基于机器学习-动力混合模型预测作物产量的新方法

近几十年来，全球人口持续增长，极端灾害性天气频繁发生，粮食安全问题日益成为全人类面临的重大挑战之一。小麦是全球种植量最大的谷物，占粮食总产量的1/3，为全世界约40%人口提供了口粮供应，而中国是最大的小麦生产和消费国，如何对小麦产量进行准确预测是国内外学界广泛关注的热点问题。

作物产量的预测模型主要有两种：作物生长模型和统计模型，前者侧重于作物生长过程的再现，后者基于产量与气象、土壤等影响要素的统计关系进行预测。作物生长模型的优势在于可以把握天气、土壤和田间管理等对于生长过程的细致影响，对风险管理、决策等有重要价值，但缺点在于需要输入众多的变量，且是十分消耗计算资源，很难在较大尺度上使用。统计模型依赖的变量少，计算量小，但基于传统线性回归的统计模型难以抓住天气、土壤等变量对产量的非线性作用，因而效果不够理想。机器学习作为新兴的、更加复杂的统计模型，可以更好的描述输入量与预测量非线性关系，近期许多研究都证明其相比线性模型在产量预测上有明显优势。

此外，温度、降水的气象要素都对作物产量有关键影响，以往的研究中的模型构建主要基于气象观测数据。而实际上，目前已有较为成熟的大气动力预测模型，能够提供对气象要素的预测，且具有较高可靠性。近期也有研究表明使用大气动力模型预测作为输入可以有效提高作物产量的预测效果。

鉴于机器学习和大气动力模型在产量预测上表现出的潜力，近期有研究第一次将二者结合，构建出一种新的产量预测方法。这项由华中师范大学、中科院大气物理所、中国气象局广州热带所、美国普渡大学、美国德克萨斯大学奥斯汀分校研究人员共同进行的研究表明，机器学习-动力混合模型在预测中国北方冬小麦产量上相比传统模型（基于观测数据和线性回归）具有明显优势，RMSE减小30%-55%，并可以提前于收获季3-4个月达到最佳的预测效果。

图1 研究区域及冬小麦的种植分布

图2 基于不同输入数据（S2S为大气动力模型预测结果，Observation为气象观测）使用不同机器学习算法以及线性模型的冬小麦预测效果

图3 使用机器学习-动力混合模型的预测水平随数据输入量的变化

文章第一作者，华中师范大学曹隽隽博士评价到：“今年中央一号文件指出，探索农业保险从‘保成本’向‘保收益’转型，因此完善大灾风险分散机制是助推转型的关键。本模型在面对极端气候下的粮食产量预测具有良好的效果，未来通过不断完善将能为保险定价提供有力工具。”

Cao, J.; Wang, H.; Li, J.*; Tian, Q.; Niyogi, D. Improving the Forecasting of Winter Wheat Yields in Northern China with Machine Learning–Dynamical Hybrid Subseasonal-to-Seasonal Ensemble Prediction. Remote Sens. 2022, 14, 1707. https://doi.org/10.3390/rs14071707