EN中文

干旱区研究 >

2025 , Vol. 42 >Issue 4: 730 - 753

DOI: https://doi.org/10.13866/j.azr.2025.04.14

农业生态

中国区域作物气象产量统计预报研究进展

  • 方锋 , 1 ,
  • 王静 , 2 ,
  • 贾建英 1 ,
  • 王兴 1 ,
  • 黄鹏程 1 ,
  • 殷菲 1 ,
  • 林婧婧 1
展开
  • 1.兰州区域气候中心，甘肃 兰州 730020
  • 2.中国气象局兰州干旱气象研究所，甘肃 兰州 730020
王静. E-mail:

方锋（1977-），男，博士，正研级高级工程师，主要从事气候变化与影响评估研究. E-mail:

收稿日期: 2024-04-01

  修回日期: 2025-02-21

  网络出版日期: 2025-08-14

基金资助

甘肃省科技重大专项项目(25ZDFA011)

中央引导地方科技发展资金项目(25ZYJA035)

甘肃省陇原青年英才(GSLQ-QX202201)

甘肃省科技计划项目(24JRRA1181)

甘肃省气象局重点项目(Zd2023-01)

甘肃省气象局重点项目(Zd2023-04)

甘肃省气象人才专项(2425rczx-D-JCRC-02)

收起

Advances in statistical prediction of crop meteorological yields in China

  • FANG Feng , 1 ,
  • WANG Jing , 2 ,
  • JIA Jianying 1 ,
  • WANG Xing 1 ,
  • HUANG Pengcheng 1 ,
  • YIN Fei 1 ,
  • LIN Jingjing 1
Expand
  • 1. Lanzhou Regional Climate Center, Lanzhou 730020, Gansu, China
  • 2. Lanzhou Institute of Arid Meteorology, China Meteorological Administration, Lanzhou 730020, Gansu, China

Received date: 2024-04-01

  Revised date: 2025-02-21

  Online published: 2025-08-14

Fold

摘要

准确的作物产量预报对于政府提前了解作物产量信息、合理规划农业生产以及保障国家粮食安全至关重要。气象因子是影响作物产量的重要因素，基于气象因子建立的气象产量预报方法和技术体系为作物产量预报提供了重要参考。气象产量预报主要采用统计学方法实现，该方法简单易行、准确率高，是目前中国区域应用最广泛的气象产量预报技术。本文综述了气象产量预报中常用的统计学方法（关键气象因子、气候适宜度和历史丰歉气象影响指数）在中国区域的应用现状。通过广泛地搜集和调查，详尽地给出了各统计学方法所应用的作物品种和研究区域，选取的气象因子类型、数量和时间尺度，气象指标的多种计算方法，以及采用的建模技术等应用现状；阐述了各统计学方法在不同区域、不同作物中的应用效果；评述了统计学方法的集成模型效果，比较了各统计学方法的预报准确率。通过这些深入调查，明确了作物气象产量统计预报中存在的问题。其中，关键气象因子方法虽然易于业务化且模型参数获取方便，但由于主要考虑光照、温度和水分的影响，可能会忽略其他气象因子及气象灾害的作用；气候适宜度方法能够充分考虑到作物生长所需的光温水资源，但该方法主要关注气象要素的平均态，且时间分辨率较低，难以反映短时灾害性天气对作物产量的影响；历史丰歉气象影响指数方法可以客观地预报气象条件对作物产量丰歉趋势的影响，但在确定真正的相似年方面存在挑战。这些问题导致了预报结果的不稳定性。为了克服这些局限性，未来的研究可通过融合更多来源的数据（如卫星遥感、无线传感器网络、物联网等），引入先进的数据分析技术和新的统计方法（如机器学习和深度学习算法），结合作物生长机理模型，建立基于农业、气象、遥感、人工智能的集成技术体系，构建适用于不同时空尺度、高效、高精度的产量混合预报模型，通过开展针对不同区域和不同作物的适用性分析，进一步提高农业气象精细化、准确化和全面化的服务能力。

关键词： 统计预报; 作物; 气象产量; 遥感; 人工智能算法; 中国区域

本文引用格式

方锋 , 王静 , 贾建英 , 王兴 , 黄鹏程 , 殷菲 , 林婧婧 . 中国区域作物气象产量统计预报研究进展[J]. 干旱区研究, 2025 , 42(4) : 730 -753 . DOI: 10.13866/j.azr.2025.04.14

Abstract

Accurate crop yield prediction is crucial for governments to understand production levels, plan agricultural activities, and ensure national food security. Meteorological factors critically influence crop yields, and yield prediction methods and technology systems based on these factors serve as important references. Meteorological yield prediction predominantly employs statistical methods because of their simplicity, ease of implementation, and high accuracy, making them the most widely used techniques in China. This study reviews the application of the most commonly used statistical methods in meteorological yield prediction in China—including the key meteorological factor, climate suitability, and historical meteorological impact index methods. Through extensive data collection and investigation, a detailed overview is provided regarding the crop types and regions where each statistical method has been applied, the quantities and time scales of selected meteorological factors, various calculation approaches for meteorological indicators, and the modeling techniques adopted. The paper elaborates on the effectiveness of each statistical method across different regions and crops, evaluates the performance of integrated statistical models, and compares the forecast accuracy of different approaches. In doing so, several issues in the statistical prediction of meteorological yields are identified. For example, the key meteorological factor method offers advantages such as easy model parameter acquisition and operational applicability; however, it primarily considers the effects of light, temperature, and water, potentially overlooking other meteorological factors and disasters. The climate suitability method comprehensively accounts for the light, temperature, and water resources required for crop growth but mainly focuses on average states with lower temporal resolution, making it difficult to capture the impact of short-term disastrous weather. The historical meteorological impact index method objectively and quantitatively predicts the influence of meteorological conditions on crop yields; however, it is challenging to identify truly similar years. These issues contribute to unstable forecast results. To overcome these limitations, future efforts can focus on integrating data from multiple sources (such as satellite remote sensing, wireless sensor networks, Internet of Things, etc.), introducing advanced data analysis technologies and new statistical methods (such as machine learning and deep learning algorithms), and combining these with crop growth models to establish an integrated technology system based on agriculture, meteorology, remote sensing, and artificial intelligence. This will facilitate the development of mixed forecasting models suitable for various spatiotemporal scales, which are efficient and highly accurate. By conducting applicability analyses for different regions and crops, the precision, accuracy, and comprehensiveness of agricultural meteorological services will be enhanced.

Key words： statistical prediction; crop; meteorological yield; remote sensing; artificial intelligence algorithms; China

农业是关系国计民生的重要行业，粮食安全是国家安全的重要基础。作物产量预报一直受到各级政府和社会的广泛关注，是决策部门掌握作物产量信息、制定宏观调控政策和指导农业生产的重要依据，并为国家应对气候变化、保障粮食安全及维持农业可持续发展提供了重要参考[1]。中国作为农业大国，生产的小麦、玉米和水稻分别占全球总产量的18.0%、21.4%和30.0%[2]。因此，在中国区域开展作物产量预报有重要意义。
国内外学者围绕作物产量预报展开了大量研究，目前较常用的方法可分为统计学方法、遥感估产和作物生长模拟[3-4]。统计学方法是基于作物生长过程与影响因子之间的关系，采用各种相关回归技术探索作物产量和影响因子之间的统计关系，据此建立相应的统计预报模型。遥感技术则通过搭载在遥感平台上的传感器获取作物生长特征的光谱信息，继而建立作物产量与光谱信息的定量关系，从而实现对作物产量的监测预报[3]。作物生长模型是根据作物生长过程中物质和能量的平衡转换原理设计的，它以光、温、水及土壤条件等环境参数作为驱动因子，模拟作物生长发育和产量形成中的生理生化过程，以此来预估作物产量。综合来看，遥感技术可实现大范围估产，但易受天气和地表异质性等因素的影响[5]。作物生长模拟方法机理性强，但由于对实际作物生长过程的简化使得模型结构并不完善，且大部分参数难以测定或获取[6]，以及预报结果严重依赖于气象、土壤和农田管理方案的输入数据，导致在区域应用时存在较大的不确定性[7-8]。相比较而言，统计学方法简单实用、易操作、技术成熟，因此，一直是各级业务部门产量预报的首选方法。现有的大型作物产量预报系统，如欧盟研究中心的MARS作物产量预测系统（MCYFS），以及常规的业务产量产品制作，仍以统计学方法为主。
气象因素对作物产量的变化至关重要。气象条件是否适宜，是否发生气象灾害及其发生的关键生育期，在很大程度上决定了粮食产量的丰歉。温度适宜、降水充沛、日照充足会促进作物的生长发育和产量增加，而不利的气象条件则会抑制作物生长，甚至引起气象灾害，导致作物歉收[9⇓-11]。因此，气象因子一直被认为是作物产量预报的关键因素，由气象因素导致的粮食单产波动被定义为气象产量，并被气象部门用于开发各种气象产量预报模型[12-13]。作物气象产量预报通过分析播种前及全生育期内的气象条件，尤其是作物关键发育阶段的气象条件，以及气象条件与作物气象产量间的相互关系，进而运用合理的方法和模型，预测作物气象产量，同时从分析中获取提高作物产量、避免和减轻气象灾害的方法和对策。气象产量预报是现代农业气象服务的重要内容，也是各级气象部门的核心业务[14]。
中国的气象部门从20世纪70年代就开始进行比较系统的作物气象产量预报技术研究。到80年代，对相关方法和技术进行了更深入的探索，组织了较大规模的全国协作，到90年代逐步实现了业务化应用，到2000年后已构建了针对各级气象部门的预报技术和业务系统。近年来，作物气象产量预报业务不断发展，逐渐从单一的统计学方法发展到多模型集成研究，建立了一套适用于中国不同时空尺度下多种作物的气象产量预报方法和技术体系，也逐步建成了国家级、省级、地市级和县级的作物气象产量预报业务平台，气象产量预报的准确率和精细化程度日益提高[14]。作物气象产量预报主要通过统计学方法实现，即表示为气象产量与气象条件之间的数学函数式或逻辑框图[1]。其中，在中国区域最常用的统计学方法主要包括关键气象因子、气候适宜度和历史丰歉气象影响指数预报方法[1-2,15-16]，但这些统计学方法已应用于哪些作物，选取了哪些气象指标，以及在不同区域、不同作物中的应用效果如何，目前较少文章涉及。
因此，本文梳理了作物气象产量预报业务中最常用的统计学方法（关键气象因子、气候适宜度、历史丰歉气象影响指数）及其集成模型在中国区域应用的现状和研究进展，评述了各统计学方法在不同区域和不同作物中的表现，并探讨了存在的问题及未来发展前景，以期为各级气象部门提高预报准确率提供参考，为各级政府提高农业生产管理水平提供决策支持[17]。

1 气象因素对作物产量的影响

作物生长发育及产量与气象条件密切相关，气象因素既直接参与作物光合作用、蒸腾作用、呼吸作用等生理生化过程，又间接调节这些过程，其变化是作物产量波动的关键因素[18]。气象因素对作物产量的影响既包括单个因素的作用，也涉及多个因素之间的交互作用。近年来，全球气候变化的趋势愈加显著，根据IPCC报告，预计在未来20 a内，全球平均气温将升高1.5 ℃[19]，与此同时，在气候变化的影响下，极端高温和干旱事件共存的频率可能增加至当前的6倍[20]，这种明显的气候变化趋势也将对作物产量产生重大影响。

1.1 单个气象因素对作物产量的影响

气象因素中，降水、温度和光照是影响作物生长发育和产量形成的最主要的因素。
降水是作物生长所需水分的主要来源，降水减少常诱发干旱。干旱不仅会影响作物早期的种子萌发，还会影响整个生长阶段的光合作用效率、叶面积扩展和水分利用效率。干旱会使叶片气孔关闭而导致作物温度升高，加速作物生长发育进程，使生育期缩短[21]。此外，干旱还会影响干物质的分配过程，致使作物穗数、穗粒数和千粒重降低，从而引起减产[22]。而水分充足则有利于作物生长发育，促进作物增产[23]，但生育期降水过多，易发生涝灾，阻碍作物根系生长和养分吸收，还会通过一系列生理反应反馈到植株地上部分，最终导致作物产量下降[24]。
温度是调节作物生理生化过程的催化剂，尤其是作物生长发育速率，受温度影响较大。温度适度升高会提高光合作用效率，促进碳水化合物形成，减少霜冻危害，利于产量增加[25]。但温度过高会导致叶片气孔关闭、光合作用降低、呼吸和蒸腾作用加强、营养物质积累减少，产量降低[26]。高温引起的热胁迫，特别是开花期和灌浆期的极端高温事件，会导致花粉不育、种子瘪小、叶片枯黄，造成显著的减产[27]。而温度过低则会抑制作物生长，导致作物减产[28]。
光照也是影响作物生长发育的关键因素。它不仅为光合作用提供能量来源，还在调控作物的多种生理过程中起着重要作用，光照强度和光照时间都会影响光合作用效率。光照充足可促进光合作用，但光照过强则会导致蒸腾作用加剧、水分蒸发过快，对作物生长不利；而光照不足，则易导致叶片发黄变小、碳水化合物形成受阻、植株生长缓慢，农业歉收[29]。并且许多作物的开花结果也会受到光照时间的影响。
除光、温、水等重要气象因素外，其他气象因素也对作物产量有显著影响，如大气CO2浓度是作物光合作用的重要原料；适度的风速可促进空气流通，有助于降低作物冠层内的温度；适宜的空气湿度有助于保持作物的水分平衡，减少叶片因过度蒸腾而失水。

