小麥產(chǎn)量預測模型綜述

摘 "要：農(nóng)業(yè)為人類提供賴以生存的食物、纖維、燃料和原材料。早期可靠的大規(guī)模作物產(chǎn)量預測對于當季作物管理決策及確保全球糧食安全至關(guān)重要。該文綜述對作物產(chǎn)量進行預測的幾種模型及其應用，包括作物模型、線性回歸模型、機器學習模型和深度學習模型。同時歸納機器學習模型常用的數(shù)據(jù)，為未來小麥產(chǎn)量預測及其研究提供參考。

關(guān)鍵詞：小麥產(chǎn)量預測；作物模型；機器學習；深度學習；線性回歸模型

中圖分類號：S512.1 " " " "文獻標志碼：A " " " " "文章編號：2096-9902（2023）05-0013-07

Abstract： Agriculture provides the food， fiber， fuel and raw materials that humans depend on to survive. Early and reliable large-scale crop yield forecasting is critical for in-season crop management decisions and ensuring global food security. Several models and their applications for crop yield prediction are reviewed， including crop models， linear regression models， machine learning models， and deep learning models. At the same time， it summarizes the data commonly used in machine learning models. It provides a reference for future wheat yield prediction and research.

Keywords： wheat yield for ecast; crop model; machine learning; deep learning; linear regressinon model

中國作為世界上最大的小麥生產(chǎn)國和消費國，正在面臨著巨大的糧食產(chǎn)量需求和糧食安全挑戰(zhàn)[1-3]。小麥作為最為重要的糧食作物，全球每年種植面積超過2.2億hm2[4]。由于中國人口的急劇增加，迫切需要增加糧食產(chǎn)量才能穩(wěn)定全國“溫飽”的底線[5]。因此，如何準確地獲取各地農(nóng)作物信息，并形成科學產(chǎn)量預測的研究具有重要意義。

隨著機器學習和深度學習的快速發(fā)展，相關(guān)計算機技術(shù)被應用于農(nóng)業(yè)產(chǎn)量的預測[6]。利用作物生長模型（例如WOFOST[7]、DSSAT[8]和APSIM[9]）對農(nóng)作物的生長發(fā)育和產(chǎn)量形成過程進行模擬，能夠研究作物產(chǎn)量和環(huán)境條件之間的相互作用。傳統(tǒng)模型在區(qū)域性預測中起到了不錯的效果，但在多作物種類和多地區(qū)氣候上無法大規(guī)模地擴展。在基礎模型的發(fā)展中機器學習模型被用于糧食產(chǎn)量的預測（例如人工神經(jīng)網(wǎng)絡ANN；最小絕對值收斂和選擇算子算法Least absolute Shrinkageand Selection Operator，LASSO；支持向量機Support Vector Machine，SVM；隨機森林 Random Forest，RF及極端梯度提升XGBoost[10-14]），并且研究多影響因素下的產(chǎn)量分析。在研究過程中對氣象、地理、土壤及海拔等因素融入到產(chǎn)量預測中使得預測結(jié)果大大提高。隨著糧食產(chǎn)量數(shù)據(jù)、種植面積數(shù)據(jù)及環(huán)境數(shù)據(jù)的不斷迭代更新，深度學習技術(shù)逐漸融入到了糧食產(chǎn)量預測中[15]。不同于傳統(tǒng)方法，深度學習模型在糧食產(chǎn)量預測的應用中能夠更深層次地挖掘數(shù)據(jù)之間的關(guān)系，在提高預測精度的前提下更深層次探索各個變量之間的相互關(guān)系。

本文其余部分結(jié)構(gòu)安排如下：第一部分對糧食預測模型及方法進行總體概述；第二部分對預測模型在糧食產(chǎn)量預測中的應用進行總體概述；第三部分為全文總結(jié)和對未來的展望。

