基于天气和农艺管理的威斯康星州黑麦生物量积累预测

《Crop, Forage & Turfgrass Management》：Prediction of cereal rye biomass accumulation in Wisconsin based on weather and agronomic management

　　

黑麦（Secale cereale L.）生物量积累受天气条件和管理实践的强烈影响，因此准确的生物量估算对于指导农户的管理决策至关重要。在本研究中，研究人员评估了天气（如温度和降雨）和管理实践（包括播种和终止日期、氮肥施用和田间纬度）如何影响威斯康星州黑麦覆盖作物生物量生产，并比较了不同模型估算黑麦生物量的性能。研究人员汇编了一个综合数据集，包含2015–2016至2024–2025生长季在威斯康星州进行的135个站点年（site-years）的商业大田和小区研究试验。计算了生长季的累积生长度日（CGDDs）以及秋季（从播种到12月31日）和春季（从1月1日到生物量采样日期）的累积降雨量。采用留一交叉验证（LOOCV）方法评估了线性和非线性逻辑最小二乘（NLS）回归模型。研究结果表明，生物量与生长季的CGDDs呈显著正相关（r = 0.71）。包含季节CGDDs、秋季降雨量、播种日期和纬度的非线性逻辑最小二乘回归模型提供了最佳的预测性能，误差幅度最低（RMSE = 1870.39 lb ac^?1）。总体而言，该预测模型可整合到黑麦生物量预测平台中，为威斯康星州种植系统的实用农艺指导提供支持。

**基于天气与农艺管理的威斯康星州黑麦生物量预测研究解读**

**1 引言**

美国覆盖作物种植面积持续增长，从2017年的1500万英亩增至2022年的近1800万英亩，增幅达17%。黑麦（*Secale cereale* L.）因其可在玉米、大豆、小麦等收获后播种、耐极端冬季低温且春季生长迅速、生物量积累显著等优势，成为美国最广泛采用的覆盖作物之一。黑麦覆盖作物能够改善土壤肥力、向后续经济作物贡献氮素、减少土壤侵蚀并抑制杂草，但过量生物量也会带来管理难题，如成为蛞蝓宿主或影响后续播种。黑麦生长对太阳辐射、温度（通常以生长度日GDDs量化）和降雨高度敏感，其最终生物量既受春季累积温度驱动，也受秋季生长条件限制。在威斯康星州，黑麦通常纳入玉米（青贮或籽粒）—大豆轮作中，但收获后播种可能导致秋季生长窗口短、温度低，从而限制生物量。准确、点位化的黑麦生物量模型对于指导终止时期、养分管理和杂草防控至关重要。已有研究在威斯康星南部单点多年评估了包含生长季长度、累积生长度日（CGDDs）、降水和太阳辐射的回归模型，但尚未覆盖全州更广的气候条件。其他中西部研究采用了回归模型、机器学习及遥感植被指数等方法，但多种方法均需在区域尺度上进一步验证。因此，本研究的具体目标为：（a）评估天气和管理实践对威斯康星州黑麦覆盖作物生物量生产的影响；（b）比较不同线性和非线性回归模型在估算黑麦生物量中的表现。

**2 材料与方法**

研究人员构建了涵盖2015–2016至2024–2025生长季的135个站点年数据集，其中2017–2018生长季无数据点。数据由威斯康星大学麦迪逊分校合作研究组、Michael Fields农业研究所的威斯康星覆盖作物数据网络提供，部分来自在线数据库。所有试验点均采用条播，多数站点年播量为60 lb种子 ac^?1，播种日期从8月下旬至11月上旬不等，终止日期在4月中旬至6月中旬之间。土壤类型以粉壤土为主（131个站点年）。天气数据来自Crop Risk and Weather Forecasting Tool，基于IBM环境智能套件约4 km网格，获取每日降雨量和日CGDD（基准温度32°F）。研究人员计算了季节累积生长度日（CGDD_season）、秋季降雨量（Rain_fall，播种至12月31日）和春季降雨量（Rain_spring，1月1日至采样或终止日期）。采用Pearson相关分析评估变量间相关性，对|r| ≥ 0.80的变量对剔除一个以避免多重共线性。使用留一交叉验证（LOOCV）评估10个候选模型（5个线性回归和5个非线性逻辑最小二乘（NLS）回归），以交叉验证均方根误差（CV-RMSE）和交叉验证决定系数（CV-R2）作为预测性能指标，生物量经平方根变换以满足同方差和残差正态性假设。

**3 结果与讨论**

生物量均值范围为111至11938 lb ac^?1，仅12%观测值超过7000 lb ac^?1。CGDD_season介于910至3538 CGDD，平均1950 ± 42.7；秋季降雨量平均6.6 ± 0.2英寸，春季降雨量平均12.6 ± 0.4英寸。总生物量与CGDD_season呈最强正相关（r = 0.71），与播种日序（Planting_doy）呈负相关（r = –0.43）。季节天数（Season_days）与CGDD_season高度相关（r = 0.85），因此被剔除。不同线性和NLS模型比较显示，NLS模型整体优于线性模型。最佳模型为NLS-3，包含CGDD_season、Rain_fall、Planting_doy和Latitude，其CV-RMSE最低（1870.39 lb ac^?1），CV-R2最高（0.55）。该模型的拟合R2为0.58（图3），表明观测值与预测值具有较好一致性。最终模型以CGDD_season、Rain_fall、Planting_doy和Latitude为自变量，生物量随CGDD_season呈逻辑斯蒂增长曲线，最大生长加速点出现在1810 CGDD。秋季降雨在模型中呈负效应，但相关性矩阵显示降雨与生物量正相关，故该负系数应为条件性关联，可能受降雨分布、土壤条件或其他未测站点因素影响。延迟播种显著减少生物量，较高纬度因生长季缩短和CGDD减少同样降低生物量。模型误差中等偏高，原因在于未纳入地形、其他管理措施及生物或非生物胁迫等变异来源。与已有研究相比，本研究的预测性能与机器学习（RMSE 1385–2016 lb ac^?1）和随机森林（低生物量RMSE 857 lb ac^?1，高生物量RMSE 970 lb ac^?1）等方法相当，再次证实温度和降雨是解释黑麦生物量变异的核心因素。

**4 结论与建议**

本研究证明，威斯康星州黑麦生物量可通过基于气候条件（CGDD和降雨）和管理实践（播种和终止日期）的非线性逻辑最小二乘模型进行合理预测。生物量与生长季CGDD关联最强，播种后降雨与生物量呈负相关，但该效应可能受土壤条件和未测站点因素混淆。模型在多样化站点年中表现出中等性能，CV-RMSE为1870.39 lb ac^?1。由于所用天气变量来自生长季内观测网格数据，该模型最适用于季节内决策支持而非季前预测。随着春季推进，生物量估算可近实时更新，在终止前CGDD不断累积时提供越来越有价值的信息。结合短期天气预报，模型还可生成基于情景的生物量范围，为管理决策提供灵活指导。未来整合植被指数、土壤质地、肥力状况、管理实践（如耕作和轮作）及更多天气变量，有望进一步提高精度，支撑更精确的位点特定管理建议。总体而言，该预测工具可嵌入生物量预测平台（如作物保护网络开发的Crop Risk Tool），为威斯康星州及美国中西部上游地区覆盖作物采用提供实用且数据驱动的指导，优化其农艺和环境效益。