这本培训手册按照内容分为三大模块：空间和环境分析、农业生态建模、新型及跨学科主题。
（1）遥感技术。QGIS (Quantum Geographic Information System)是一个免费的开源地理信息系统，其强大的插件生态系统和对各种数据格式的支持进一步扩展了其功能，用于查看、编辑和分析地理空间数据（如环境规划、资源管理和城市发展）。谷歌地球引擎(GEE)在节省本地资源的云计算、无缝分析实时和历史数据、支持环境监测方面优于QGIS，用于大规模地理空间和环境数据分析。该培手册详细介绍了两者用户友好的界面和丰富的实用工具，并提供了案例分析及详细步骤和NDVI代码，使研究人员能够在不同的空间、光谱和时间维度上研究和监测地球的特征和大气条件，为广泛的应用提供重要的见解。
（2）空间插值、空间抽样与回归技术。空间抽样、插值和Kriging法是地理空间分析的关键，可在未采样位置进行准确预测，常用于作物健康监测、环境监测、气象学和城市规划。该手册通过阐述关键考虑因素，确保能够有效捕捉数据特征，同时最大限度地减少冗余和最大限度地提高精度和效率；并通过空间插值与预测等丰富的示例展示操作方法和技巧。机器学习和遥感技术进步有望提高精度和实时应用，巩固其在数据驱动的空间决策中的作用。
（3）小面积估计（SAE）及其应用。小面积估计（SAE）具有强大的理论基础，然而在农业领域和社会科学中的应用仍十分有限。手册强调，通过主成分分析（PCA）整合辅助变量，以进行降维和协变量选择。通过使用多变量SAE联合建模相关指标，能够减少均方误差（MSE）和变异系数（CV），提高了单变量方法的估计精度。分析强调了SAE在产生可靠的，具有成本效益的本地估计值和置信区间方面的优势，有助于针对粮食安全和农村发展采取有针对性的干预措施。
固碳是减缓气候变化影响的重要策略，农林复合系统具有相当大的碳储存潜力。量化农林系统的碳储量仍然具有挑战性，但这对于准确监测和报告碳储量至关重要。作物生长模拟模型有三个主要目的:分析、模拟、预测。本模块涵盖了作物模拟模型的分类(简单和复杂)、模型开发步骤、模型校准与验证、模型模拟与存档维护。
（1）利用作物模拟模型进行非生物胁迫管理。作物模拟模型(CSM)基于模拟作物生长、发育和产量，利用基因型、环境和管理(G×E×M)相互作用的函数，在虚拟反映田间条件下作为分析G×E×M相互作用的有效工具，并对作物管理提出针对性措施。该手册详细介绍了与干旱胁迫和优化遗传性状相关的作物模拟模型，包括建模步骤：数据集的划分、模型灵敏度分析、影响因素、模型选择。最新进展表明，将传统作物模拟与现代育种技术和遗传建模相结合来设计适应未来气候的理想模型。
（2）用于农业和水资源的CMIP6模型。CMIP6模型实际应用于：①农业：评估产量风险、预估最佳播种、收获日期、监测水分含量及灌溉需求②水文：干旱风险管理、洪水预测、地下水补给识别。该手册旨在提供CMIP6的简明概述，介绍了其结构、关键部件、建模和偏差校正方法，并提供了访问CMIP6数据途径及下载方法。通过强调CMIP6对发展可持续农业实践和确保健全的水资源管理的深远意义，突出了其应对不断升级的气候变化挑战的作用。并详细介绍了水文模型（SWAT (Soil and Water Assessment Tool)、VIC (Variable Infiltration Capacity)、HEC-HMS (Hydrologic Engineering Center – Hyd rologic Modeling System)、WEAP (Water Evaluation and Planning)和农业模型WEAP (Water Evaluation and Planning、AquaCrop、CropSyst)的原理及架构。
（3）气候变化指数。手册指出，为了监测和管理气候变化产生的不利影响，气候变化指数有助于量化与气候变化相关的风险。气候指数通过将复杂的气候数据转化为可获取和可操作的见解，将在增强对气候相关风险的理解和管理方面发挥越来越重要的作用。手册详细介绍气候变化指数定义及计算中使用的数学方法。
（4）水足迹评估。优化绿色水资源的使用对于提高粮食安全和气候适应能力至关重要。水足迹评估通过将水资源利用与环境、经济和社会成果联系起来，在气候变化和资源稀缺的双重压力下加强了农业水资源管理的可持续性和复原力。然而，水足迹评估的应用面临着方法差异、数据缺口和数据不一致等挑战。该手册通过案例指出，考察棉花、小麦生产系统的水足迹能够制定适当的缓解水资源压力的战略，并提出针对具体情况的干预措施，以提高用水效率和减少污染。