1 "產(chǎn)量預測模型

1.1 "作物模擬模型

1.1.1 "WOFOST模型

WOFOST是一種模擬大多數(shù)作物每日生長和生理發(fā)育過程的機制模型。對研究區(qū)冬小麥模型進行了參數(shù)化和校正。該模型的輸出可直接用于特定作物的產(chǎn)量估計（圖1）。WOFOST模型可以在電位模式下運行，不受水分脅迫等因素的限制。

圖1 產(chǎn)量預測模型

鄭昌玲等[16]構(gòu)建了基于WOFOST的作物模型主要輸出要素地上部生物量（TAGP）和葉面積指數(shù)（LAI）的華北平原冬小麥長勢評估指標，該模型利用華北平原氣象站的氣象信息和土壤信息，并涉及河北、河南及山東的冬小麥生物量觀測信息，對冬小麥作物進行定性和定量的模型分析。模型實驗表明，試驗站真實觀測值與WOFOST模型模擬值進行對比，在冬小麥的生育期模擬上絕對值平均為3.7 d，總誤差量在3.8%～11.7%。WOFOST模型能夠準確地模擬冬小麥生長的總過程，在華北平原適用性良好。朱波等[17]利用2015—2017年揚州市邗江區(qū)的氣象數(shù)據(jù)及作物數(shù)據(jù)為基礎數(shù)據(jù)，并結(jié)合“最小二乘法+試錯法”。針對冬小麥發(fā)育的相關(guān)參數(shù)（開花積溫、開花到成熟積溫及生長參數(shù)等），構(gòu)建了區(qū)域化的WOFOST模型。研究表明，WOFOST模型可以有針對性地模擬研究區(qū)域冬小麥的生長發(fā)育狀況，模型結(jié)構(gòu)圖如圖2所示。

圖2 "WOFOST模型結(jié)構(gòu)圖

鄭昌玲等[18]為了構(gòu)建基于WOFOST作物模型在冬小麥產(chǎn)量的動態(tài)預測，選取中國境內(nèi)174個農(nóng)業(yè)氣象站的相關(guān)數(shù)據(jù)及15個農(nóng)業(yè)氣象站的冬小麥生物量觀測信息資料。利用數(shù)據(jù)之間的相關(guān)性構(gòu)建了WOFOST冬小麥產(chǎn)量動他預測的模型，使得模型更加具有區(qū)域適應性。實驗表明，模型對2014—2019年295個氣象站冬小麥產(chǎn)量數(shù)據(jù)預測準確率達到81.8%，對于12個省市區(qū)的冬小麥單產(chǎn)預測精度達到88.2%～96.4%，在全國范圍內(nèi)冬小麥單產(chǎn)預報準確率達到 93.9%～95.9%的高準確率。秦雅倩等[19]利用河南省統(tǒng)計年鑒和相關(guān)作物資料，并選取河南省內(nèi)18個冬小麥種植區(qū)域2015—2019年的不同生產(chǎn)數(shù)據(jù)，分析其時空分布特征，構(gòu)建了河南省冬小麥產(chǎn)量差的時空分布WOFOST模型。

1.1.2 "DSSAT模型

農(nóng)業(yè)技術(shù)推廣決策支持系統(tǒng)（DSSAT）利用長期天氣和土壤信息擴大短期田間試驗結(jié)果提供了極為重要的因素。DSSAT模型已經(jīng)經(jīng)過測試和評估被廣泛地用于糧食產(chǎn)量的預測中[20]。

胡亞南等[21]利用DSSATCERES-Wheat模型在一定時間段內(nèi)和未來40年利用4種經(jīng)典濃度路徑的溫室氣體排放氣候情景（RCPs）及51個播種期處理模型實驗，預測在未來冬小麥生育期內(nèi)最適合的氣候因素以及播種期的變化特征，采用定量分析的方法，研究最適播種期的管理措施與冬小麥增產(chǎn)的效應分析。李國強等[22]應用DSSAT模型定量分析了氣候變化背景下河南省小麥在生產(chǎn)潛力和增產(chǎn)空間上的特征變化分析，結(jié)果分析河南省各地區(qū)在地勢、光照、溫度、水分及灌溉等因素對于河南省小麥光溫生產(chǎn)潛力數(shù)值為8 350～9 996 kg/hm2，而氣候生產(chǎn)潛力在2 590～7 943 kg/hm2。劉文茹等[23]利用DSSAT模型研究氣候變化對于長江中下游地區(qū)冬小麥產(chǎn)量的潛在影響，通過模型分析可得在一定范圍內(nèi)冬小麥的產(chǎn)量與積溫呈正相關(guān)，超過一定閾值時則負相關(guān)，其他氣候因子增加或減少并不能彌補積溫過低產(chǎn)生的負效應。