1.2 多个气象因素交互作用对作物产量的影响

气象因素之间的交互作用常常使作物产量的增减更加显著，这种复合效应较单一气象因素对作物产量的影响更大。当气象条件均处于有利时，如温度升高、日照充足将更易促进作物生长和产量形成[3]。而不利因素的加和效应，则会抑制作物生长，造成减产，且易诱发气象灾害，对产量形成负效应[5]。
气象因素的这种交互效应十分复杂。例如，当高温和干旱同时发生时，作物在响应高温胁迫时表现为气孔导度增加，通过蒸腾冷却来降低叶片温度，但干旱胁迫却会使气孔关闭以减少水分损耗。如果干旱的影响占主导地位，则会使叶片气孔关闭，叶片温度升高，导致作物生长受损，从而使减产更加明显[30]。
总而言之，气象因素对作物产量的影响极为复杂。例如，早期不利的气象条件所带来的负面影响，在后期若遇到有利的天气状况时，有可能得到一定程度的补偿[31]；不同地区的气象因素对作物产量的影响也呈现出显著差异，在高寒地区，热量资源的限制可能更为关键，而在热带湿润地区，过多的降水导致的洪涝灾害更可能造成作物减产。此外，极端天气事件对作物产量的影响也较为突出[32-33]。因此，气象条件与最终的作物产量紧密相关[9,11]，将气象因素整合到作物产量预测模型中显得尤为重要。

1.3 气候变化对作物产量的影响

气候变化，如温度上升和降水模式的改变，通过影响作物的生理过程如光合作用和蒸腾作用，最终对作物产量产生重要影响[34]。其中，温度升高、干旱频率增加以及大气中CO2浓度的升高是当前气候变化影响作物产量的主要因素。
适度的温度升高可能会延长作物的生育期并提高产量，但过高的温度则会导致热胁迫，缩短作物的生长周期，进而降低产量；CO2浓度的增加能够促进光合作用并提高水分利用效率，然而这种效应在不同类型的作物间存在差异。对于C3作物，CO2施肥效应显著，而对于已经具备高效CO2固定机制的C4作物来说，其对CO2浓度升高的响应则不那么敏感[35]；此外，降水模式的变化可能导致干旱或洪涝等极端天气事件的频发，直接威胁到作物的健康生长。干旱与CO2浓度升高之间还存在着复杂的协同效应，CO2浓度的升高可以在一定程度上缓解干旱带来的损害，但这并不能完全抵消干旱对作物产量的负面影响[36]。
气候变化对作物产量的影响因地区、季节、作物种类及其适应策略的不同而有所区别。例如，在热带地区，作物生长接近其最佳温度范围，因此，温度的小幅变化都可能对其造成显著影响，导致产量下降[37]。而在温带和寒带地区，由于CO2浓度升高和气候变暖延长了生长季，则有助于产量的增加。对于一些干旱和高温灾害易发地区，温度的进一步升高将加剧这些问题，增加作物减产的风险[38]。
长期来看，在大多数地区，气候变化对作物产量主要产生负面影响[39-40]。尤其是近年来，气候变化已改变了区域水热循环模式，使得极端天气事件频发，比如高温热浪和寒潮等灾害性天气发生频率显著上升，对作物增产构成了严重威胁[41]。这些不利变化不仅挑战了现有的农业生产，也对未来的粮食安全提出了严峻考验。因此，在全球气候变化背景下，精准的气象产量预报对于应对气候变化挑战、提升气象灾害防灾减灾能力显得尤为重要。

2 气象产量

由气象因素导致的作物单产波动被定义为气象产量，除气象因素对作物产量的影响外，作物品种的改良、社会经济的发展、科学技术的进步等因素也同样会对作物产量产生显著影响，这些因素引起的作物单产则被定义为趋势产量。因此，作物产量通常分解为三部分，即趋势产量、气象产量和随机“噪声”，具体计算公式如下所示：
Y = Y i + Y w + e
式中：Y为作物实际单产（kg·hm-2）； Y i为趋势产量（kg·hm-2）； Y w为气象产量（kg·hm-2）；e为随机因素造成的单产波动，因影响较小可忽略不计。
趋势产量表征作物产量的历史演变趋势，一般呈逐渐上升趋势，可通过滑动平均、线性拟合、HP滤波、Logistic拟合、指数平滑等方法计算获得，不同的拟合方法分离出的趋势产量也存在差异[42]。
气象产量表征气象条件对作物产量的影响，为实际单产和趋势产量的差值，公式如下所示：
Y w = Y - Y i
相对气象产量为气象产量和趋势产量的比值，能更直观地表征气象因素对作物产量的影响程度，在不同的区域和不同作物之间也更具有可比性，其计算公式如下：
Y r = ( Y w / Y i ) × 100 %
式中： Y r为相对气象产量（%），一般当-10%≤ Y r≤10%时为正常年份，为气候平年；当 Y r>10%时，表示气象条件有利于作物生长，为气候丰年；当 Y r<-10%时，表示气象条件不利于作物生长，为气候歉年[9]。

3 作物气象产量预报统计学方法应用和研究现状

3.1 基于关键气象因子的作物气象产量预报

3.1.1 关键气象因子方法

统计方法中应用最广泛的是关键气象因子方法，该方法认为作物从播种到成熟的过程中，受到温度、降水、光照等气象条件的显著影响，在某个生长阶段内，如果光、温、水中的一个因子或几个因子对产量的形成起到关键作用，就可以认为这些因子是影响气象产量形成的关键气象因子[43]。通常采用相关分析筛选关键气象因子，在此基础上进行回归建模，构建预报模型，进而预测作物气象产量[12]。该方法具有模型参数获取便利、易于业务化等优点，随着不断普及和发展，预测精度也逐步提高。已有许多研究采用该方法构建了适合中国不同区域、不同作物的气象产量预报模型，并在全国各地作物气象产量预报中得到广泛应用，达到了较好的预报效果（表1）[33,44⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓-55]。
表1 基于关键气象因子的作物气象产量预报研究

Tab. 1 Research in crop meteorological yield prediction based on key meteorological factor

作物 地点 气象要素 产量预报 文献来源
指标 因子数 时间范围 时间尺度 预报因子 时间范围 建模方法 关键气象因子数量
小麦 山东（日照、枣庄）、河南（郑州地区） 降水量、平均气温、最高和最低气温、日照时数、地温、蒸发、相对湿度、风速、冬前积温、负积温、需冷量、≥0 ℃积温、≥10 ℃积温、≥20 ℃积温、太阳辐射 6~150 1970—2019年 日、旬、月、年、各生育期和全生育期 气象产量、产量、千粒重 全生育期，前期、抽穗-成熟期 灰色关联、相关分析、多元回归、逐步回归 2~7 [2,44]
水稻 辽宁、湘北、黑龙江、广西（梧州）、四川（南充）、浙江（金华） 降水量、平均气温、最高和最低气温、日照时数、相对湿度、平均风速、最大风速、平均相对湿度、最小相对湿度、土壤湿度 6~135 1980—2022年 候、旬、各生育期和全生育期 产量、气象产量、相对气象产量 全生育期 相关分析、灰色关联、多元线性回归、逐步回归、主成分分析 3~11 [2,46,51]
玉米 山东（枣庄） 降水量、平均气温、最高和最低气温、日照时数、夜间降水量、土壤湿度 15~41 1990—2018年 旬、月、全生育期 气象产量、产量 前期、全生育期 相关分析、灰色关联、逐步回归 11~14 [2,52]
马铃薯 河北（21个站） 降水量、平均气温、日照时数、水汽压、相对湿度 13~360 1949—2018年 旬、月 气象产量 全生育期 相关分析、逐步回归、多元回归 5~11 [54]
花生 全国（10个主产省）、安徽（16个市） 降水量、平均气温、日照时数 12~8 1980—2017年 日、旬、月 产量、气象产量 全生育期 正交变换、积分回归、灰色关联、相关分析、逐步回归 5~10 [53]
油菜 青海（贵南） 降水量、平均气温、日照时数、无霜期、相对湿度、平均风速、≥0 ℃积温 24 1991—2015年 月、全生育期 产量 全生育期 相关分析、逐步回归 9 [45]
橡胶 广东 降水量、平均气温、最高和最低气温、日照时数、风速、相对湿度、降雨日数、水汽压 >100 1992—2014年 旬、月、全生育期 气象产量 全年、割胶期 多元线性回归、相关分析、逐步回归 5~6 [49]
荔枝 广东（增城） 降水量、平均气温、最高气温、降水日数、日照时数、相对湿度 216 1999—2018年 旬 气象产量 上年8月—当年7月 相关分析、逐步回归 11 [48]
樱桃 山东（青岛） 降水量、平均气温、最高和最低气温、日照时数 >40 2000—2016年 旬 产量、气象产量 生殖生长期 相关分析、逐步回归 4 [50]
枸杞 青海（柴达木） 平均气温、最低气温、气温日较差、≥5 ℃积温、平均日照时数及降水量 42 1991—2020年 日、各生育期 气象产量 全生育期 相关分析、多元线性回归 10 [55]
烤烟 湖南（湘西） 平均气温、最高和最低气温、降水量、日照时数、相对湿度、≥10 ℃有效积温、≥12 ℃有效积温、≥13 ℃有效积温、降水日数、20~26 ℃日数、干旱日数、高温日数 184 2019—2021年 日、各生育期 产量 全生育期 相关分析、逐步回归 12 [33]

3.1.2 基于关键气象因子的气象产量预报应用现状

在关键气象因子方法中最常选取的气象因子是不同生长阶段的平均温度、降水量和日照时数[13,17]。此外，根据区域和作物类型，地温、相对湿度、风速、积温、无霜期、夜间降水量、最高和最低气温、太阳辐射、水汽压等也常被考虑为待分析气象因子[2,12,15,45]；何娜等[33]针对特色作物考虑了更为细致的气象因子，如超过不同温度阈值的积温、不同生育期的降水日数、干旱日数和高温日数等。继而根据不同的气象因子、不同的时间尺度（旬、月、年、各生育期、全生育期）等构建了待分析气象因子数据集。由于前期气象条件对作物产量的影响也较大，彭晓丹等[48]将前期气象条件也作为待分析气象因子；黄珍珠等[49]和刘春涛等[50]还采用膨化技术，通过充分挖掘各气象因子间的协同效应，将待分析气象因子数扩大到几百个[49-50]。在此基础上，通过相关分析、灰色关联分析、主成分分析等方法评估各气象因子和气象产量之间的相关性，筛选出关键气象因子[51⇓-53]，关键气象因子的种类和数量会随着作物类型、发育阶段、种植区域而变化。最后通过逐步回归、积分回归或多元回归等方法构建气象产量预报模型。

3.2 基于气候适宜度的作物气象产量预报应用现状

3.2.1 气候适宜度方法

气候适宜度方法认为作物产量形成受光、温、水等气候要素的综合影响，将温度、降水和光照看成3个模糊集，通过模糊数学中隶属函数的方法，分别构建温度、水分和光照等适宜度模型，继而构建综合各气象要素的气候适宜度模型，最后建立气象产量预报模型[56]。
该方法充分考虑了作物生物学特性，把气象因子的效应，转化成对作物生长发育、产量形成、质量优劣的适宜程度[57]。同时从生长发育所需的最适温度、需光性、需水量等方面，分析气候适宜度与气象产量之间的关系。该模型不仅可反映平均气象条件对作物产量的贡献[58]，也可用来估计作物对气象因子的敏感性[1]，已在气象产量预报、气候资源利用、种植结构优化等方面发挥着重要作用。