（1）基于R的Meta分析、DiD(Difference-in-Difference)分析、社会网络分析法（SNA）分析。Meta分析过整合多个独立研究的结果，提供更为精确和全面的结论。该手册提供了：①Meta分析在气候适应性农业中的应用、原理阐述、步骤及模型类别；②DiD分析模型组件、模型构建方法、分析数据方法、数据要求、关键假设及优势（直观易解读、数据灵活、考虑外部因素）与缺陷等；③SNA工作原理、数据获取及数据要求、适用场景、R中的分析和可视化。通过模拟降雨数据的示例展示了R如何有效地建模、分析和可视化此类网络。并附Meta分析和DID测试的代码。
（2）基于主成分分析的综合指数构建。手册通过易混淆概念解读、指数构建步骤、主成分分析与综合指数生成，结合案例分析强调了综合指数对于实际应用、决策数据驱动的重要性。标准化、加权和汇总方法的选择应始终符合指数的总体目的和概念框架。通过案例研究，基于主成分分析的综合指数能够将多维数据简化为一个单一的可比指标，提供基于数据的有针对性建议。
（3）倾向得分匹配（PSM）。通过平衡处理组和对照组之间观察到的协变量，PSM为评估有机农业、灌溉实践或采用改良作物品种等干预措施对产量、收入和土壤质量等关键结果的影响提供了坚实的基础。手册阐述了PSM发展历程、关键假设、实施步骤（建模、匹配算法、匹配效果评估、倾向得分估计、敏感性分析、基于R的实施步骤）。
（4）SWOT分析:组织战略规划的工具，SWOT分析过程包括四个组成部分，即优势、劣势、机会和威胁。优势和劣势被认为是主要取决于组织整体结构和运作的内部因素，而机会和威胁被认为是受环境影响的外部因素。从以上四个部分展开阐述。
（5）层次分析法AHP。通过印度案例研究，对AHP概况、预警原理、数据流和数据处理图、疾病预测的机器学习模型（回归模型: GLM, GAM；机器学习模型：RF, BRT, ANN, MARS, FDA, CTA, XGM, SVM, Tree_prob, LASSO, GP, NN, Multinom_probs, KSVM, Ridge, Elastic Net, CRF）进行详细解释，并提供相关手机应用程序（LDP）下载链接。
手册强调，农业和相关部门的科学计量分析是评估研究生产率、发现趋势和为战略决策提供信息的有力工具。随着农业走向数字化和数据驱动的创新，在可靠的数据库和先进的分析工具支持下，科学计量研究可以在塑造这一生态系统方面发挥关键作用。
该培训手册提供以下八方面学习内容：数据分析软件及工具使用、回归与多元统计方法、试验设计与遗传学统计、机器学习和深度学习、时间序列与预测方法、空间与环境数据分析、农业生态建模与跨学科主题学习。该手册提供基础知识、底层逻辑及高级技巧等全覆盖内容，可谓是由点及面、由点至深多向延伸。所以无论是初学者还是深耕一线的专家学者，该手册都可以作为可靠的知识储备库。
图1. 农林复合系统中的碳流动过程
图2. 描述作物建模的输入过程和输出流程图
图3. 模型图解
图4. 用于捕捉和量化电磁辐射谱与植物冠层表面相互作用时的吸收、透射或反射特性的不同类型传感器
图5. 气候风险评估
图6. 气候风险评估方法
表1. 作物模型在育种设计中的应用
表2. 非生物胁迫下的生理特性及其重要性
表3.. SWOT分析的组成部分
Rathod, S., Paul, N. C., Ponnaganti, N., Kumar, K. R., & Kumar, P. (Eds.). (2025). Spatial & Agricultural System Modeling for Abiotic Stress Management: Training manual of the twenty-one-day online training programme on “Advanced statistical and machine learning techniques for data analysis using open-source software for abiotic stress management in agriculture” (Vol. 4). ICAR-National Institute of Abiotic Stress Management. ISBN 978-81-985897-1-2