1.1.3 "APSIM模型

APSIM是一個開源的、基于過程的模型，模擬了土壤—植物—大氣連續(xù)體中水分運動和養(yǎng)分循環(huán)的每日時間步長。APSIM模型被廣泛用于作物生長及糧食產(chǎn)量預測。

戴彤等[24]通過分析重慶市4個具有代表性的小麥田觀測數(shù)據(jù)和氣象數(shù)據(jù)，利用APSIM模型在區(qū)域內(nèi)進行適應性研究，并確定了12種小麥的作物參數(shù)。結(jié)果表明，APSIM模型對于不同品種冬小麥的生育期、地表生物量及產(chǎn)量模擬效果優(yōu)異，且在區(qū)域內(nèi)有良好的適應型。賀付偉[25]將APSIM模型與遙感數(shù)據(jù)相結(jié)合對冬小麥產(chǎn)量進行預測研究。結(jié)果表明，在市級和縣級尺度上總產(chǎn)量和實際產(chǎn)量具有良好的一致性，而在單產(chǎn)的預測上精度略差。孫昊蔚等[26]在復雜變化的氣候場景下，以APSIM為基礎模型對黃土高原冬小麥適宜種植區(qū)域進行模擬研究。

1.2 "線性回歸模型

然而，作物預測模型需要大量來自實地考察的數(shù)據(jù)，耗費大量人力物力，與基于過程的作物模型相比，統(tǒng)計模型（如傳統(tǒng)的統(tǒng)計模型和機器學習模型）在大規(guī)模產(chǎn)量預測中更有效，因此應用更廣泛[6]。一些研究使用傳統(tǒng)的回歸模型進行產(chǎn)量預測。例如，Lobell等[27]使用多元線性回歸（MLR）模型預測了1980—2003年美國加利福尼亞州的作物產(chǎn)量，并且僅使用2～3個氣候變量的簡單方程解釋了觀測到的超過三分之二的產(chǎn)量變化。孫惠合等[28]針對農(nóng)作物長期預測即存在線性趨勢又有大幅度的波動情況的出現(xiàn)，利用直線回歸殘差分離原始序列，針對宿州冬小麥產(chǎn)量數(shù)據(jù)構(gòu)建灰色線性回歸模型。實驗結(jié)果表明，灰色線性回歸模型克服了普通線性回歸模型的缺陷，在現(xiàn)實中有實際的運用價值。Sellam等[29]通過構(gòu)建線性回歸模型，研究耕地面積、年降雨量及糧食價格等相關(guān)變量之間對于作物產(chǎn)量的影響。實際上，作物產(chǎn)量與大多環(huán)境因素之間的關(guān)系通常是非線性的。

1.3 "機器學習

機器學習（ML）是一種新的創(chuàng)新方法，使用計算方法直接從數(shù)據(jù)中“學習”信息，而不依賴于預定方程作為模型。ML已廣泛并成功地應用于各種數(shù)據(jù)驅(qū)動的領域，如滑坡易感性分析、圖像處理、面部表情識別[30-35]，以及各種農(nóng)業(yè)領域，如作物分類[36-37]、草地燃料含量估計[38]、作物產(chǎn)量預測。與作物模型和傳統(tǒng)統(tǒng)計方法相比，ML模型的解釋過程有限，可以處理作物產(chǎn)量預測的非線性關(guān)系。已有多項研究證明了其在提高作物產(chǎn)量預測方面的能力。

