有效预测作物产量对确定合理的氮肥施用量具有重要意义。本研究在加拿大东部开展了一项多年多地的定位观测试验，旨在(1)利用随机森林算法建立油菜估产模型;(2)根据随机森林预测的油菜产量确定不同种植区域的最佳施氮量。实验结果显示，利用机器学习估测油菜产量具有较高精度。同时，根据模型预测产量可以确定不同种植区的经济最佳施氮量。因此，机器学习算法可以用于确定作物的最佳施肥管理策略，且该方法能够适应因环境引起的各种非生物胁迫，有助于推进作物的可持续生产。

　　在2013年至2016年间，本研究分别在加拿大东部的5个不同区域开展了18次定位观测试验，共观测了1152个油菜小区。为了利用机器学习建立油菜估产模型，本研究获取了磷含量、钾含量、土壤纹理、有机质含量和pH值等土壤特征参数，累积降水量和有效积温等气象参数，株高、株数和叶面积指数等作物长势参数，NDVI和SPAD等光谱指数，油菜品种、播种量、施氮量和前茬作物等田间管理信息，以及香农多样性指数(Shannon diversity index, SDI)和最后的产量。首先，本研究分析了18次定位观测试验的气象条件，发现在某些试验中，油菜生长受到了高温或干旱胁迫。同时，其中16次试验的油菜产量随着施氮量的增加而增加(图1)，这说明油菜产量高度依赖于油菜的生长环境。随后，本研究将观测的1152个油菜小区随机分为两组，并利用随机森林建立油菜估产模型，其中80%的油菜小区作为训练集，另外20%的油菜小区作为测试集(图2(a))。根据随机森林模型计算的基尼指数，气温和降水是对油菜产量影响最大的两个因素(图3)。此外，当使用研究获取的全部参数构建估产模型时，估产精度要高于单独使用光谱指数(NDVI和SPAD)构建的估产模型(图4)。因此，本研究使用全部参数建立油菜估产模型。最后，利用2013年至2015年获取的数据训练得到油菜估产模型，并利用2016年的数据对估产模型进行验证(图2(b))。结果显示，利用随机森林建立的油菜估产模型具有较高的精度。同时，根据模型预测的油菜产量确定的不同种植区域的经济最佳施氮量均值为150 kg N ha-1(图5)。

　　因此，本研究提出的方法可以用于预测油菜产量并确定特定种植区域的经济最佳施氮量。在后续的研究中，需继续探究支持向量机等其他机器学习算法的估产效果，并收集更多的产量观测数据以提高模型估产精度。

　　图1 油菜产量与施氮量之间的关系

　　图2 利用随机森林建立油菜估产模型的流程图

　　图3 随机森林模型中不同输入变量的基尼指数

　　图4 利用不同参数建立的估产模型精度。(a)NDVI, (b)SPAD, (c)NDVI和SPAD, (d)全部参数

　　图5 根据模型预测产量确定不同种植区域的经济最佳施氮量

　　来源：Wen G., Ma BL., Vanasse A., et al. Machine learning-based canola yield prediction for site-specific nitrogen recommendations[J]. Nutrient Cycling in Agroecosystems, 2021.

　　编辑：段博