3.2.2 气候适宜度计算

首先构建温度、降水和日照适宜度模型，温度适宜度模型一般采用Beta函数，参数主要为作物不同发育期的最低、最高和最适温度。日照适宜度模型一般为指数形式，参数主要为临界日照时数。降水适宜度模型主要采用双曲线与线性组合的分段函数形式，参数为作物各生育阶段的需水量。在此基础上，采用加权求和等方法构建气候适宜度模型，各气象要素及气候适宜度模型主要为以下几种形式。但也有研究针对特定作物和特定种植区对适宜度模型进行了改进，例如在水分适宜度模型中纳入了灌溉、土壤水分含量以及干旱程度等因素[59-60]。
（1） 温度适宜度模型
用于定量分析不同生育期热量资源对作物生长发育及产量形成的满足程度，其计算公式如下[61]：
S ( T ) = [ ( T - T 1 ) ( T 2 - T ) B ] / [ ( T 0 - T 1 ) ( T 2 - T 0 ) B ]
B = ( T 2 - T 0 ) / ( T 0 - T 1 )
式中：S(T)为温度适宜度；T为平均气温；T1、T2、T0分别为作物生长发育的最低、最高和最适温度；S(T)在0~1之间变化，表征温度条件在不适宜[S(T)=0]到适宜[S(T)=1]之间变化，反映了产量随气温升高而增加，但达到最高温度后，随气温升高而下降。
（2） 降水适宜度模型
降水适宜度用于表征作物在各个生长阶段中水分条件的满足程度，这是通过比较某一生长阶段降水量与该阶段作物需水量之间的关系来确定的。具体来说，降水适宜度主要有以下几种表现形式：
S ( R ) = 1 , R 1 ≤ R ≤ R 2 R / R 1 , R < R 1 R 2 / R , R > R 2
S ( R ) = R / R 0 R 0 / R
S ( R ) = 1 , R ≥ R 0 R / R 0 , R < R 0
式中：S(R)为降水适宜度；R为降水量； R 0为作物需水量，主要采用Penman-Monteith公式计算； R 1和 R 2分别表示作物轻旱和轻涝降水量（依据作物干旱指标确定），一般 R / R 0<60%为轻旱， R / R 0>150%为轻涝，即 R 1= 0.6 R 0， R 2= 1.5 R 0[62]，但张建涛等[63]也将 R / R 0<70%作为轻旱， R / R 0>130%作为轻涝的标准。通常降水量在[ R 1， R 2]之间为最适，但有的研究也将降水量大于作物需水量作为最适标准。
（3） 日照适宜度模型
光照条件对作物生长的影响亦可理解为在适宜与不适宜之间变化。当日照时数超过日照需求临界值，则认为作物对光照条件的反应达到适宜状态，通常采用可照时数的70%（日照百分率）作为日照需求临界点[64]。但黄淑娥等[65]认为在多云雨地区，加之作物感光特性的差异，以日照百分率达70%作为最适日照时数标准过高，所以针对特定的地区、时间和作物，也有研究选取可照时数的45%~55%[60]、50%[65]或者55%[66]作为适宜日照时数临界值。而张艳红等[67]则将多年旬平均日照时数作为适宜日照时数临界值。日照适宜度模型主要有以下两种形式：
                                S ( S ) = e -   [ ( S - S 0 ) / b ] 2 , S < S 0 1 ,         S ≥ S 0
S ( S ) = 1 , S ≥ S 0 S / S 0 ,       S < S 0
式中：S(S)为日照适宜度；S为实际日照时数（h）；S0为适宜日照时数临界值；b为常数。
（4） 气候适宜度模型
气候适宜度综合考虑光、温、水对作物产量的影响，各气象要素的效应可采取等权重[68]、相关系数[69-70]、一元积分回归[64]、通径分析[71]、定值[72⇓-74]、相关比重[75]、主成分分析[76]等方法获取，继而采用加权法[42,55,59]、几何平均法[77]、累乘模型[62]等方法构建气候适宜度模型，常用的模型有以下几种形式：
S C = S ( T ) a × S ( R ) b × S ( S ) c
S C = a S ( T ) + b S ( R ) + c S ( S )
S C = S ( T ) × S ( R ) × S ( S ) 3
式中：SC为气候适宜度；a、b、c分别为温度、降水和日照适宜度的权重，通常将温度、降水和日照的适宜度同气象产量进行相关分析，再对相关系数进行标准化，进而得到光、温、水适宜度分量的权重系数，最终获得气候适宜度。
全生育期气候适宜度则可通过分析各生育期适宜度与气象产量之间的相关性来实现，各生育期对全生育期的权重系数通过相关分析、通径分析等方法获取[74-75]，进而采用几何平均、加权平均等方法构建全生育期气候适宜度模型。

3.2.3 气候适宜度研究进展

气候适宜度模型目前已应用到中国多个省市县（表2）[78⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓-100]，主要集中在气象要素适宜度曲线、隶属函数、气候适宜度模型，以及气候资源分区与评价等方面[78-79]。其中温度和日照适宜度的方法较为统一，但水分适宜度差异较大。多数采用了降水适宜度，但有的则考虑了土壤水分[60]和灌溉[59]，构建了土壤水分适宜度和水分适宜度模型。适宜度时间尺度一般为旬、月、年、各生育期和全生育期，武晋雯等[71]计算日适宜度，用于揭示中短时气象灾害情景下的气候适宜度状况。
表2 气候适宜度研究

Tab. 2 Research in climatic suitability

据分析，目前中国小麦种植区，河北、陕西关中和黄淮海地区日照和温度适宜度较高，降水适宜度较低[67,75]，而江苏气候适宜度维持在较高水平[64]；江西水稻种植区降水适宜度较低，温度和日照适宜度较高[65]；内蒙古玉米种植区温度和日照适宜度较高，水分适宜度较差[70]。此外，一些特色作物种植区的适宜度分析可以发现，重庆渝东烤烟种植区温度和日照适宜度较高，但降水适宜度较低[76]；而海南昌江地区芒果开花期湿度和日照适宜度较好，但温度适宜度较低[66]；浙江茶叶种植区温度和气候适宜度都比较高，但降水和日照适宜度略低[60]。
此外，气候适宜度变化趋势也存在明显的地域差异。如小麦种植区，江苏省温度、降水和气候适宜度均呈弱增加趋势，日照适宜度呈弱减少趋势[62]；河北光、温、水和气候适宜度均呈下降趋势；陕西关中地区温度和光照适宜度呈上升趋势，降水适宜度呈下降趋势。水稻种植区，淮河流域日照、降水和气候适宜度呈下降趋势，温度适宜度呈升高趋势[80]；江西部分地区日照适宜度呈下降趋势，温度适宜度变化不大；安徽温度适宜度呈上升趋势，日照和降水适宜度呈微弱下降趋势。在玉米种植区，河北廊坊和东北三省温度适宜度呈上升趋势，日照和降水适宜度呈下降趋势[74,81]；内蒙古中西部地区气候适宜度变化趋势不明显，东部在玉米抽雄-乳熟期显著下降、乳熟-成熟期显著上升[70]；甘肃旱作区温度和日照适宜度呈上升趋势，降水适宜度呈下降趋势[73]。河南和河北棉花种植区，温度适宜度呈上升趋势，但气候适宜度呈下降趋势[68]。宁夏中南部马铃薯种植区，日照、温度和气候适宜度均呈下降趋势[59]。

3.2.4 基于气候适宜度的气象产量预报应用现状

在气候适宜度评价的基础上，利用气候适宜度进行作物气象产量预报（表3）[82⇓⇓⇓⇓-87,101-102]。首先分析各作物种植区的气候适宜度，继而以气候适宜度作为建模因子，以产量增减量[78,83]，或产量[84]、气象产量[85]、相对气象产量[86]作为预报因子，利用一元线性回归[86]、逐步回归[84]、积分回归[85]等方法建立逐候[83]、逐旬[87]、逐月、或逐生育期[84]的产量或气象产量动态预报模型。目前主要开展了针对小麦、玉米、水稻主产区的产量预报[79,87]，此外，孙贵拓等[56]还利用气候适宜度方法分析了发育期持续天数和气候适宜度的关系，构建了发育期动态预报模型。
表3 基于气候适宜度的作物气象产量预报研究

Tab.3 Research in crop meteorological yield prediction based on climatic suitability

3.3 基于历史丰歉气象影响指数的作物气象产量预报应用现状

3.3.1 历史丰歉气象影响指数方法

历史丰歉气象影响指数方法较为复杂，首先基于历史年和预报年作物播种后逐日平均气温、最高最低气温、日照时数和降水量以及发育期等资料，计算作物播种后的温度要素指标（如积温、有效积温等），降水要素指标（如累积降水量、分段累积降水量、标准化降水量、分段标准化降水量等），日照要素指标（如累积日照时数、分段累积日照时数、标准化日照时数、分段标准化日照时数等）。进而利用欧式距离和相关系数法计算预报年气象要素与历史上任意一年同一时段同类气象要素的差异，建立综合诊断指标，分析相似度。再根据相似度，在各类气象要素（降水、温度、日照）中依次选取第一、第二和第三历史最大相似年，得到9个相似年型产量丰歉值，最后根据这些相似年的产量丰歉值，采用算术平均、加权平均、大概率法、符号一致平均法或综合影响指数方法，获取预报年产量丰歉气象影响指数，继而开展逐候、逐旬或逐月的产量动态预报[103-104]。

3.3.2 相似年综合诊断指标

该方法认为在一定区域内，相邻两年作物产量的变化几乎是由气象条件的变化引起的，相邻两年作物单产和气象条件的变化可分别表示为[104]：
Δ X i = X i - X i - 1， Δ Y i = Y i - Y i - 1， Δ Y = f ( Δ X )
式中： X i和 X i - 1分别为第i年和第i-1年的气象因子值； Δ X i为相邻两年气象因子的变化； Y i和 Y i - 1分别为第i年和第i-1年的单产值； Δ Y i为相邻两年作物单产变化，即产量丰歉气象影响指数，正负分别代表产量丰和歉。
在不考虑其他因素的情况下，对同一地区不同年份，如果两年的气象要素变化相近或相似，则其作物产量的变化也应相近，可通过综合诊断指标判断气象要素相似年，其计算公式如下：
欧式距离： d i k = ∑ j = 1 n ( Δ X i j - Δ X k j ) 2
相关系数： r i k = ∑ j = 1 n ( Δ X i j - Δ X i ¯ ) ( Δ X k j - Δ X k ¯ ) ∑ j = 1 n ( Δ X i j - Δ X i ¯ ) 2 ∑ j = 1 n ( Δ X k j - Δ X k ¯ ) 2
综合诊断指标： C i k = r i k d i k × 100 %
式中：k为预报年；i为任一历史年份；j为气象要素；Xkj为预报年第j个气象要素；Xij为历史上第i年同一时段的同类气象要素值；n为样本长度； X i ¯与 X k ¯分别为第i序列与第k序列n个样本的平均值；dik为第k年与第i年的欧式距离；rik为第k年与第i年的相关系数；Cik为第k年与第i年的综合诊断指标，Cik值越大，则预报年同历史上第i年的相似度就越高[104]。

3.3.3 预报年产量丰歉气象影响指数

在降水、温度、日照气象指标中分别选取相似度最大的3个历史相似年型，得到9个历史相似年产量丰歉气象影响指数值，继而采用加权平均等方法计算预报年产量丰歉气象影响指数。
其中，加权平均法和大概率法是最常用的方法。加权平均法是在得到9个相似年的基础上，根据产量增产（或减产）概率的大小，以概率为权重，采用加权平均得到预报年的产量丰歉气象影响指数，公式如下所示[104-105]：
Δ Y k = ∑ Δ Y i ( + ) l × a ( + ) + ∑ Δ Y i ( - ) m × a ( - )
a ( + ) = l 9， a ( - ) = m 9
大概率法则是根据相似年中产量增产（或减产）概率的大小，选取概率较大的增产年（或减产年）的产量丰歉气象影响指数平均值作为预报值：
Δ Y k = ∑ Δ Y i ( + ) l , l > m ∑ Δ Y i ( - ) m , l < m
式中： Δ Y k为预报年产量丰歉气象影响指数； ∑ Δ Y i ( + )为相似年产量丰歉值中，产量为增产年的气象影响指数累加值； ∑ Δ Y i ( - )为相似年产量丰歉值中，产量为减产年的气象影响指数累加值；l和m分别是相似年中增产年和减产年的个数；a(+)和a(-)分别指相似年中产量为增产年和减产年的概率。

3.3.4 基于历史丰歉气象影响指数的气象产量预报应用现状

历史丰歉气象影响指数方法可以获得预报年的产量丰歉趋势，在此基础上，给出产量的预报结果。该方法已在中国多个省份的几种主要作物产量动态预报中得到应用（表4）[105⇓⇓-108]。但起报时间不同，气象指标的相似年及相似年的排序也并不相同；同一起报时间，不同气象指标的相似年存在差异，但也可能存在重复性；相同的预报年和预报时间，不同的作物产量丰歉趋势也不相同[109]。此外，采用不同方法计算的产量丰歉趋势和预报准确率也存在差异。因此，需根据作物、区域选择历史丰歉气象影响指数预报模型。
表4 基于历史丰歉气象因子指数的作物气象产量预报研究

Tab. 4 Research in crop meteorological yield prediction based on historical meteorological factor index

作物 地点 气象要素 对比指标 气象因子变化量 单产变化量 历史相似年 预报年丰歉气象
影响指数		 文献来源
指标 时间
范围		 时间尺度 判断方法 数量 计算方法 时间尺度
水稻 黑龙江
（30个
站）、全
国（95
个站）		 最高和最低气温、降水量、日照时数 1960—2008年 日、候 平均温度、有效温度、积温、有效积温；累积降水量、分段累积降水量、标准化降水量、分段标准化降水量、有效降水量、分段有效降水量；累积日照时数、分段累积日照时数、标准化日照时数、分段标准化日照时数、有效日照、分段有效日照时数 相邻两年气象因子的差值 单产丰歉值 综合聚类指标（相关系数/欧氏距离） 3、6、9 算术平均法、加权平均法、大概率法、符号一致平均法、综合影响指数 月 [107]
玉米 吉林
（50个站）		 最高和最低气温、日照时数、降水量 1980—2016年 日 平均气温、平均日照时数、平均降水量、累积降水量、平均积温、标准化降水量、累积日照时数 相邻两年气象因子的差值 单产丰歉值 综合聚类指标（相关系数/欧氏距离）；欧氏距离（气象要素种类标准化后） 9 加权平均法、大概率法 旬、月 [104]
油菜 四川（13个站）、湖南（4个站）、全国（71个站） 平均气温、最高和最低气温、日照时数、降水量 1961—2019年 日 平均温度、有效温度、积温、有效温度累积，累积降水量、分段累积降水量、标准化降水量、分段标准化降水量，累积日照时数、分段累积日照时数、标准化日照时数、分段标准化日照时数 相邻两年气象因子的差值 单产丰歉值 综合聚类指标（相关系数/欧氏距离） 9 加权平均法、大概率法、符号一致平均法、综合诊断指标法 候、月 [106]
马铃
薯		 河北
（24个站）		 最高和最低气温、日照时数、降水量 1982—2018年 日 平均气温、降水量、日照时数、平均积温、标准化降水量、累积日照时数 相邻两年气象因子的差值 单产丰歉值 综合聚类指标（相关系数/欧氏距离） 9 加权平均法、大概率法 月 [105]
大豆 全国
（61个站）		 最高和最低气温、降水量、日照时数 1960—2004年 日、候 平均温度、日有效温度、积温、分段累积降水量、分段累积日照时数、标准化降水量、分段标准化降水量、标准化日照时数和分段标准化日照时数 相邻两年气象因子的差值 单产丰歉值 综合聚类指标（相关系数/欧氏距离） 3、6 算术平均法、符号一致平均法、综合影响指数 月 [108]