Khanal等[39]使用線性回歸和5種機器學習算法（RF；神經(jīng)網(wǎng)絡Neural Network，NN；SVM；梯度增強模型Gradient Boosting Model，GBM；Cubist，CU）預測了玉米產(chǎn)量并比較了其性能。Len等[40]使用傳統(tǒng)的線性回歸模型和RF模型預測了1980—2010年美國玉米產(chǎn)量的變化。Zhou等[41]基于2002—2010年中國3個小麥種植區(qū)1 582個縣的數(shù)據(jù)，探索了9個氣候變量、3個遙感衍生指標和3種機器學習方法（RF、SVM和LASSO）在預測小麥產(chǎn)量方面的潛力。研究表明，機器學習模型的性能在大多數(shù)情況下優(yōu)于線性回歸模型。

此外，部分機器學習模型能夠識別預測變量對產(chǎn)量的相對重要性。Cao等[11]首次嘗試通過整合多源數(shù)據(jù)，包括月度氣候數(shù)據(jù)、衛(wèi)星數(shù)據(jù)（即植被指數(shù)VIs）和社會經(jīng)濟（SC） 因子，在縣級預測 2001— 2015 年全國小麥產(chǎn)量。結(jié)果表明，通過使用3種機器學習方法（嶺回歸RR、RF和輕量級梯度提升機器學習Light GBM）整合所有數(shù)據(jù)集可以在產(chǎn)量預測中達到最佳性能（R2：0.68～0.75），氣候數(shù)據(jù)的個體貢獻最多（約0.53），其次是 VIs（約0.45）和 SC 因素（約0.30）。

1.4 "深度學習

深度學習（DeepLearning，DL）是一個多層神經(jīng)網(wǎng)絡，是機器學習的一個分支。在深度學習出現(xiàn)之前，由于諸如局部最優(yōu)解和梯度消失之類的技術(shù)問題，沒有對具有四層及更多層的深度神經(jīng)網(wǎng)絡進行充分的訓練，致其性能不佳。近年來，Hinton等人通過研究多層神經(jīng)網(wǎng)絡，提高學習所需的計算機功能以及通過Web的開發(fā)促進培訓數(shù)據(jù)的采購，使充分訓練成為可能。結(jié)果顯示出了較高性能，超越了其他算法，解決了與語音、圖像和自然語言有關(guān)的問題，并自2010年代流行至今。因此，DL 已成為解決各種高影響力社會問題的強大工具，例如圖像識別[42]、疾病預測[43]、作物分類測繪[36]和產(chǎn)量預測[44]。例如，Liu等[45]使用2種線性回歸方法（LASSO和RR），3種機器學習方法（支持向量回歸SVR，RF和XGBoost），以及1種深度學習方法（長短期記憶LSTM）來預測整個印度恒河平原的小麥產(chǎn)量。結(jié)果表明，機器學習和深度學習方法在預測小麥產(chǎn)量方面優(yōu)于2種線性回歸方法。深度模型學習如圖3所示。

1.5 "機器學習預測變量

作物產(chǎn)量受多種因素的影響，例如作物基因型、土壤條件和病蟲害等[46]。大多影響可以從氣候、土壤、衛(wèi)星和社會經(jīng)濟等數(shù)據(jù)中模擬獲得。

1.5.1 "氣候變量

作物產(chǎn)量受到氣候變量的顯著影響[47]。例如，極端高溫事件，即每日最高溫度超過 33 °C的時期，會極大地影響早期灌漿階段的小麥粒數(shù)[48]。最低日氣溫低于 0 °C 的極端寒冷事件與開花期作物不育和成粒敗育密切相關(guān)。干旱和洪水也會顯著影響作物產(chǎn)量。例如，極端干旱會影響根系生長和結(jié)構(gòu)，并可能導致嚴重的減產(chǎn)[49]；洪水會直接破壞農(nóng)田，也會造成內(nèi)澇，危害土壤健康，導致產(chǎn)量大幅下降[50]。

