近的研究探索了使用作物模型和统计模型来动态模拟和调整播种计划以优化作物日历的决策框架，以实现生产目标（Rugira等人，2021年；Zhang等人，2023年；Qiao等人，2023年）。研究结果表明，基于模型的模拟可以有效地确定提高产量和改善资源利用的最佳播种日期。此外，对播种计划的合理调整可以作为有效适应策略，以减轻未来气候情景下的作物产量损失（Zhang等人，2023年；Qiao等人，2023年）。然而，大多数作物模型是在相对稳定的气候条件下开发的，它们在极端气候事件或特定生态背景下的预测性能仍然不佳（Zhang等人，2016年；Wang等人，2017年；Tao等人，2022年）。因此，在使用之前，作物模型必须经过严格的验证和本地化，以确保模拟的可靠性。同时，将基于过程的模型与数据驱动的方法相结合显示出巨大潜力。Maestrini等人（2022年）系统地强调了结合知识驱动和数据驱动方法预测作物产量和优化农业管理的优势。多项研究表明，这种混合方法更准确地预测和评估了影响作物生长和产量形成的关键表型特征。值得注意的是，纳入极端气候指数或基于遥感的经验指标显著提高了模型的预测准确性（Feng等人，2019年，Feng等人，2020年；Li等人，2023年；Bai等人，2024年；Lu等人，2025年）。

本研究收集了1981年至2020年中国双季稻地区98个农业气象站的水稻种植记录和相应的环境数据。通过整合作物模型、极端气候指数和机器学习算法，开发了一个水稻产量预测框架。对代表性水稻品种进行了播种日期模拟，从而确定了不同生态区域的最佳播种日期和适宜播种窗口。本研究提供了一个数字化决策工具，并为优化双季稻种植的播种计划提供了科学依据。

部分摘录

研究区域

研究区域涵盖了中国南部的双季稻地区，这些地区具有热带和亚热带季风气候特征。这些地区拥有丰富的水资源和热量资源，支持每年约510万公顷的水稻种植面积，占中国水稻种植总面积的17%（http://data.stats.gov.cn/easyquery.htm?cn=C01）。主要的双季稻生产省份包括广东、福建、江西、湖南、广西、湖北等。

水稻产量预测建模

RiceGrow模拟结果与田间观察的比较表明，该模型能够有效模拟水稻物候（图3a，b）。对于早稻，预测的抽穗和成熟日期的均方根误差（RMSE）分别为3.63天和4.29天，R²值分别为0.73和0.53。对于晚稻，RMSE分别为5.41天和6.59天，R²值分别为0.85和0.72，表明在预测晚稻物候方面具有更高的准确性。然而，与RiceGrow相比

作物产量预测建模

作物模型已被用作预测作物表型和优化管理实践的工具（Lehmann等人，2013年；Rosenzweig等人，2014年；Li等人，2015年）。然而，也发现了一些显著的局限性。应用作物模型的一个主要挑战是它们固有的不确定性，这体现在模型结构和参数设置等方面。基于积累效应原理开发的作物模型往往难以捕捉

结论

通过整合作物模型模拟、极端气候指数和机器学习，本研究评估了不同播种日期对四十年来各区域早稻和晚稻产量的影响。结果表明，将作物生长模型与极端气候指数结合使用可以准确预测水稻产量，最佳模型在测试集中的NRMSE为10.6%，R²为0.8。与使用实际播种日期模拟的产量相比，采用最佳播种日期

CRediT作者贡献声明

Jinhan Zhang：撰写——初稿，可视化，方法论，数据管理，概念化。Ming Huang：验证，软件，方法论，数据管理，概念化。Ioannis N. Athanasiadis：撰写——审稿与编辑，验证。Leilei Liu：方法论，数据管理，概念化。Bing Liu：监督，正式分析，概念化。Liujun Xiao：软件，方法论。Yan Zhu：监督，软件，概念化。Weixing Cao：监督，概念化。

利益冲突声明

作者声明没有利益冲突。

致谢

本研究得到了中国国家重点研发计划（2022YFD2001001）、海肯集团的科学技术项目（HKKJ202414）、国家自然科学基金（32572202）、江苏省现代作物生产协作创新中心（JCICMCP）、111项目以及中国学术委员会（202406850105）的支持。

引言