3.4 基于多种统计学方法集成的气象产量预报应用现状

3.4.1 气象产量预报集成方法

上述的研究大多基于某一种统计学方法，但每种方法都有各自的优势和不足，且针对不同作物、不同区域、不同生长阶段，各方法的预报效果亦不尽相同。因此，一些学者开始致力于利用多种统计学方法开展气象产量集成预报研究（表5），集成原理主要为根据各方法的预报准确率[103,110-111]或预报误差[82]，应用加权方法进行作物气象产量预报。采用的集成方法除加权集成外，根据应用区域等实际情况，还可采用相关集成方法。
表5 多种统计学方法集成的气象产量预报研究

Tab. 5 Research in crop meteorological yield prediction by integrating multiple statistical methods

作物 地点 气象数据 关键气象因子 气候适宜度 历史丰歉气象影响指数 集成方法 预报效果 文献
来源
指标 时间
范围		 时间
尺度		 气象因子 关键气象因子 方法 建模
因子		 气象因子类型 相似
年数		 预报方法
小麦 山东（17个站） 最高和最低气温、降水量、日照时数、风速、水汽压、土壤水分 1980—2011年 日、旬 平均气温、降水量、日照时数（旬）（72个因子） 8~12 温度、降水、土壤墒情、水分、日照、气候适宜度 气候适宜度 积温、标准化降水量、累积日照时数 9 大概率法 准确率加权方法 集成预报准
确率和稳定
性更高		 [110]
湖北
（荆州）		 平均气温、日照时数、降水量 1970—2016年 日、候 温度、降水、日照、气候适宜度 气候适宜度 积温、累积日照、累积降水量 9 加权平均分析法、大概率法 丰歉指数方法的预报准确率更高 [115]
江苏（69个站） 平均气温、最高和最低气温、降水量、日照时数、高温和低温日数、降雨和大雨日数、土壤相对湿度 1993—2018年 日 平均气温、≥0 ℃的积温、≥30 ℃和≤0 ℃的日数、降水量、降雨和大雨日数、可照时数（生育期）（72个因子） 无 温度、降水、日照、气候适宜度 气候适宜度 积温、标准化降水量、累积日照
时数		 9 加权平均分析法、大概率法 准确率加权方法 气候适宜度方法和集成预报准确率更高 [103]



水稻		 湖南（15个站） 最高和最低气温、降水量、日照时数 1961—2008年 日 温度、降水、日照、气候适宜度 气候适宜度 降水量、日照、
温度		 9 算术平均法、符号一致平均法 预报误差加权方法 集成预报准确率更高 [82]
湖南（15个站） 平均气温、最高和最低气温、降水量、日照时数、风速、水汽压 1962—2012年 日 平均温度、降水量、日照时数（旬）（36个因子） 8 温度、降水、日照、气候适宜度 气候适宜度 气候适宜度方法趋势预报准确性最高 [113]
云南（125个站） 平均气温、降水量、日照时数 2000—2018年 日 平均气温（旬）、降水量（月）（20个因子） 2 累积日照时数、平均温度、≥15 ℃和≥18 ℃有效积温、累积降水 15 大概率法 2种模型预报准确率均较高 [112]
大豆 辽宁（56个站） 最高和最低气温、降水量、日照时数 1981—2016年 日 平均气温、降水量、日照时数（候） （30个因子） 7 温度、降水、日照、气候适宜度 气候适宜度 气候适宜度预报准确率和稳定性更高 [109]
油菜 江西（87个站） 平均气温、降水量、日照时数 1990—2015年 日 平均气温、累积降水量、累积日照时数（生育期）（15个因子） 6 温度、降水、日照、气候适宜度 气候适宜度 准确率加权方法 辐热积模型拟合效果最佳 [111]
（1） 加权集成
根据待集成的统计学方法的预报准确率或预报误差加权平均估测最终产量，其计算如下：
Y j = ∑ k = 1 n Y k , j × λ k
式中： Y j为第j年的预报值； Y k , j为第j年第k种统计学方法的预报值；n为统计学方法种类； λ k为第k种统计学方法的权重（为第k种方法的历年预报平均准确率占所有方法历年预报平均准确率之和的比值）。
（2） 相关集成
若用来集成的预报模型是回归性模型，则每个预报模型都有复相关系数 R i，这时可按如下公式进行相关集成：
Y = R 1 Y 1 + R 2 Y 2 + ∙ ∙ ∙ + R n Y n R 1 + R 2 + ∙ ∙ ∙ + R n = ∑ i = 1 n R i Y i ∑ i = 1 n R i
式中：Y1，Y2，…，Yn为各预报模型产量的估计值；n为统计学方法种类。

3.4.2 基于多种统计学方法集成预报的应用现状

目前，几种统计学方法的预报准确率均较高，准确率大多达到90%以上[112]，相比较而言，气候适宜度方法的准确率和稳定性较其他方法更高些（表5）[103,109,113]，但各方法的简便性、可行性等也是待考虑的因素。集成方法弥补了各预报模型的缺陷与不足，提高了最终的预报效果。集成后，预报准确率和稳定性较单一预报方法的准确率更高[82,103,110]。在许多气象业务系统中，也逐渐采用集成预报的方法开展气象产量预报，目前已在国家级、省市县级主要作物（小麦、水稻、玉米、油菜、棉花和大豆）产量动态预报业务中得到应用，最终预报结果均由这些子模型集成给出[114-115]。

4 存在的问题与展望

4.1 存在的问题与改进

基于统计学方法的作物气象产量预报简单易行、准确率高，已广泛应用于中国各区域的气象产量预报中。但在具体应用中，仍存在一些局限性。
关键气象因子方法主要考虑光、温、水的影响，易忽视其他气象因子的效应。但作物生长过程十分复杂，受诸多气象要素的影响，因此可考虑其他气象因子的作用[17]，或采用膨化技术处理，充分挖掘气象因子的效应。其次，主要考虑常规气象因子，较少考虑气象灾害的效应，忽略了气象灾害对作物生长的影响，尤其遭遇重大气象灾害时，会明显降低预报准确率，可将气象灾害指数（如高温日数、干旱指数等）作为待分析因子进行建模[13,33]。第三，构建气象产量预报模型时，主要采用线性回归方法建模，由于气象因子间可能存在的相关性易导致模型参数估计和预测结果不稳定，因此可采用正则化的回归模型，如岭回归、LASSO回归、ElasticNet回归，用于解决因子间的多重共显性问题[116]。此外，还可引入机器学习算法，利用其在处理高维和非线性问题上的优势，构建能反映气象因子和气象产量之间非线性关系的气象产量预报模型，以此提高预报准确率[7-8]。
气候适宜度方法主要针对旬、月或生育期时间尺度进行分析，较难反映短时灾害性天气对作物产量的影响[1,71]，因此，可提高气候适宜度的时间分辨率，如构建日尺度光、温、水适宜度模型，或将生育期细化为前、中、后期，以精确评估气象条件对作物生长的影响[9,117]。其次，气候变化导致极端气象事件频发，但气候适宜度主要考虑气象要素平均态，加之一些过程性或发展性气象灾害也较少考虑，均易造成预报结果不稳定，因此可构建结合极端气候指数[1,9]，或者基于主要气象灾害指数修订的混合预报模型[118]。
历史丰歉气象影响指数方法能客观定量地预报出气象条件对作物产量变化趋势的影响，但由于较难找到真正相似的年份，加之作物品种更新、外部环境影响，即使气象要素变化最相近的年份，作物产量的变化也不一定是最相近的[104]，所以预报结果存在不稳定性[103]。其次，相似年判别主要基于光、温、水因子的相似性，而忽略了其他气象因子，也易造成预报结果不稳定，因此可根据作物类型、生长区域，增加其他气象因子，分析其相似性。
此外，目前大多数气象产量预报主要针对粮食作物，还可加强经济作物、特色作物和设施作物的气象产量预报研究[14,114]。其次，根据区域气候特征、气象服务对象、作物类型，评估各统计方法的适宜性和集成效果，筛选最优气象产量预报技术和最佳集成方法，构建适合于当地气象部门各类作物的集成气象产量预报方案、技术和平台。第三，构建基于不同时空尺度的气象产量预报模型，提高农业气象精细化服务能力。当前的气象产量预报主要集中在区域、省和全国层面，市县级别的预报服务相对较少，但中国农业种植结构较为复杂，降低了产量预报的准确性。因此，可构建县市级气象产量预报模型，甚至随着区域站数据的密集采集，开展更高空间分辨率的网格化气象产量预报服务[14]。

4.2 展望

作物气象产量预报模型目前已经能够有效地估计作物产量，但为进一步提升预测精度，仍需不断进行改进。当前的气象产量预报集成案例，主要是对传统统计学方法的集成。然而，随着人工智能、遥感技术及作物模拟技术的进步，可用于分析的数据和方法正在迅速增加。因此，在现有集成框架下探索更多样化的方案变得可行。除了仅考虑气象因素来提高产量预测准确率外，还可以通过扩展数据来源以及应用更先进的统计和建模方法，从多个角度提升作物产量预测的精确度。这种综合方法有望带来更加准确和可靠的产量预报，为农业决策提供强有力的支持。

4.2.1 扩展数据来源，构建多源数据融合的作物产量预报模型

除气象因素外，作物的实际产量还与作物品种、土壤特性、农田水分状况、生态环境、田间管理措施以及病虫害等因素密切相关。因此，在建模时应考虑更多样化的数据源，以提高预测精度。
通过地面调查或传统方法在大面积上获取数据较为困难，易导致区域预测结果不够精确。而遥感技术以其快速、客观、及时和宏观的优势，能够实现对作物及农田环境的大范围同步观测，且随着技术的进步提供了越来越丰富的数据资源。特别是无人机搭载传感器获取的高时空分辨率图像，为反映作物生长状态提供了更加详细的资料，已成为农业调查的重要手段之一，能够迅速响应农业生产中的问题[119]。同时，高光谱影像能提供许多对作物产量有重要影响的因素的关键信息[120]，但其在产量预测中的应用尚不广泛[121]。近年来，基于卫星影像反演的太阳诱导叶绿素荧光（SIF）作为新的作物特征指标，已被证明在结合环境参数进行产量预测时，能显著提升准确性[122]。随着FLuorescence Explorer（FLEX）等新型卫星的发射，将进一步提高全球作物光合作用活性和健康状态监测的精度，为产量预测提供更多的数据支持[123]。
此外，无线传感器网络和物联网技术的发展使得实时监控农田环境成为可能，包括作物生长状况、土壤水分和养分、灾害情况及灌溉用水等多个方面，使农业数据从单一的作物信息，发展成多源、多行业、多类型的综合性大数据，也为产量预报提供了更加丰富和详实的数据支持[124]。因此，通过数据集成融合多种作物生长和农田环境信息，可以显著提高产量预测的精度。
然而，随着数据源的增加，模型可能会变得过于复杂，需要估计大量的参数，从而带来挑战。为了简化模型并保持其稳定性和预测能力，可以采用逐步回归、主成分分析和偏最小二乘回归等统计方法，从中筛选出对产量有显著影响的因素，确保模型的有效性[116]。