氣候數(shù)據(jù)是預測糧食產(chǎn)量最常用的數(shù)據(jù)之一，基于氣候數(shù)據(jù)已開展了許多研究。Li等[2]通過降水量、溫度和實際日照時數(shù)等3個氣候變量，以及2個極端高溫指數(shù)、3個極端寒冷指數(shù)、2個極端氣候指數(shù)、2個極端降水指數(shù)、3個干旱指數(shù)、2個植被指數(shù)和土壤特性，使用中國3種主要糧食作物（小麥、玉米和水稻）的 7 年作物產(chǎn)量觀測數(shù)據(jù)（2013—2019 年），開發(fā)了基于RF算法的動態(tài)產(chǎn)量預測模型。RF模型在預測3種作物的產(chǎn)量方面表現(xiàn)出良好的性能，相關(guān)系數(shù) （r） 高于 0.75，歸一化均方根誤差 （nRMSE） 低于18.0%。

1.5.2 "土壤變量

土壤理化性質(zhì)是影響作物產(chǎn)量的關(guān)鍵影響因素。常用的土壤特性因子有土壤容重、土壤深度、有機碳含量、酸堿度pH和黏土的陽離子交換能力等。這些數(shù)據(jù)一般取自世界土壤數(shù)據(jù)庫（HWSD），HWSD里中國地區(qū)的數(shù)據(jù)源為中國科學院南京土壤研究所提供的1995年全國第二次土地調(diào)查的土壤數(shù)據(jù)。Cao等[51]使用土壤深度、土壤質(zhì)地、有機碳含量、pH、陽離子交換容量和容重6個土壤變量，結(jié)合氣候變量和衛(wèi)星數(shù)據(jù)，基于3種機器學習算法來預測中國縣級水稻產(chǎn)量。結(jié)果表明，土壤變量對于提高預測模型性能非常重要。

1.5.3 "衛(wèi)星變量

衛(wèi)星遙感可以連續(xù)監(jiān)測不同光譜波段的作物生長，并為作物產(chǎn)量預測提供有用的補充信息。其中，可見光和近紅外數(shù)據(jù)可以用來計算各種植被指數(shù)以監(jiān)測作物生長，因而其在預測作物產(chǎn)量方面最具優(yōu)勢。自從Tucker等[52]提出了第一個歸一化植被指數(shù)（NDVI）以來，幾種流行的植被指數(shù)（即NDVI和增強植被指數(shù)EVI）已被廣泛應用于農(nóng)業(yè)領域。例如，Zhou等[41]基于2002—2010年中國3個小麥種植區(qū)1 582個縣的數(shù)據(jù)，探索了9個氣候變量、3個遙感衍生指標和3種機器學習方法（隨機森林、支持向量機、最小絕對收縮和選擇算子）在預測小麥產(chǎn)量方面的潛力。結(jié)果表明，產(chǎn)量預測有很大的空間差異。北方冬小麥種植區(qū)和北方春小麥種植區(qū)表現(xiàn)最佳。與水相關(guān)的氣候變量優(yōu)于與溫度相關(guān)的氣候變量，日光誘導葉綠素熒光對作物產(chǎn)量的預測效果優(yōu)于NDVI和EVI。Li等[53]將多源環(huán)境變量，例如基于衛(wèi)星的植被指數(shù)NDVI、EVI，氣候數(shù)據(jù)和土壤特性整合到隨機森林 （RF） 和支持向量機 （SVM） 模型中，用于中國小麥產(chǎn)量預測。結(jié)果亦表明，衛(wèi)星遙感因子在糧食產(chǎn)量預測方面具有巨大潛力。衛(wèi)星數(shù)據(jù)可以在NASA的網(wǎng)站獲取，下載之后用ENVI5.3軟件處理。

