利用SWAT模型识别融雪径流期农业流域水氮输出主导气候因子

《Agronomy》：Identifying Controlling Climate Factors Conducive to Water and Nitrogen Export from an Agricultural Watershed During the Snowmelt Runoff Period Using the SWAT Model

　　# 摘要跨环境的准确基因组预测仍然是一个挑战，因为表型变异同时受到环境条件、遗传效应以及基因型与环境互作的影响。我们开发了一个两步混合统计与机器学习框架，用于玉米（*Zea mays L.*）的多环境基因组预测。首先使用性状特异性的混合模型将表型变异在统计上分解为校正后的环境均值和残差，随后从环境元数据和协变量中预测环境组分，而残差组分则利用基因组主效应（*G*）、基因型与环境效应（*G*×*E*）以及成对上位效应（*G*×*G*）进行建模。该框架使用环境分组的五折交叉验证和一个独立的2022年时间序列测试集，针对籽粒产量、雄穗散粉天数（pollen DAP）、花丝抽出天数（silk DAP）以及散粉-吐丝间隔（ASI）进行了评估。在2022年测试集上，最佳的两步模型将全局皮尔逊相关系数从0.578、0.559、0.573和0.277分别提高至0.652、0.635、0.644和0.362。一项使用算术环境均值的消融实验表明，两步构建本身即改善了排序表现，而混合模型校正则提供了额外的增益。五折交叉验证显示，雄穗散粉天数和花丝抽出天数具有最强且最稳定的改善效果，全局PCC分别提高了62.3%和71.9%，全局RMSE分别降低了33.5%和37.8%。加入*G*×*E*效应仅产生了适度的、依赖性状的增益，而*G*×*G*效应则未带来一致性的提升。总体而言，所提出的统计分解与分组建模方法改善了环境信息和基因组信息的利用效率，尽管预测增益的大小和来源在很大程度上取决于性状类型。