4.2.2 改进统计学方法，提升作物产量预测精度

由于受多种因素影响（如气候条件、病虫害、土壤水肥状况及田间管理措施等），作物产量与这些影响因子之间的关系通常呈现非线性特征。随着考虑的因素增加和数据量的扩大，这种响应关系愈加复杂。因此，在传统统计分析的基础上引入先进的数据分析技术和统计方法显得尤为重要。
当前快速发展的机器学习和深度学习算法提供了强大的计算能力，能够挖掘出隐含且潜在有用的信息，并有效处理非线性问题。这些算法可以对来自多个不同来源的数据之间的复杂非线性关系进行建模[125]。因此，可通过方法集成，将机器学习和深度学习算法作为传统建模技术的补充或替代方案[1-2,8,15]。
机器学习是人工智能的一个分支，通过将作物产量视为影响因子的隐函数，能够提供更加精确的产量预测[126]。在作物产量预测领域，常用的一些机器学习算法包括人工神经网络（ANN）、随机森林（RF）和支持向量机（SVM）。其中，人工神经网络（ANN），作为一种早期且广泛应用的机器学习算法，擅长从数据中提取复杂的、动态的和非线性的模式[127]。经过多年的研究和发展，ANN现在拥有成熟的库和软件支持[128]。但在构建神经网络时，选择适当的隐藏层数量和激活函数类型仍然是提高模型性能的关键因素。为了达到最佳性能，通常会采用各种优化算法来确定这些参数的最佳值[116]；随机森林（RF）在作物产量预测方面表现突出，不仅展现了良好的稳定性和高精度，还能评估各个影响因子的重要性，这使其成为一种高效的预测工具[129]；支持向量机（SVM），则是通过将输入数据映射到一个高维特征空间，并在此空间中建立线性模型，从而有效处理原始输入空间中的非线性关系[130]。对于SVM而言，选择合适的核函数以及优化超参数对于确保模型的优秀预测性能至关重要[131]。此外，极限梯度提升（XGBoost）和极限学习机（ELM）这两种算法也在实际应用中得到了广泛的认可[132]。它们各自具有独特的优势，为作物产量预测提供了额外的选择和灵活性。
近年来，深度学习技术也逐渐应用于作物产量预测中。作为机器学习的一个分支，深度学习通过多层神经网络架构，能够从数据中提取复杂的、多层次的信息[133]。它擅长处理大型数据集，并能捕捉变量间的复杂关系，利用非线性函数进行建模。相比传统机器学习算法，深度学习在此类任务上展现出了更为优越的能力，为作物产量预测提供了更加精确的结果[134]。目前，几种主要的深度学习算法已被广泛应用于作物产量预测中，包括深度神经网络（DNN）、卷积神经网络（CNN）和长短期记忆网络（LSTM），这些算法已经在该领域展示了强大的性能[135]。其中，DNN由于其多个隐藏层的设计，非常适合处理大规模数据集及复杂的非线性关系，从而能够提供高精度的预测结果[136]。CNN主要用于图像处理，在对象检测和图像分类等视觉任务中表现出色，同样适用于农业领域的遥感影像分析[137]。然而，CNN的应用受限于需要大量数据进行训练，并且计算成本较高。LSTM擅长捕捉长时间序列中的依赖关系，更适用于时间序列数据，尤其是结合了反映作物冠层特征变化的时间序列遥感影像时，表现尤为突出[138]。总体而言，深度学习方法为作物生长监测提供了强有力的支持，能够通过整合多种数据源并捕捉复杂的时空模式来提升作物生长监测和产量预测的准确性。
这些算法还可以通过组合形式来进一步增强预测性能。一种有效的方式是将机器学习算法与深度学习算法相结合，以充分利用两者各自的优势[139]。这种混合策略不仅能够提升模型的预测准确性，还能提高其效率和鲁棒性。此外，不同类型的深度学习模型之间也可以相互组合[140]，尽管此类组合应用尚未广泛普及，但已有若干成功案例展示了其巨大潜力。例如CNN-LSTM、RNN-LSTM和CNN-RNN等混合架构通过整合各自模型的优势，显著提高了作物产量预测的准确性和效率[141-142]。
虽然机器学习和深度学习技术为农业产量预测提供了强大的工具，但在实际应用中也面临一些挑战，在具体应用时也需注意。以往的研究已经广泛尝试了多种算法来预测作物产量，然而不同的机器学习算法在效果上存在显著差异，因此，选择最适合特定情况的算法对于提高预测精度至关重要[30,143]；训练有效的深度学习模型需要高质量且大样本量的数据集，但获取并整理这样的数据是一项艰巨的任务，而数据不足可能导致模型过拟合的问题。为此，可采用数据增强技术[144]和正则化方法[145]，以提升模型的泛化能力；复杂的算法往往需要更多的计算资源，因此，高性能计算环境的支持是确保这些先进算法能够有效实施的关键[30]；此外，许多研究基于特定案例进行，所使用的数据和方法可能不具备广泛的适用性，难以直接应用于其他作物或地理区域，因此，还需进一步探索提升模型的迁移能力，以确保其在不同环境下的有效应用[15]。

4.2.3 融入机理模型，准确高效预测区域产量

作物生长模型在揭示作物生长过程机理方面具有显著优势，也是产量预测的有力工具[146]。然而，由于输入数据、模型结构和参数等方面的不确定性，作物生长模型的模拟结果可能不稳定。特别是在区域尺度的应用中，地表环境的异质性、作物类型的多样性以及田间管理措施的不同等因素，进一步增加了作物产量预测的复杂性和不确定性。而遥感观测提供了宝贵的区域性作物生长信息，能够与作物生长模型形成互补[147-148]。为了提高区域产量预测的准确性，一些研究采用了数据同化方法，将两者的优势结合起来。具体而言，通过优化方法迭代计算，将遥感信息融入作物生长模型，校正相关参数，以解决模型参数的区域化问题，并使作物模型能够从单点应用扩展到区域尺度[149]。此外，顺序数据同化方法利用空间上连续、时间上动态变化的卫星观测数据来实时调整模拟轨迹，从而实现更精确的区域产量估计[146]。但数据同化技术通常需要大量的计算资源和时间，尤其是在高时空分辨率的应用中，这种需求随着卫星影像分辨率的提升而更加明显[150]。近年来，机器学习算法因其高效的计算能力受到关注[151]。因此，通过整合作物生长模型、遥感数据和机器学习算法，可以开发新技术以实现对作物区域产量的准确、实时和高效预测[152]。例如，可以将作物模型的模拟结果和由卫星遥感反演得到的作物参数作为训练数据输入机器学习模型中构建估产模型；或者使用机器学习来校准作物生长模型的参数，以此提升预测精度[153]。尽管这一领域的系统性研究还处于初级阶段，但其前景广阔。
综合来看，在未来的气象产量预报系统中，可通过在常规的统计学方法中，融合更多来源的数据（如卫星遥感、无线传感器网络、物联网等），引入先进的数据分析技术和新的统计方法（如机器学习和深度学习算法），并与机理性强的作物生长模型相结合，建立起基于农业、气象、遥感、人工智能的集成技术体系，构建适用于不同时空尺度、高效、高精度的产量混合预报模型，并通过开展针对不同区域和不同作物的适用性分析，进一步提高农业气象精细化、准确化和全面化的服务能力，以期更好地为气象部门开展农业气象服务提供科技支撑。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Zhao Y X, Xiao D P, Bai H Z, et al. The prediction of wheat yield in the North China plain by coupling crop model with machine learning algorithms[J]. Agriculture, 2023, 13: 99-118.

[2]
Li L C, Wang B, Feng P Y, et al. Crop yield forecasting and associated optimum lead time analysis based on multi-source environmental data across China[J]. Agricultural and Forest Meteorology, 2021, 308- 309(4): 108558-108569.

[3]
Fu Z P, Jiang J, Gao Y, et al. Wheat growth monitoring and yield estimation based on multi-rotor unmanned aerial vehicle[J]. Remote Sensing, 2020, 12(3): 508-526.

[4]
Leng G Y. Maize yield loss risk under droughts in observations and crop models in the United States[J]. Environmental Research Letters, 2021, 16: 024016-024027.

[5]
李朋磊, 张骁, 王文辉, 等. 基于高光谱和激光雷达遥感的水稻产量监测研究[J]. 中国农业科学, 2021, 54(14): 2965-2976.

[Li Penglei, Zhang Xiao, Wang Wenhui, et al. Assessment of terrestrial laser scanning and hyperspectral remote sensing for the estimation of rice grain yield[J]. Scientia Agricultura Sinica, 2021, 54(14): 2965-2976.]

[6]
Chapagain R, Remenyi T A, Harris R M B, et al. Decomposing crop model uncertainty: A systematic review[J]. Field Crops Research, 2022, 279: 108448-108459.

[7]
Cao J, Zhang Z, Tao F L, et al. Integrating multi-source data for rice yield prediction across China using machine learning and deep learning approaches[J]. Agricultural and Forest Meteorology, 2021, 297: 108275-108289.

[8]
Paudel D, Boogaard H, de Wit A, et al. Machine learning for large-scale crop yield forecasting[J]. Agricultural Systems, 2021, 187: 103016-103028.

[9]
高雁鹏, 陈文俊. 1984—2020年辽宁省极端气温时空变化及粮食产量响应研究[J]. 地理科学, 2021, 41(11): 2052-2062.

[Gao Yanpeng, Chen Wenjun. Spatial and temporal variation of extreme temperature and grain yield response in Liaoning Province from 1984 to 2020[J]. Scientia Geographica Sinica, 2021, 41(11): 2052-2062.]

[10]
贾建英, 刘一锋, 彭妮, 等. 基于积分回归法甘肃省冬小麦产量动态预报[J]. 气象与环境学报, 2016, 32(2): 100-105.

[Jia Jianying, Liu Yifeng, Peng Ni, et al. Dynamic forecast of winter wheat yield based on an integral regression method in Gansu Province[J]. Journal of Meteorology and Environment, 2016, 32(2): 100-105.]

[11]
姜骁, 许静, 潘丽娟, 等. 花生产量相关性状与气象因子多环境相关性分析[J]. 作物学报, 2023, 49(11): 3110-3121.

[Jiang Xiao, Xu Jing, Pan Lijuan, et al. Peanut yield-related traits and meteorological factors correlation analysis in multiple environments[J]. Acta Agronomica Sinica, 2023, 49(11): 3110-3121.]

[12]
Kakati N, Deka R L, Das P, et al. Forecasting yield of rapeseed and mustard using multiple linear regression and ANN techniques in the Brahmaputra valley of Assam, North East India[J]. Theoretical and Applied Climatology, 2022, 150: 1201-1215.

[13]
Bouras E, Jarlan L, Er-Raki S, et al. Cereal yield forecasting with satellite drought-based indices, weather data and regional climate indices using machine learning in Morocco[J]. Remote Sensing, 2021, 13: 3101-3122.

[14]
刘维, 宋迎波. 基于不同空间尺度的作物产量集成预报——以江苏一季稻为例[J]. 气象科学, 2021, 41(6): 828-834.

[Liu Wei, Song Yingbo. Comparative analysis of different regional scales integration yield prediction: A case study of single rice in Jiangsu[J]. Journal of the Meteorological Sciences, 2021, 41(6): 828-834.]

[15]
Clark R, Dahlhaus P, Robinson N, et al. Matching the model to the available data to predict wheat, barley, or canola yield: A review of recently published models and data[J]. Agricultural Systems, 2023, 211: 103749.

[16]
Huang S, Lv L, Zhu J, et al. Extending growing period is limited to offsetting negative effects of climate changes on maize yield in the North China Plain[J]. Field Crops Research, 2018, 215: 66-73.

[17]
Idrissi A, Nadem S, Boudhar A, et al. Review of wheat yield estimating methods in Morocco[J]. African Journal on Land Policy and Geospatial Sciences, 2022, 5(4): 2657-2664.

[18]
Rezaei E E, Webber H, Asseng S, et al. Climate change impacts on crop yields[J]. Nature Reviews Earth & Environment, 2023, 4: 831-846.

[19]
IPCC. Climate Change 2021:The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change[R]. Cambridge: Cambridge University Press, 2021.

[20]
Heino M, Kinnunen P, Anderson W, et al. Increased probability of hot and dry weather extremes during the growing season threatens global crop yields[J]. Scientific Reports, 2023, 13: 3583-3595.

[21]
Farooq M, Wahid A, Kobayashi N, et al. Plant drought stress: Effects, mechanisms and management[J]. Agronomy for Sustainable Development, 2009, 29: 185-212.

[22]
Liu E K, Mei X R, Yan C R, et al. Efects of water stress on photosynthetic characteristics, dry matter translocation and WUE in two winter wheat genotypes[J]. Agricultural Water Management, 2016, 167: 75-85.

[23]
褚鹏飞, 于振文, 王东, 等. 小麦灌水时期与灌水量对花后果聚糖积累与转运及水分利用效率的影响[J]. 应用生态学报, 2009, 20(11): 2691-2698.

[Chu Pengfei, Yu Zhenwen, Wang Dong, et al. Effects of irrigation stage and amount on winter wheat fructan accumulation and translocation after anthesis and water use efficiency[J]. Chinese Journal of Applied Ecology, 2009, 20(11): 2691-2698.]

[24]
Pan J, Sharif R, Xu X, et al. Mechanisms of waterlogging tolerance in plants: Research progress and prospects[J]. Frontiers in Plant Science, 2020, 11: 627331-627346.

[25]
Mohammadi S, Rydgren K, Bakkestuen V, et al. Impacts of recent climate change on crop yield can depend on local conditions in climatically diverse regions of Norway[J]. Scientific Reports, 2023, 13: 3633-3644.

[26]
Fatima Z, Ahmed M, Hussain M, et al. The fingerprints of climate warming on cereal crops phenology and adaptation options[J]. Scientific Reports, 2020, 10: 18013-18034.

[27]
Eyshi Rezaei E, Webber H, Gaiser T, et al. Heat stress in cereals: Mechanisms and modelling[J]. European Journal of Agronomy, 2015, 64: 98-113.

[28]
马晓玲, 周焱博, 袁杰, 等. 阳泉市玉米生育期气象要素变化特征及相关性分析[J]. 中国农学通报, 2024, 40(7): 118-122.

[Ma Xiaoling, Zhou Yanbo, Yuan Jie, et al. Variation characteristics and correlation analysis of meteorological elements during maize growth period in Yangquan City[J]. Chinese Agricultural Science Bulletin, 2024, 40(7): 118-122.]

[29]
娄伟平, 张寒, 孙永飞, 等. 光温条件对浙中晚稻抽穗期和结实率的影响[J]. 中国农业气象, 2006, 27(1): 49-52.

[Lou Weiping, Zhang Han, Sun Yongfei, et al. Effects of sunlight and temperature conditions on heading period and seed setting rate of late rice[J]. Chinese Journal of Agrometeorology, 2006, 27(1): 49-52.]

[30]
Zandalinas S I, Mittler R. Plant responses to multifactorial stress combination[J]. New Phytologist, 2022, 234: 1161-1167.

[31]
Siebert S, Webber H, Rezaei E E. Weather impacts on crop yields-searching for simple answers to a complex problem[J]. Environmental Research Letters, 2017, 12: 081001-081005.