1.5.4 "社會經(jīng)濟（SC）變量

SC因素在作物產(chǎn)量和生產(chǎn)中發(fā)揮著重要作用，特別是灌溉、施肥、農(nóng)藥使用和農(nóng)業(yè)機械化狀況等。例如，采用最佳農(nóng)場管理實踐可以提高作物產(chǎn)量[54]。Cao等[11]將SC 因子同氣候數(shù)據(jù)和衛(wèi)星數(shù)據(jù)整合到一起，基于機器學習算法（RR、RF和LightGBM）預測 2001—2015 年全國小麥產(chǎn)量。結(jié)果表明，SC因子和氣候變量相結(jié)合可以更好地捕捉空間產(chǎn)量可變性。這些SC數(shù)據(jù)一般收錄于各地行政單位的農(nóng)業(yè)統(tǒng)計年鑒。

3 "結(jié)束語

綜述了對作物產(chǎn)量進行預測的幾種方法。預測方法大致可分為2類，第一類是模擬作物生長過程的作物模型，第二類是基于數(shù)據(jù)的經(jīng)驗模型，基于數(shù)據(jù)的經(jīng)驗模型又可分為線性回歸模型和機器學習模型。深度學習作為機器學習的一個分支，其在農(nóng)業(yè)方面的應用越來越廣。各種研究表明，傳統(tǒng)的作物模型和線性回歸模型已漸漸被機器學習模型和深度學習模型所取代。結(jié)合多源數(shù)據(jù)的研究越來越多，衛(wèi)星數(shù)據(jù)在預測糧食產(chǎn)量方面的應用也越來越廣。種種研究表明，衛(wèi)星數(shù)據(jù)在預測糧食產(chǎn)量方面具有巨大的潛力。21世紀的今天，智慧農(nóng)業(yè)在飛速發(fā)展，相信隨著科技的進步，農(nóng)業(yè)與計算機的結(jié)合會愈加緊密。

參考文獻：

[1] BAJZELJ B， RICHARDS K S， ALLWOOD J M， et al. Importance of food-demand management for climate mitigation[J]. Nature Climate Change，2014，4（10）：924-929.

[2] LI L， WANG B， FENG P， 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）：108558.

[3] TILMAN D， BALZER C， HILL J， et al. Global food demand and the sustainable intensification of agriculture[J]. Proceedings of the national academy of sciences， 2011， 108（50）： 20260-20264.

[4] SHIFERAW B， SMALE M， BRAUN H J， et al. Crops that feed the world 10. Past successes and future challenges to the role played by wheat in global food security[J]. Food Security，2013， 5（3）： 291-317.

[5] LI Y， ZHANG W， MA L， et al. An analysis of C hina's grain production： looking back and looking forward[J]. Food and Energy Security，2014，3（1）：19-32.

[6] PENG B， GUAN K， ZHOU W， et al. Assessing the benefit of satellite-based Solar-Induced Chlorophyll Fluorescence in crop yield prediction[J]. International Journal of Applied Earth Observation and Geoinformation，2020（90）：102126.

[7] VAN D C A， WOLF J， VAN K H， et al. WOFOST： a simulation model of crop production[J]. Soil use and management，1989，5（1）：16-24.

[8] JONES J W， HOOGENBOOM G， PORTER C H， et al. The DSSAT cropping system model European Journal of Agronomy[J].2003，1（18）：235-265.

[9] KEATING B A， CARBERRY P S， HAMMER G L， et al. An overview of APSIM， a model designed for farming systems simulation[J]. European journal of agronomy，2003，18（3-4）：267-288.

[10] CHLINGARYAN A， SUKKARIEH S， WHELAN B. Machine learning approaches for crop yield prediction and nitrogen status estimation in precision agriculture： A review[J]. Computers and electronics in agriculture，2018（151）： 61-69.

[11] CAO J， ZHANG Z， TAO F， et al. Identifying the contributions of multi-source data for winter wheat yield prediction in China[J]. Remote Sensing， 2020，12（5）：750.

[12] LIAKOS K G， BUSATO P， MOSHOU D， et al. Machine learning in agriculture： A review[J].Sensors，2018，18（8）：2674.

