《Agriculture》：Limits to the Spatial Transferability of Machine-Learning Models for Farm-Record-Level Maize Yield Prediction in Manabí, Ecuador
编辑推荐：
农场级产量模型通常用随机训练—测试划分评估；然而地理相关观测间的空间依赖性会导致预测性能被高估，且不能充分反映对未见过地点的泛化能力。本研究评估了监督式机器学习模型能否预测厄瓜多尔马纳比省未见过教区（parish）的农场记录级硬粒干玉米（hard dry ma
农场级产量模型通常用随机训练—测试划分评估；然而地理相关观测间的空间依赖性会导致预测性能被高估，且不能充分反映对未见过地点的泛化能力。本研究评估了监督式机器学习模型能否预测厄瓜多尔马纳比省未见过教区（parish）的农场记录级硬粒干玉米（hard dry maize）产量。响应变量为记录级玉米产量，预测变量包括调查得到的农场、作物、生产者、管理和社会经济及数字接入特征。增气候模型额外纳入作物季累计降水、最长无雨期、2米气温均值和上层土壤湿度均值。分析含45个parish中433名生产者的518条单作硬粒干玉米记录。研究人员采用按parish分组的嵌套交叉验证，将弹性网络（Elastic Net）、随机森林（Random Forest）和基于直方图的梯度提升（histogram-based gradient boosting）与训练折均值基准比较。观测均产为4.09 t ha?1。基准平均绝对误差（MAE）为1.534 t ha?1，最优仅调查模型和调查+气候模型MAE分别为1.535和1.548 t ha?1。基于直方图的梯度提升中，气候相关MAE减少量为?0.013 t ha?1（?0.85%；parish簇bootstrap 95% CI：?0.061至0.036）。所有模型合并R2为负。随机记录级验证结果更优，表明存在空间乐观偏差。结果不意味着管理或气候在农艺上不重要，而是说现有调查数据和parish级气候变量不足以支持未见过parish中单条作物记录的可靠产量预测。
研究背景方面，玉米产量由品种、管理、土壤和生育期天气共同决定，沿海厄瓜多尔硬粒干玉米生产集中且气候异质性强，马纳比省占全国硬粒干玉米收获面积31.8%、产量32.7%。已有省级作物模拟显示马纳比存在气候负向趋势，但缺乏农场级管理×气候的迁移性证据。农业调查微数据（ESPAC 2024）可提供农场管理、生产者特征和数字接入信息，CHIRPS3与ERA5-Land可提供栅格气候，但随机切分会把同parish或邻近观测同时放入训练与测试，使模型空间可迁移性被高估。因此研究人员把“预测未参与训练parish中的记录级产量”作为核心任务，并以parish分组验证和均值基准来检验调查变量、气候变量是否含可迁移信息。该研究发表于《Agriculture》，其意义在于用方法论框架区分“模型排名好看”和“真正可外推的预测能力”，为数据受限的农业调查环境提供审慎建模范式。
关键技术方法上，研究人员使用厄瓜多尔INEC发布的2024连续农业面积与产量调查（ESPAC 2024）公开微数据，筛选马纳比省作物代码548的单作硬粒干玉米记录，得518条记录、433名生产者、45个parish。气候端用CHIRPS3日降水与ERA5-Land的2米气温和0–7厘米体积土壤含水量，按parish多边形面积加权聚合到上报播—收月份构成的作物窗。建模采用弹性网络（Elastic Net）、随机森林（Random Forest）、基于直方图的梯度提升（histogram-based gradient boosting）；外层5折GroupKFold按parish分组，内层4折按parish分组调参，以折叠内训练集均值基准对照，指标为MAE、RMSE和合并R2，并用parish簇bootstrap给气候增量和基准差值建95%区间。还设严格样本、缩尾、中点窗口、原始尺度、canton分组、ERA5-Land覆盖≥90%、随机记录级等稳健性设定。
研究结果如下。4.1 分析样本与描述特征：经去重、剔除关联栽培后，518条记录覆盖45个parish、18个canton，产量非加权均值为4.094 t ha?1、中位数3.888 t ha?1，管理上认证种子占权重55.7%，灌溉仅7.5%，肥料和植保使用约94%；作物窗中位182天，累计降水中位588.36毫米，气温变异小。结论为样本有管理—气候异质性，但parish内多条记录共享同一parish级气候剖面，字段粒度粗。
4.2 主要空间预测性能：按parish分组的外层验证中，基准MAE 1.534 t ha?1；仅调查模型中基于直方图的梯度提升MAE 1.535 t ha?1，随机森林1.546，弹性网络1.550；调查+气候最优为1.548 t ha?1。所有复杂模型合并R2为负，且只在1—2个外层fold优于基准。结论为调查变量未提供稳定优于均值基准的可迁移信号。
4.3 气候信息的增量预测贡献：弹性网络加气候后MAE从1.550升至1.570；随机森林从1.546到1.551；基于直方图的梯度提升从1.535到1.548，气候相关MAE减少量?0.013 t ha?1（?0.85%；95% CI：?0.061至0.036）。结论为作物季降水、最长无雨期、气温、上层土壤湿度在parish分组下无一致增量价值。
4.4 负向预测结论的稳健性：严格样本、缩尾、中点窗口、canton分组、ERA5-Land高覆盖设定下，复杂模型仍不能稳定胜过基准；随机记录级CV中调查+气候MAE 1.418、基准1.528、合并R2 0.024，表现明显更好。结论为空间结构被忽略会产生乐观偏差，主要结论“现有调查+parish级气候不能支撑未见过parish的记录级可靠预测”保持稳定。
讨论与结论部分译为：本研究不表示农场管理或气候与玉米产量无关；而是表明所获调查数据与parish级气候变量不含足够稳定且空间分辨的信息，以为未见parish中农场生成可靠预测。样本有产量、管理、生产者和气候暴露差异，但描述异质不等于可迁移预测信息。调查端只有用/不用指示，缺施量、品种真名、播期阶段、田间病虫害严重度；气候端为parish聚合且播收仅到月，带来空间聚合与时段测量误差。按parish分组时弹性网络、随机森林与基于直方图的梯度提升均接近或差于均值基准，说明可迁移信号弱而非单一算法失误。随机记录级验证变好，证明空间泄漏会高估泛化。研究人员结论为：在现有ESPAC 2024与parish级CHIRPS3、ERA5-Land信息下，硬粒干玉米记录级产量对未训练parish的空间迁移预测不可靠；这不代表管理或气候农艺上不重要，而是数据粒度、空间分辨率、单年无时序外验限制了可迁移学习。该方法论贡献是为农业调查环境提供“基准对照+空间分组验证+预测技能优先于解释”的评估框架。