[32]
李小芳, 赵鹏, 张向荣, 等. 生育期气候因子对陕西安康烟区烤烟产量、质量的影响[J]. 西北农林科技大学学报, 2015, 43(9): 97-102.

[Li Xiaofang, Zhao Peng, Zhang Xiangrong, et al. Influence of climate factors in growth period on yield and quality of flue-cured tobacco in Ankang, Shaanxi[J]. Journal of Northwest A & F University, 2015, 43(9): 97- 102.]

[33]
何娜, 范雨娴, 袁小康, 等. 基于关键气象因子的湘西烤烟产量预报模型构建[J]. 中国农学通报 2023, 39(24): 96-102.

[He Na, Fan Yuxian, Yuan Xiaokang, et al. Construction of flue-cured tobacco yield forecast model in Xiangxi autonomous prefecture based on key meteorological factors[J]. Chinese Agricultural Science Bulletin, 2023, 39(24): 96-102.]

[34]
Tan B T, Fam P S, Firdaus R R, et al. Impact of climate change on rice yield in Malaysia: A panel data analysis[J]. Agriculture, 2021, 11(6): 569-586.

[35]
Wang D, Heckathorn S A, Barua D, et al. Effects of elevated CO2 on the tolerance of photosynthesis to acute heat stress in C3, C4, and CAM species[J]. American Journal of Botany, 2008, 95: 165-176.

[36]
Manderscheid R, Erbs M, Weigel H J. Interactive effects of free-air CO2 enrichment and drought stress on maize growth[J]. European Journal of Agronomy, 2014, 52: 11-21.

[37]
Xiong W, Reynolds M P, Crossa J, et al. Increased ranking change in wheat breeding under climate change[J]. Nature Plants, 2021, 7: 1207-1212.

[38]
Lobell D B, Schlenker W, Costa-Roberts J. Climate trends and global crop production since 1980[J]. Science, 2011, 333: 616-620.

[39]
Abbas S, Kousar S, Khan M S. The role of climate change in food security; empirical evidence over Punjab regions, Pakistan[J]. Environmental Science and Pollution Research, 2022, 29(35): 53718-53736.

[40]
Ozdemir D. The impact of climate change on agricultural productivity in Asian countries: A heterogeneous panel data approach[J]. Environmental Science and Pollution Research, 2022, 29(6): 8205-8217.

[41]
Huang N, Song Y, Wang J, et al. Climatic threshold of crop production and climate change adaptation: A case of winter wheat production in China[J]. Frontiers in Ecology and Evolution, 2022, 10: 1019436-1019450.

[42]
房世波. 分离趋势产量和气候产量的方法探讨[J]. 自然灾害学报, 2011, 20(6): 13-18.

[Fang Shibo. Exploration of method for discrimination between trend crop yield and climatic fluctuant yield[J]. Journal of Natural Disasters, 2011, 20(6): 13-18.]

[43]
Piekutowska M, Niedbała G, Piskier T, et al. The application of multiple linear regression and artificial neural network models for yield prediction of very early potato cultivars before harvest[J]. Agronomy, 2021, 11(5): 885-902.

[44]
胡园春, 安广池, 杨宁, 等. 主要气象因子与冬小麦产量的灰色关联度分析[J]. 农学学报, 2020, 10(2): 92-95.

[Hu Yuanchun, An Guangchi, Yang Ning, et al. Main meteorological factors and winter wheat yield: Grey correlation degree analysis[J]. Journal of Agriculture, 2020, 10(2): 92-95.]

[45]
王占林, 张海春. 基于多元回归的高寒地区油菜产量预测模型[J]. 中国农学通报, 2019, 35(14): 32-35.

[Wang Zhanlin, Zhang Haichun. Prediction model of rapeseed yield in Alpine region: Based on multiple regression[J]. Chinese Agricultural Science Bulletin, 2019, 35(14): 32-35.]

[46]
徐芳, 黄帆. 基于SPSS的梧州早稻产量预测模型构建[J]. 气象研究与应用, 2016, 37(3): 98-101.

[Xu Fang, Huang Fan. Building of early season rice yield prediction model of Wuzhou by SPSS[J]. Journal of Meteorological Research and Application, 2016, 37(3): 98-101.]

[47]
Rashid M, Bari B S, Yusup Y, et al. A comprehensive review of crop yield prediction using machine learning approaches with special emphasis on palm oil yield prediction[J]. IEEE Access, 2021, 9: 63406-63439

[48]
彭晓丹, 欧善国. 广东增城荔枝产量预报方法研究[J]. 农业工程, 2021, 11(1): 119-122.

[Peng Xiaodan, Ou Shanguo. Yield predication method of Litchi in Zengcheng of Guangdong Province[J]. Agricultural Engineering, 2021, 11(1): 119-122.]

[49]
黄珍珠, 李寅, 陈慧华, 等. 基于气象关键因子的广东省橡胶产量预报[J]. 热带农业科学, 2018, 38(2): 107-112.

[Huang Zhenzhu, Li Yin, Chen Huihua, et al. Forecast of rubber production based on meteorological key factors in Guangdong Province[J]. Chinese Journal of Tropical Agriculture, 2018, 38(2): 107-112.]

[50]
刘春涛, 慕臣英, 李德萍, 等. 青岛市崂山地区樱桃产量预报方法研究[J]. 气象与环境学报, 2017, 33(5): 108-112.

[Liu Chuntao, Mu Chenying, Li Deping, et al. Study on forecast method of cherry yield in Laoshan district of Qingdao[J]. Journal of Meteorology and Environment, 2017, 33(5): 108-112.]

[51]
李琳琳, 王婷, 李雨鸿, 等. 基于关键气象因子的辽宁省水稻产量动态预报[J]. 大麦与谷类科学, 2017, 34(4): 50-54.

[Li Linlin, Wang Ting, Li Yuhong, et al. The Dynamic prediction of single-season rice yield based on key meteorological factors in Liaoning Province[J]. Barley and Cereal Sciences, 2017, 34(4): 50-54.]

[52]
杨宁, 孔令刚, 甄铁军, 等. 夏玉米产量与主要气象因子灰色关联度分析[J]. 农学学报, 2020, 10(11): 37-42.

[Yang Ning, Kong Linggang, Zhen Tiejun, et al. Grey correlation analysis of summer corn yield and main meteorological factors[J]. Journal of Agriculture, 2020, 10(11): 37-42.]

[53]
杨小兵, 杨峻, 杨晨, 等. 安徽省花生产量与气象因素的关联度分析及预测模型研究[J]. 中国农学通报, 2020, 36(34): 100-103.

[Yang Xiaobing, Yang Jun, Yang Chen, et al. Peanut yield in Anhui: correlation with meteorological factors and forecast model[J]. Chinese Agricultural Science Bulletin, 2020, 36(34): 100-103.]

[54]
薛思嘉, 魏瑞江, 王朋朋, 等. 基于关键气象因子的河北省马铃薯产量预报[J]. 干旱气象, 2021, 39(1): 138-143.

[Xu Sijia, Wei Ruijiang, Wang Pengpeng, et al. Potato yield forecast in Hebei Province based on meteorological key factors[J]. Journal of Arid Meteorology, 2021, 39(1): 138-143.]

[55]
雷玉红, 李春晖, 妥淑贞, 等. 基于关键气象因子的柴达木枸杞产量预报模型研究[J]. 中国农学通报, 2023, 39(23): 55-61.

[Lei Yuhong, Li Chunhui, Tuo Shuzhen, et al. Study on the yield forecast model of Qaidam Lycium barbarum based on key meteorological factors[J]. Chinese Agricultural Science Bulletin, 2023, 39(23): 55-61.]

[56]
孙贵拓, 杨若翰, 杨柯, 等. 基于气候适宜度的水稻发育期预报模型[J]. 安徽农业科学, 2019, 47(16): 231-234.

[Sun Guituo, Yang Ruohan, Yang Ke, et al. Prediction model of rice developmental phase based on climatic suitability[J]. Journal of Anhui Agricultural Science, 2019, 47(16): 231-234.]

[57]
Wang P J, Wu D R, Yang J Y, et al. Summer maize growth under different precipitation years in the Huang-HuaiHai Plain of China[J]. Agricultural and Forest Meteorology, 2020, 285: 107927-107938.

[58]
Li J D, Lei H M. Impacts of climate change on winter wheat and summer maize dual-cropping system in the North China Plain[J]. Environmental Research Communications, 2022, 4(7): 075014.

[59]
李阳, 刘静, 马力文, 等. 宁夏中南部山区马铃薯气候适宜度时空变化特征[J]. 干旱气象, 2020, 38(6): 1001-1008.

[Li Yang, Liu Jing, Ma Liwen, et al. Temporal-spatial characteristics of climate suitability of potato in mountainous area of central and southern Ningxia[J]. Journal of Arid Meteorology, 2020, 38(6): 1001-1008.]

[60]
金志凤, 叶建刚, 杨再强, 等. 浙江省茶叶生长的气候适宜性[J]. 应用生态学报, 2014, 25(4): 967-973.

[Jin Zhifeng, Ye Jiangang, Yang Zaiqiang, et al. Climate suitability for tea growing in Zhejiang Province[J]. Chinese Journal of Applied Ecology, 2014, 25(4): 967-973.]

[61]
马树庆. 气候变化对东北粮食产量的模拟研究[J]. 资源科学, 1994, 16(1): 34-40.

[Ma Shuqing. Simulation study of climate change on grain production in Northeast China[J]. Resources Science, 1994, 16(1): 34-40.]

[62]
王连喜, 顾嘉熠, 李琪, 等. 江苏省冬小麦适宜度时空变化研究[J]. 生态环境学报, 2016, 25(1): 67-75.

[Wang Lianxi, Gu Jiayi, Li Qi, et al. Study on the temporal and spatial variation of winter wheat suitability in Jiangsu Province[J]. Ecology and Environmental Sciences, 2016, 25(1): 67-75.]

[63]
张建涛, 李国强, 陈丹丹, 等. 两种冬小麦气候适宜度评价模型的比较[J]. 作物杂志, 2016, 32(2): 159-164.

[Zhang Jiantao, Li Guoqiang, Chen Dandan, et al. Comparison of using DSSAT and fuzzy mathematics for climatic suitability model of winter wheat[J]. Crops, 2016, 32(2): 159-164.]

[64]
张佩, 田娜, 赵会颖, 等. 江苏省冬小麦气候适宜度动态模型建立及应用[J]. 气象科学, 2015, 35(4): 468-473.

[Zhang Pei, Tian Na, Zhao Huiying, et al. Establishment and preliminary evaluation of dynamic model of climatic suitability on winter wheat in Jiangsu Province[J]. Journal of the Meteorological Sciences, 2015, 35(4): 468-473.]

[65]
黄淑娥, 田俊, 吴慧峻. 江西省双季水稻生长季气候适宜度评价分析[J]. 中国农业气象, 2012, 33(4): 527-533.

[Huang Shu’e, Tian Jun, Wu Huijun. Evaluation on climatic suitability during growth season of double rice in Jiangxi Province[J]. Chinese Journal of Agrometeorology, 2012, 33(4): 527-533.]

[66]
郭志鹄, 孙佳, 黄翔, 等. 昌江芒果花期气候适宜度变化特征分析[J]. 中国农学通报, 2019, 35(31): 95-100.

[Guo Zhihu, Sun Jia, Huang Xiang, et al. Variation characteristics of climate suitability of mango flowering period in Changjiang[J]. Chinese Agricultural Science Bulletin, 2019, 35(31): 95-100.]

[67]
张艳红, 吕厚荃, 钱永兰. 1987—2012年黄淮海地区冬小麦生育期气候适宜指数时空分布特征[J]. 中国农学通报, 2014, 30(36): 48-54.

[Zhang Yanhong, Lv Houquan, Qian Yonglan. Spatial-temporal distributions of climatic suitability index of winter wheat over the Huanghuaihai region of China in 1987-2012[J]. Chinese Agricultural Science Bulletin, 2014, 30(36): 48-54.]

[68]
姚树然, 王鑫, 李二杰. 河北省棉花气候适宜度及其时空变化趋势分析[J]. 干旱地区农业研究, 2009, 27(5): 24-29.

[Yao Shuran, Wang Xin, Li Erjie. Climatic suitability of cotton and its spatial and temporal trend in Hebei Province[J]. Agricultural Research in the Arid Areas, 2009, 27(5): 24-29.]

[69]
张建军, 陈晓艺, 马晓群. 安徽油菜气候适宜度评价指标的建立与应用[J]. 中国农学通报, 2012, 28(13): 155-158.

[Zhang Jianjun, Chen Xiaoyi, Ma Xiaoqun. Establishment and application of climatic suitability indicator of rape in Anhui Province[J]. Chinese Agricultural Science Bulletin, 2012, 28(13): 155-158.]

[70]
刘新, 赵艳丽, 刘林春, 等. 内蒙古玉米气候适宜度及其变化特征[J]. 干旱气象, 2018, 36(6): 1020-1026.

[Liu Xin, Zhao Yanli, Liu Linchun, et al. Climate suitability of maize and its changes in Inner Mongolia[J]. Journal of Arid Meteorology, 2018, 36(6): 1020- 1026.]

[71]
武晋雯, 孙龙彧, 纪瑞鹏, 等. 辽宁水稻气候适宜度日尺度评价研究[J]. 资源科学, 2017, 39(8): 1605-1613.