[13] NOROUZI M， AYOUBI S， JALALIAN A， et al. Predicting rainfed wheat quality and quantity by artificial neural network using terrain and soil characteristics[J]. Acta Agriculturae Scandinavica Section B-Soil and Plant Science， 2010，60（4）：341-352.

[14] CHEN T， GUESTRIN C. XGBoost： A Scalable Tree Boosting System[J].ACM，2016.

[15] 劉秀麗，相鑫，秦明慧，等.中長期糧食需求預測研究綜述與展望[J].系統(tǒng)科學與數(shù)學，2022，42（6）：1490-1502.

[16] 鄭昌玲，侯英雨，吳門新，等.基于WOFOST模型的華北冬小麥動態(tài)長勢評估指標構(gòu)建[J]. 麥類作物學報，2020，40（6）：8.

[17] 朱波， 周彤， 劉濤，等. 基于WOFOST模型的江蘇冬小麥生長模擬[J]. 揚州大學學報：農(nóng)業(yè)與生命科學版， 2020， 41（3）：8.

[18] 鄭昌玲， 張蕾， 侯英雨，等. 基于WOFOST模型的冬小麥產(chǎn)量動態(tài)預報方法[J]. 干旱地區(qū)農(nóng)業(yè)研究，2022，40（6）：10.

[19] 秦雅倩， 孫嘉玥， 王巖，等. 基于WOFOST模型的河南省冬小麥產(chǎn)量差的時空特征分析[J]. 江蘇農(nóng)業(yè)科學，2022（5）：50.

[20] TOFA， ABDULLAHI I， et al. Modeling planting-date effects on intermediate-maturing maize in contrasting environments in the Nigerian Savanna： An Application of DSSAT Model[Z]. Agronomy 10.6 （2020）：871.

[21] 胡亞南，梁駒，梁社芳，等.基于DSSAT CERES-Wheat模型的未來40年冬小麥最適播期分析[J].智慧農(nóng)業(yè)，2021，3（2）：68-76.

[22] 李國強，陳丹丹，張建濤，等.基于DSSAT模型的河南省小麥生產(chǎn)潛力定量模擬與分析[J].麥類作物學報，2016，36（4）：507-515.

[23] 劉文茹，陳國慶，劉恩科，等.基于DSSAT模型的長江中下游冬小麥潛在產(chǎn)量模擬研究[J].生態(tài)學報，2018，38（9）：3219-3229.

[24] 戴彤，王靖，赫迪，等.APSIM模型在西南地區(qū)的適應性評價——以重慶冬小麥為例[J].應用生態(tài)學報，2015，26（4）：1237-1243.

[25] 賀付偉. 基于APSIM模型和遙感數(shù)據(jù)的冬小麥估產(chǎn)研究[J]. 農(nóng)業(yè)與技術(shù)，2022，42（4）：6.

[26] 孫昊蔚，馬靖涵，王力.未來氣候變化情景下基于APSIM模型的黃土高原冬小麥適宜種植區(qū)域模擬[J].麥類作物學報，2021，41（6）：771-782.

[27] LOBELL D B， CAHILL K N， FIELD C B. Historical effects of temperature and precipitation on California crop yields[J]. Climatic change，2007，81（2）：187-203.

[28] 孫惠合，汪順勤，耿德詳. 灰色線性回歸在冬小麥產(chǎn)量長期預測中的應用[J].安徽農(nóng)業(yè)科學，2009，37（24）：11337-11338，11344

[29] SELLAM V， POOVAMMAL E. Prediction of Crop Yield using Regression Analysis[J]. Indian Journal of Science amp; Technology，2016，9（38）：1-5.

[30] CAO J， ZHANG Z， WANG C， et al. Susceptibility assessment of landslides triggered by earthquakes in the Western Sichuan Plateau[J]. Catena， 2019（175）：63-76.

[31] DECENCIERE E， CAZUGUEL G， ZHANG X， et al. TeleOphta： Machine learning and image processing methods for teleophthalmology[J]. Irbm，2013，34（2）：196-203.

