准确及时地大规模预测作物产量对粮食安全和农业政策的制定至关重要。然而，目前还没有一种适用于估算中国全境玉米产量的稳健方法。产量的早期估计和产量预测准确性之间的内在权衡也是一个需要进一步研究的问题。为了探索这些挑战，本文结合玉米的多项生理指标以及土壤质地信息和玉米物候信息等指标，并采用随机森林回归(RFR)和梯度提升决策树(GBDT)两种机器学习方法，进行我国玉米产量的预测算法研究。

　　本文采用MODIS的GPP、ET、Ts、LAI数据，结合土壤性质和玉米物候信息等指标，并采用随机森林回归(RFR)和梯度提升决策树(GBDT)机器学习方法，构建了我国玉米产量的预测模型。目标是：(1)评估使用机器学习进行多模式数据分析获得的玉米产量预测的准确性;(2) 确定估计产量的最佳时期;(3)确定所提出方法的空间鲁棒性和适应性。结果表明：(1)RFR比GBDT更准确地估计玉米产量;(2) Ts是估计产量的最佳单一指标，而GPP、Ts、ET和LAI的组合在使用多个指标时效果最好(RFR的R2=0.77，rRMSE=16.15%);(3) 提前期越早，预测精度越低，但在成熟前至少24天内保持相对较高(R2>0.77，rRMSE<16.92%);(4)将机器学习算法与多指标相结合证明了其应对空间异质性的能力。总之，本研究为农业生产管理提供了可靠的参考。

　　研究区概况

　　玉米产量早期估算的流程

　　不同指标估算玉米产量的精度对比

　　各指标对于估算玉米产量的重要性排序

　　不同估产时期的精度变化

　　玉米产量估算误差的分布

　　作者介绍：论文第一作者为扬州大学农学院的程明瀚博士，论文通讯作者为中国农科院作物科学研究所的金秀良研究员、中国农科院区划所的吴文斌研究员和河海大学的缴锡云教授。本研究得到了国家重点研究开发计划(2021YFD120602)、国家自然科学基金(42071426、51922072、51779161、51009101)和中国农业科学院中央公益性科研机构基础研究基金(Y2020YJ07)的资助，中国农业科学院农业科技创新项目、海南亚洲湾种子实验室(B21HJ0221)和中国江苏省农业科技自主创新专项基金(CX(21)3065)的资助。

　　来源：Cheng, Minghan, Josep Penuelas, Matthew F. McCabe, Clement Atzberger, Xiyun Jiao, Wenbin Wu, and Xiuliang Jin. "Combining multi-indicators with machine-learning algorithms for maize yield early prediction at the county-level in China." Agricultural and Forest Meteorology 323 (2022): 109057.