[Wu Jinwen, Sun Longyu, Ji Ruipeng, et al. Intraday evaluation modeling of climatic suitability for rice in Liaoning Province[J]. Resources Science, 2017, 39(8): 1605-1613.]

[72]
蒲金涌, 姚小英, 姚茹莘. 近40年甘肃河东地区夏秋作物气候适宜性变化[J]. 干旱地区农业研究, 2011, 29(5): 253-258.

[Pu Jinyong, Yao Xiaoying, Yao Ruxin. Variations of summer and autumn grain crops’ climatic suitability in the areas east of Yellow River in Gansu in recent 40 years[J]. Agricultural Research in the Arid Areas, 2011, 29(5): 253-258.]

[73]
姚小英, 蒲金涌, 姚茹莘, 等. 气候暖干化背景下甘肃旱作区玉米气候适宜性变化[J]. 地理学报, 2011, 66(1): 59-67.

[Yao Xiaoying, Pu Jinyong, Yao Rushen, et al. Variation of climate suitability of maize in arid area in Gansu under the condition of climate dry-warming[J]. Acta Geographica Sinica, 2011, 66(1): 59-67.]

[74]
刘晓英, 周鹏, 闫利霞, 等. 廊坊地区夏玉米气候适宜度评价分析[J]. 中国农学通报, 2016, 32(6): 151-159.

[Liu Xiaoying, Zhou Peng, Yan Lixia, et al. Analysis of climate suitability for summer maize in Langfang region[J]. Chinese Agricultural Science Bulletin, 2016, 32(6): 151-159.]

[75]
景毅刚, 高茂盛, 范建忠, 等. 陕西关中冬小麦气候适宜度分析[J]. 西北农业学报, 2013, 22(8): 27-32.

[Jing Yigang, Gao Maosheng, Fan Jianzong, et al. Climate suitability analysis of winter wheat in Guanzhong area of Shaanxi[J]. Acta Agriculturae Boreali-Occidentalis Sinica, 2013, 22(8): 27-32.]

[76]
何永坤, 张建平. 渝东地区烤烟气候适宜度及其变化特征研究[J]. 西南大学学报(自然科学版), 2014, 36(9): 140-146.

[He Yongkun, Zhang Jianping. Climatic suitability of flue-cured tobacco and its changes in eastern Chongqing[J]. Journal of Southwest University, 2014, 36(9): 140-146.]

[77]
段海来, 千怀遂, 李明霞, 等. 中国亚热带地区柑桔的气候适宜性[J]. 应用生态学报, 2010, 21(8): 1915-1925.

[Duan Hailai, Qian Huaisui, Li Mingxia, et al. Climatic suitability of citrus in subtropical China[J]. Chinese Journal of Applied Ecology, 2010, 21(8): 1915-1925.]

[78]
魏瑞江, 宋迎波, 王鑫. 基于气候适宜度的玉米产量动态预报方法[J]. 应用气象学报, 2009, 20(5): 622-627.

[Wei Ruijiang, Song Yingbo, Wang Xin. Method for dynamic forecast of corn yield based on climatic suitability[J]. Journal of Applied Meteorological Science, 2009, 20(5): 622-627.]

[79]
刘伟昌, 陈怀亮, 余卫东, 等. 基于气候适宜度指数的冬小麦动态产量预报技术研究[J]. 气象与环境科学, 2008, 31(2): 21-24.

[Liu Weichang, Chen Huailiang, Yu Weidong, et al. Dynamic output forecast research for winter wheat based on climatic suitability index[J]. Meteorological and Environmental Sciences, 2008, 31(2): 21-24.]

[80]
赖纯佳, 千怀遂, 段海来, 等. 淮河流域双季稻气候适宜度及其变化趋势[J]. 生态学杂志, 2009, 28(11): 2339-2346.

[Lai Chunjia, Qian Huaisui, Duan Hailai, et al. Climate suitability and its change trend of double-cropping rice in Huaihe River Basin[J]. Chinese Journal of Ecology, 2009, 28(11): 2339-2346.]

[81]
蔡福, 张淑杰, 纪瑞鹏, 等. 近30年辽宁玉米水分适宜度时空演变特征及农业干旱评估[J]. 应用生态学报, 2015, 26(1): 233-240.

[Cai Fu, Zhang Shujie, Ji Ruipeng, et al. Spatiotemporal dynamics of maize water suitability and assessment of agricultural drought in Liaoning Province, China from 1981 to 2010[J]. Chinese Journal of Applied Ecology, 2015, 26(1): 233-240.]

[82]
易雪, 王建林, 宋迎波, 等. 早稻产量动态集成预报方法研究[J]. 中国水稻科学, 2011, 25(3): 307-313.

[Yi Xue, Wang Jianlin, Song Yingbo, et al. Study on dynamic integrated prediction of early rice yield[J]. Chinese Rice Science, 2011, 25(3): 307-313.]

[83]
王贺然, 李晶, 张慧, 等. 基于气候适宜度的辽宁省春玉米产量动态预报研究[J]. 安徽农业科学, 2018, 46(23): 121-125.

[Wang Heran, Li Jing, Zhang Hui, et al. Study on dynamic prediction of spring maize yield based on climate suitability in Liaoning Province[J]. Journal of Anhui Agricultural Science, 2018, 46(23): 121-125.]

[84]
柳芳, 薛庆禹, 黎贞发. 天津棉花气候适宜度变化特征及其产量动态预报[J]. 中国农业气象, 2014, 35(1): 48-54.

[Liu Fang, Xue Qingyu, Li Zhenfa. Climatic suitability variation and yield dynamic prediction model of cotton in Tianjin[J]. Chinese Journal of Agrometeorology, 2014, 35(1): 48-54.]

[85]
易灵伟, 杨爱萍, 刘文英, 等. 湖北中稻气候适宜度指标构建及其对产量影响的定量评估与应用[J]. 中国农学通报, 2015, 31(23): 109-115.

[Yi Lingwei, Yang Aiping, Liu Wenying, et al. Index construction of climatic suitability on middle-season rice in Hubei Province and quantitative evaluation and application of its effect on yield[J]. Chinese Agricultural Science Bulletin, 2015, 31(23): 109-115.]

[86]
李树岩, 余卫东. 基于气候适宜度的河南省夏玉米产量预报研究[J]. 河南农业大学学报, 2015, 49(1): 27-34.

[Li Shuyan, Yu Weidong. Research of summer maize yield forecasting based on climate suitability in Henan[J]. Journal of Henan Agricultural University, 2015, 49(1): 27-34.]

[87]
邱美娟, 宋迎波, 王建林, 等. 耦合土壤墒情的气候适宜度指数在山东省冬小麦产量动态预报中的应用[J]. 中国农业气象, 2015, 36(2): 187-194.

[Qiu Meijuan, Song Yingbo, Wang Jianlin, et al. Application of climate suitability index coupling soil moisture in dynamic yield prediction of winter wheat in Shandong Province[J]. Chinese Journal of Agrometeorology, 2015, 36(2): 187-194.]

[88]
魏瑞江, 王鑫, 康西言. 国内气候适宜度模型中水分适宜度模型的改进与应用[J]. 地球科学进展, 2022, 37(5): 496-504.

[Wei Ruijiang, Wang Xin, Kang Xiyan. Improvement and application of a water suitability model in a domestic climate suitability model[J]. Advances in Earth Science, 2022, 37(5): 496-504.]

[89]
刘维, 李祎君, 吕厚荃. 早稻抽穗开花至成熟期气候适宜度对气候变暖与提前移栽的响应[J]. 中国农业科学, 2018, 51(1): 49-59.

[Liu Wei, Li Yijun, Lv Houquan. Responses of heading to flowering to maturity of early rice to climate change and different transplant periods[J]. Scientia Agricultura Sinica, 2018, 51(1): 49-59.]

[90]
帅艳民, 武梦瑾, 吴昊, 等. 东北春玉米全生育期气候适宜度评价[J]. 干旱地区农业研究, 2022, 40(3): 238-247.

[Shuai Yanmin, Wu Mengjin, Wu Hao, et al. Evaluation of climate suitability of spring maize during the whole growth period in Northeast China[J]. Agricultural Research in the Arid Areas, 2022, 40(3): 238-247.]

[91]
张迎杰, 王海梅, 李鑫杨. 气候变化背景下内蒙古翁牛特旗玉米气候适宜度变化[J]. 农学学报, 2023, 13(2): 83-88.

[Zhang Yingjie, Wang Haimei, Li Xinyang. Climate suitability variation of maize under climate change in Wengniute of Inner Mongolia[J]. Journal of Agriculture, 2023, 13(2): 83-88.]

[92]
赵秀兰, 徐玲玲, 张艳红, 等. 未来黄淮海地区夏玉米光温水资源适宜度及灾害风险演变特征[J]. 海洋气象学报, 2023, 43(3): 88-103.

[Zhao Xiulan, Xu Lingling, Zhang Yanhong, et al. Evolution characteristics of future light temperature and water suitability and disaster risk for summer maize in Huang-Huai-Hai region[J]. Journal of Marine Meteorology, 2023, 43(3): 88-103.]

[93]
金林雪, 于水燕, 宋海清, 等. 内蒙古马铃薯气候适宜度时空演变及产量动态预报研究[J]. 江西农业学报, 2024, 36(9): 66-73.

[Jin Linxue, Yu Shuiyan, Song Haiqing, et al. Study on spatiotemporal evolution of climate suitability and dynamic prediction of potato yield in Inner Mongolia[J]. Acta Agriculturae Jiangxi, 2024, 36(9): 66-73.]

[94]
杨月婷, 李凯伟, 张继权, 等. 气候变暖背景下中国北方地区谷子生长季气候适宜性分析[J]. 中国农业气象, 2022, 43(3): 215-228.

[Yang Yueting, Li Kaiwei, Zhang Jiquan, et al. Climatic suitability analysis of millet growing season in Northern China region in the context of climate warming[J]. Chinese Journal of Agrometeorology, 2022, 43(3): 215-228.]

[95]
梁颖, 马树庆, 张明. 基于模糊隶属函数的吉林市烤烟种植气候适宜性区划[J]. 气象与环境学报, 2022, 38(1): 100-105.

[Liang Yin, Ma Shuqing, Zhang Ming. Climatic suitability regionalization of flue-cured tobacco cultivation in Jilin City based on fuzzy membership function[J]. Journal of Meteorology and Environment, 2022, 38(1): 100-105.]

[96]
曾晓珊, 张波, 孙思思, 等. 气候变化背景下贵州烤烟生长季气候适宜度评价分析[J]. 中国烟草科学, 2023, 44(4): 9-16.

[Zeng Xiaoshan, Zhang Bo, Sun Sisi, et al. Climatic suitability analysis of flue-cured tobacco growing season in Guizhou in the context of climate change[J]. Chinese Tobacco Science, 2023, 44(4): 9-16.]

[97]
何亮, 毛留喜. 气候变化背景下东北大豆种植区气候适宜性变化[J]. 中国生态农业学报, 2023, 31(5): 690-698.

[He Liang, Mao Liuxi. Change of soybean climatic suitability in Northeast China under climate change[J]. Chinese Journal of Eco-Agriculture, 2023, 31(5): 690-698.]

[98]
刘聪, 李凯伟, 张继权, 等. 基于气候适宜度的南方柑橘种植精细化气候区划[J]. 应用气象学报, 2021, 32(4): 421-431.

[Liu Cong, Li Kaiwei, Zhang Jiquan, et al. Refined climatic zoning for citrus cultivation in Southern China based on climate suitability[J]. Journal of Applied Meteorological Science, 2021, 32(4): 421-431.]

[99]
刘武, 莫家尧, 李政, 等. 广西柑橘气候适宜度模型[J]. 中国农学通报, 2021, 37(25): 109-114.

[Liu Wu, Mo Jiayao, Li Zheng, et al. Climate suitability model of citrus in Guangxi[J]. Chinese Agricultural Science Bulletin, 2021, 37(25): 109-114.]

[100]
朱婷艳, 武英娇, 李文琛, 等. 宁夏番茄气候适宜度变化特征分析[J]. 农学学报, 2022, 12(4): 67-74.

[Zhu Tingyan, Wu Yingjiao, Li Wenchen, et al. Climate suitability of tomato in Ningxia: Variation characteristics[J]. Journal of Agriculture, 2022, 12(4): 67-74.]

[101]
Qu G, Shuai Y M, Shao C Y, et al. County scale corn yield estimation based on multi-source data in Liaoning Province[J]. Agronomy, 2023, 13: 1428-1449.

[102]
陈雪, 高梦竹, 赵晶, 等. 高寒地区大豆产量动态预报研究[J]. 农学学报, 2023, 13(6): 91-96.

[Chen Xue, Gao Mengzhu, Zhao Jing, et al. Study on dynamic forecast of soybean yield in Alpine region[J]. Journal of Agriculture, 2023, 13(6): 91-96.]

[103]
徐敏, 徐经纬, 高苹, 等. 不同统计模型在冬小麦产量预报中的预报能力评估——以江苏麦区为例[J]. 中国生态农业学报, 2020, 28(3): 438-447.

[Xu Min, Xu Jingwei, Gao Ping, et al. Evaluation of winter wheat yield prediction ability of different statistical models: A case study of Jiangsu wheat-growing region[J]. Chinese Journal of Eco-Agriculture, 2020, 28(3): 438-447.]

[104]
邱美娟, 刘布春, 刘园, 等. 两种不同产量历史丰歉气象影响指数确定方法在农业气象产量预报中的对比研究[J]. 气象与环境科学, 2019, 42(1): 41-46.

