本研究由Jiyuan Xie、Dongyan Zhang（通讯作者）、Ning Jin、Tao Cheng、Gang Zhao、Dong Han、Zhen Niu和Weifeng Li共同完成，作者单位包括西北农林科技大学机械与电子工程学院、陕西省农业信息感知与智能服务重点实验室、山西能源学院资源与环境工程系以及西北农林科技大学黄土高原土壤侵蚀与旱地农业国家重点实验室。研究成果发表于2025年的《Agricultural and Forest Meteorology》期刊（卷372，文章编号110687）。

学术背景

该研究聚焦于中国主要小麦产区的冬小麦产量估算问题。作为全球最大的小麦生产国，中国小麦生产面临土壤性质、作物品种和农艺实践的空间异质性挑战，导致大尺度产量预测精度不足。传统经验模型受限于人工调查，而遥感指数方法（RSIS）虽效率高但难以捕捉作物生长动态复杂性。作物生长模型（如WOFOST）在土壤水分动态和碳循环模拟方面存在局限。研究旨在通过耦合WOFOST-HYDRUS-CASA模型，结合遥感数据同化和机器学习算法，开发适应中国主要麦区的冬小麦产量估算方法。

研究流程与方法

1. 模型耦合与数据准备

研究构建了WOFOST（世界粮食研究模型）、HYDRUS（土壤水动力模型）和CASA（光能利用率模型）的三模型耦合框架： - WOFOST：以每日时间步长模拟作物生长，输入气象、土壤、作物和管理数据。 - HYDRUS：基于Richards方程模拟土壤水分运动，采用10米剖面分层（5层）和Feddes根系吸水函数。 - CASA：通过NDVI估算光合有效辐射吸收比例（fPAR），结合温度/水分胁迫系数计算净初级生产力（NPP）。

研究覆盖中国11个冬麦主产省（河南、山东等）1,363个县级行政区，整合2001-2020年多源数据： - 气象数据：中国气象强迫数据集和NASA POWER数据库，空间分辨率0.1°至0.25°。 - 遥感数据：MODIS的NDVI（MOD13Q1）、LAI（MOD15A2）、ET（MOD16A2）和GPP（MOD17A2）产品，空间分辨率500米。 - 地面数据：农业气象站生长记录、中国土壤数据集（HWSD）和县级统计年鉴产量数据。

2. 数据同化与参数校准

采用集合卡尔曼滤波（EnKF）同化MODIS LAI数据，优化作物生长关键参数： - LAI同化：以500米半径内遥感观测均值作为真值，通过50次集成模拟减少随机误差。 - 参数校准：基于贝叶斯定理构建后验概率函数，优化总地上生物量（TAGP）和最大LAI参数。利用梯度下降法最大化对数后验概率，公式如下： [ \log p(\theta|d) \propto -\frac{1}{2\sigma^2{lai}}\sum (y{lai}-f{lai}(\theta))^2 - \frac{1}{2}(\theta-\mu\theta)^T \Sigma\theta^{-1}(\theta-\mu\theta) ]

3. 机器学习产量预测

构建基于Bagging Regressor的多指标预测模型： - 输入特征：抽穗期（收获前80-64天）、灌浆期（64-40天）和成熟期（40-0天）的TAGP、GPP和ET。 - 模型对比：测试决策树、极端随机树和Bagging Regressor三种算法，最优组合（TAGP+ET+GPP）的R²达0.83，相对均方根误差（RRMSE）为0.12。 - 空间验证：县级尺度预测误差多数低于1000 kg/ha，平均误差1.92%，优于GlobalWheatYield4km模型（RRMSE=0.17）。

主要结果

1. 模型性能提升：耦合模型对物候期（R²=0.74-0.81）、LAI（R²=0.92）和TAGP（R²=0.89）的模拟精度显著高于单一WOFOST模型。数据同化后，LAI模拟误差从9.03%降至4.29%。
2. 指标贡献度：TAGP对产量预测的权重最高（0.617），ET（0.217）和GPP（0.173）次之。多指标组合使R²提升66%（相比单一指标）。
3. 气候适应性：模型在温带大陆性气候区表现最佳（误差<5%），在亚热带季风区存在高估现象（误差>15%），与农业机械化水平和地形复杂度相关。

结论与价值

该研究通过多模型耦合与机器学习融合，实现了中国主要麦区冬小麦产量的高精度（R²=0.83）和稳定预测（RRMSE=0.12）。科学价值体现在： 1. 方法创新：首次将HYDRUS土壤水动力模块和CASA碳循环模块嵌入WOFOST框架，解决了单一模型在水分-碳耦合模拟的不足。 2. 应用价值：为小农经济与灌溉/雨养农业并存区域提供可扩展的产量预测方案，支持粮食安全决策。 3. 数据驱动：仅需公开遥感与气象数据即可运行，成本效益显著。

研究亮点

1. 跨尺度建模：耦合过程模型（HYDRUS-WOFOST-CASA）与数据驱动模型（Bagging Regressor），兼顾机理解释与预测精度。
2. 动态同化策略：通过EnKF分阶段同化LAI，关键生长期模拟误差降低55%。
3. 空间异质性处理：按气候带（灌溉区/补充灌溉区）设置参数，增强区域适应性。

其他发现

• 气候变量贡献：辐射（PC1载荷54.75%）和风速/降水（PC2载荷26.35%）是解释产量空间分异的主控因子。
• 机器学习选择：Bagging Regressor因集成降噪特性，预测稳定性优于单一决策树（R²波动范围0.3-0.8）。

该研究为应对气候变化下的粮食安全挑战提供了方法论支持，未来可扩展至病虫害影响评估和多遥感指标融合研究。