[Qiu Meijuan, Liu Buchun, Liu Yuan, et al. Comparative study of two different methods for determining meteorological impact index of historical yield in agrometeorological yield prediction[J]. Meteorological and Environmental Sciences, 2019, 42(1): 41- 46.]

[105]
薛思嘉, 魏瑞江, 王朋朋, 等. 基于产量历史丰歉气象影响指数的河北省马铃薯产量预报[J]. 沙漠与绿洲气象, 2021, 15(3): 137-143.

[Xue Sijia, Wei Ruijiang, Wang Pengpeng, et al. A dynamic prediction method for potato yield based on influence index for bumper or poor harvest from historical yield in Hebei Province[J]. Desert and Oasis Meteorology, 2021, 15(3): 137-143.]

[106]
帅细强, 樊清华, 谢佰承. 基于历史丰歉气象影响指数的湖南油菜产量动态预报[J]. 湖南农业科学, 2021(6): 82-85.

[Shuai Xiqiang, Fan Qinghua, Xie Baicheng. Dynamic forecast of rape yield in Hunan Province based on historical weather impact index[J]. Hunan Agricultural Sciences, 2021(6): 82-85.]

[107]
郑昌玲, 杨霏云, 王建林, 等. 早稻产量动态预报模型[J]. 中国农业气象, 2007, 28(4): 412-416.

[Zheng Changling, Yang Feiyun, Wang Jianlin, et al. Study on dynamic prediction model of early rice yield per unit[J]. Chinese Journal of Agrometeorology, 2007, 28(4): 412-416.]

[108]
郑昌玲, 王建林, 宋迎波, 等. 大豆产量动态预报模型研究[J]. 大豆科学, 2008, 27(6): 943-948.

[Zheng Changling, Wang Jianlin, Song Yingbo, et al. Dynamic prediction model of soybean yield per unit[J]. Soybean Science, 2008, 27(6): 943-948.]

[109]
王贺然, 张慧, 王莹, 等. 基于两种方法建立辽宁大豆产量丰歉预报模型对比[J]. 中国农业气象, 2018, 39(11): 725-738.

[Wang Heran, Zhang Hui, Wang Ying, et al. A comparative study on forecast model for soybean yield by using different statistic methods in Liaoning Province[J]. Chinese Journal of Agrometeorology, 2018, 39(11): 725-738.]

[110]
邱美娟, 宋迎波, 王建林, 等. 山东省冬小麦产量动态集成预报方法[J]. 应用气象学报, 2016, 27(2): 191-200.

[Qiu Meijuan, Song Yingbo, Wang Jianlin, et al. Integrated technology of yield dynamic prediction of winter wheat in Shandong Province[J]. Journal of Applied Meteorological Science, 2016, 27(2): 191-200.]

[111]
余焰文, 蔡哲, 姚俊萌, 等. 江西省油菜产量集成预测模型方法研究[J]. 气象与减灾研究, 2019, 42(3): 206-211.

[Yu Yanwen, Cai Zhe, Yao Junmeng, et al. Study on integrated forecasting model of rape yield in Jiangxi Province[J]. Meteorology and Disaster Reduction Research, 2019, 42(3): 206-211.]

[112]
张加云, 陈瑶, 朱勇, 等. 基于相似气象年型和关键气象因子的云南一季稻动态产量预报[J]. 中国农学通报, 2020, 36(34): 96-99.

[Zhang Jiayun, Chen Yao, Zhu Yong, et al. Dynamic prediction of single cropping rice yield based on similar meteorological year type and key meteorological factors in Yunnan[J]. Chinese Agricultural Science Bulletin, 2020, 36(34): 96-99.]

[113]
帅细强, 陆魁东, 黄晚华. 不同方法在湖南省早稻产量动态预报中的比较[J]. 应用气象学报, 2015, 26(1): 103-111.

[Shuai Xiqiang, Lu Kuidong, Huang Wanhua. A comparative study on dynamic forecasting of early rice yield by using different methods in Hunan Province[J]. Journal of Applied Meteorological Science, 2015, 26(1): 103-111.]

[114]
侯英雨, 张蕾, 吴门新, 等. 国家级现代农业气象业务技术进展[J]. 应用气象学报, 2018, 29(6): 641-656.

[Hou Yingyu, Zhang Lei, Wu Menxin, et al. Advances of modern agrometeorological service and technology in China[J]. Journal of Applied Meteorological Science, 2018, 29(6): 641-656.]

[115]
艾劲松, 孙雨轩, 刘凯文. 荆州市冬小麦产量动态预报方法对比研究[J]. 气象科技进展, 2018, 8(5): 36-39.

[Ai Jinsong, Sun Yuxuan, Liu Kaiwen. Comparison of winter wheat output forecast methods in Jingzhou[J]. Advances in Meteorological Science and Technology, 2018, 8(5): 36-39.]

[116]
Ajith S, Debnath M K, Karthik R. Statistical and machine learning models for location-specifc crop yield prediction using weather indices[J]. International Journal of Biometeorology, 2024, 68: 2453-2475.

[117]
刘维, 宋迎波. 基于气象要素的逐日玉米产量气象影响指数[J]. 应用气象学报, 2022, 33(3): 364-374.

[Liu Wei, Song Yingbo. A daily meteorological impact index of maize yield based on weather elements[J]. Journal of Applied Meteorological Science, 2022, 33(3): 364-374.]

[118]
Huang J, Islam A R M T, Zhang F, et al. Spatiotemporal analysis the precipitation extremes affecting rice yield in Jiangsu province, southeast China[J]. International Journal of Biometeorology, 2017, 61(6): 1-10.

[119]
Zhang Y, Wang Y S, Hao H, et al. Unmanned aerial vehicle (UAV) hyperspectral imagery mining to identify new spectral indices for predicting the field-scale yield of spring maize[J]. Sustainability, 2024, 16(24): 10916-10934.

[120]
孙法福, 赖宁, 耿庆龙, 等. 基于无人机高光谱影像的冬小麦叶片氮浓度遥感估测[J]. 干旱区研究, 2024, 41(6): 1069-1078.

[Sun Fafu, Lai Ning, Geng Qinglong, et al. Estimation of nitrogen contentration in winter wheat leaves based on hyperspectral images of UAV[J]. Arid Zone Research, 2024, 41(6): 1069-1078.]

[121]
Yang W, Nigon T, Hao Z Y, et al. Estimation of corn yield based on hyperspectral imagery and convolutional neural network[J]. Computers and Electronics in Agriculture, 2021, 184(6): 106092-106102.

[122]
Zhu J, Yin Y M, Lu J S, et al. The relationship between wheat yield and sun-induced chlorophyll fluorescence from continuous measurements over the growing season[J]. Remote Sensing of Environment, 2023, 298(6): 113791.

[123]
Duveiller G, Filipponi F, Walther S, et al. A spatially downscaled sun-induced fluorescence global product for enhanced monitoring of vegetation productivity[J]. Earth System Science Data, 2020, 12(2): 1101-1116.

[124]
Duguma A L, Bai X. How the internet of things technology improves agricultural efficiency[J]. Artificial Intelligence Review, 2025, 58(63): 1-26.

[125]
Srivastava A K, Safaei N, Khaki S, et al. Winter wheat yield prediction using convolutional neural networks from environmental and phenological data[J]. Scientifc Reports, 2022, 12: 3215-3229.

[126]
Panigrahi B, Kathala K C, Sujatha M. A machine learning-based comparative approach to predict the crop yield using supervised learning with regression models[J]. Procedia Computer Science, 2023, 218: 2684-2693.

[127]
Jena P R, Majhi B, Kalli R, et al. Prediction of crop yield using climate variables in the south-western province of India: A functional artificial neural network modeling (FLANN) approach[J]. Environment, Development and Sustainability, 2023, 25(10): 11033-11056.

[128]
Ali I, Greifeneder F, Stamenkovic J, et al. Review of machine learning approaches for biomass and soil moisture retrievals from remote sensing data[J]. Remote Sensing, 2015, 7(12): 16398-16421.

[129]
Prasad N, Patel N, Danodia A. Crop yield prediction in cotton for regional level using random forest approach[J]. Spatial Information Research, 2020, 29: 1-12.

[130]
Nti I K, Nyarko-Boateng O, Adekoya F A, et al. An empirical assessment of different kernel functions on the performance of support vector machines[J]. Bulletin of Electrical Engineering and Informatics, 2021, 10(6): 3403-3411.

[131]
Savas C, Dovis F. The impact of different kernel functions on the performance of scintillation detection based on support vector machines[J]. Sensors, 2019, 19: 5219-5235.

[132]
López Segura M V, Aguilar Lasserre A A, Fernández Lámbert G, et al. XGBoost sequential system for the prediction of Persian lemon crop yield[J]. Crop Science, 2023, 65: e21148-e21160.

[133]
Taye M M. Understanding of machine learning with deep learning: architectures, workflow, applications and future directions[J]. Computers, 2023, 12(5): 91-117.

[134]
Zhou S, Xu L, Chen N. Rice yield prediction in Hubei Province based on deep learning and the effect of spatial heterogeneity[J]. Remote Sensing, 2023, 15(5): 1361-1378.

[135]
van Klompenburg T, Kassahun A, Catal C. Crop yield prediction using machine learning: A systematic literature review[J]. Computers and Electronics in Agriculture, 2020, 177: 105709-105727.

[136]
Mokhtar A, El-Ssawy W, He H, et al. Using machine learning models to predict hydroponically grown lettuce yield[J]. Frontiers in Plant Science, 2022, 13: 1-10

[137]
Hani N, Roy P, Isler V. A comparative study of fruit detection and counting methods for yield mapping in apple orchards[J]. Journal of Field Robotics, 2020, 37(2): 263-282.

[138]
Tian H, Wang P, Tansey K, et al. An LSTM neural network for improving wheat yield estimates by integrating remote sensing data and meteorological data in the Guanzhong Plain, PR China[J]. Agricultural and Forest Meteorology, 2021, 310: 108629-108640.

[139]
Dang C, Liu Y, Yue H, et al. Autumn crop yield prediction using data-driven approaches: Support vector machines, random forest, and deep neural network methods[J]. Canadian Journal of Remote Sensing, 2021, 47: 162-181.

[140]
Oikonomidis A, Catal C, Kassahun A. Hybrid deep learning-based models for crop yield prediction[J]. Applied artificial intelligence, 2022, 36(1): e2031822-e2031841.

[141]
Sun J, Di L, Sun Z, et al. County-level soybean yield prediction using deep CNN-LSTM model[J]. Sensors, 2019, 19(20): 4363-4384.

[142]
Khaki S, Wang L, Archontoulis S V. A CNN-RNN framework for crop yield prediction[J]. Frontiers in Plant Science, 2020, 10: 1750-1764.

[143]
Yang F, Zhang D, Zhang Y, et al. Prediction of corn variety yield with attribute-missing data via graph neural network[J]. Computers and Electronics in Agriculture, 2023, 211: 108046.

[144]
Apolo-Apolo O E, Pérez-Ruiz M, Martínez-Guanter J, et al. A cloud-based environment for generating yield estimation maps from apple orchards using UAV imagery and a deep learning technique[J]. Frontiers in Plant Science, 2020, 11: 1086-1100.

[145]
Kim N, Ha K J, Park N W, et al. A comparison between major artificial intelligence models for crop yield prediction: Case study of the midwestern United States, 2006-2015[J]. ISPRS International Journal of Geo-Information, 2019, 8: 240-263.

[146]
Wu S R, Yang P, Ren J Q, et al. Regional winter wheat yield estimation based on the WOFOST model and a novel VW-4DEnSRF assimilation algorithm[J]. Remote Sensing of Environment, 2021, 255: 112276-112297.

[147]
冯克鹏, 许德浩, 庄淏然. WOFOST伴随率定三温模型的玉米农田遥感蒸散发估算方法[J]. 干旱区研究, 2025, 42(1): 166-178.

[Feng Kepeng, Xu Dehao, Zhuang Haoran. An estimation method of remote sensing evapotranspiration in farmland based on the three-temperature model with adjoint calibrated of WOFOST[J]. Arid Zone Research, 2025, 42(1): 166-178.]

[148]
Junior F, dos Santos Vianna I M, Marin M, et al. Assimilating leaf area index data into a sugarcane process-based crop model for improving yield estimation[J]. European Journal of Agronomy, 2022, 136: 126501

[149]
Han D, Wang P, Ding Y, et al. Improving the simulation accuracy of summer maize growth and yield by pixel-based parameterization based on assimilating upscaled MODIS LAI[J]. Science of the Total Environment, 2024, 954: 176649.

[150]
Ziliani M G, Altaf M U, Aragon B, et al. Early season prediction of within-field crop yield variability by assimilating CubeSat data into a crop model[J]. Agricultural and Forest Meteorology, 2022, 313: 108736-108750.

[151]
Sarker I H. Deep Learning: A comprehensive overview on techniques, taxonomy, applications and research directions[J]. SN Computer Science, 2021, 2: 1-20.

[152]
Ren Y, Li Q, Du X, et al. Analysis of corn yield prediction potential at various growth phases using a process-based model and deep learning[J]. Plants, 2023, 12(3): 446-464.

[153]
Bai H Z, Xiao D P, Tang J Z, et al. Evaluation of wheat yield in North China Plain under extreme climate by coupling crop model with machine learning[J]. Computers and Electronics in Agriculture, 2024, 217: 108651.

Options
文章导航

/

〈 〉