[32] ROSTEN E. Machine learning for high-speed corner detection[C]// European Conference on Computer Vision. Springer-Verlag，2006.

[33] SIDOROV G， VELASQUEZ F， STAMATATOS E， et al. Syntactic N-grams as machine learning features for natural language processing[J]. Expert Systems with Applications， 2014，41（3）：853-860.

[34] GAROSI Y， SHEKLABADI M， CONOSCENTI C， et al. Assessing the performance of GIS- based machine learning models with different accuracy measures for determining susceptibility to gully erosion （vol 664， pg 1117， 2019）[J]. Science of the Total Environment，2020：730.

[35] ZHAO G， PANG B， XU Z， et al. Assessment of urban flood susceptibility using semi-supervised machine learning model[J]. The Science of the Total Environment， 2019， 659（4）：940-949.

[36] CAI Y， GUAN K， JIAN P， et al. A high-performance and in-season classification system of field-level crop types using time-series Landsat data and a machine learning approach[J]. Remote Sensing of Environment，2018（210）：35-47.

[37] KUSSUL N， LAVRENIUK M， SKAKUN S， et al. Deep Learning Classification of Land Cover and Crop Types Using Remote Sensing Data[J]. IEEE Geoscience and Remote Sensing Letters，2017（99）：1-5.

[38] SHARMA S， OCHSNER T E， TWIDWELL D， et al. Nondestructive Estimation of Standing Crop and Fuel Moisture Content in Tallgrass Prairie[J]. Rangeland Ecology amp; Management，2018：S1550742418300034.

[39] KHANAL S， FULTON J， KLOPFENSTEIN A， et al. Integration of high resolution remotely sensed data and machine learning techniques for spatial prediction of soil properties and corn yield[J]. Computers and electronics in agriculture， 2018（153）：213-225.

[40] LENG G， HALL J W. Predicting spatial and temporal variability in crop yields： an inter-comparison of machine learning， regression and process-based models[J]. Environmental Research Letters，2020，15（4）：044027.

[41] ZHOU W， LIU Y， SYED T A， et al. Integrating climate and satellite remote sensing data for predicting county-level wheat yield in China using machine learning methods[J]. International Journal of Applied Earth Observation and Geoinformation，2022（111）：1569-8432.

[42] HE K， ZHANG X， REN S， et al. Deep Residual Learning for Image Recognition[J]. IEEE， 2016.

[43] MIOTTO R， LI L， DUDLEY J T. Deep learning to predict patient future diseases from the electronic health records[C]//Advances in Information Retrieval： 38th European Conference on IR Research， ECIR 2016， Padua， Italy， March 20-23， 2016. Proceedings 38. Springer International Publishing，2016：768-774.

[44] KHAKI S， WANG L. Crop yield prediction using deep neural networks[J]. Frontiers in plant science，2019（10）： 621.

[45] LIU Y， WANG S， WANG X， et al. Exploring the superiority of solar-induced chlorophyll fluorescence data in predicting wheat yield using machine learning and deep learning methods[J]. Computers and Electronics in Agriculture， 2022（192）：106612.

[46] MAHLEIN A K， OERKE E C， STEINER U， et al. Recent advances in sensing plant diseases for precision crop protection[J]. European Journal of Plant Pathology，2012，133（1）：197-209.

[47] WANG H， VICENTE-SERRANO S M， TAO F， et al. Monitoring winter wheat drought threat in Northern China using multiple climate-based drought indices and soil moisture during 2000-2013[J]. Agricultural and Forest Meteorology，2016（228）：1-12.

[48] BARLOW K M， CHRISTY B P， O’LEARY G J， et al. Simulating the impact of extreme heat and frost events on wheat crop production： A review[J]. Field crops research， 2015（171）：109-119.

[49] SCHWALBERT R A， AMADO T， CORASSA G， et al. Satellite-based soybean yield forecast： Integrating machine learning and weather data for improving crop yield prediction in southern Brazil[J]. Agricultural and Forest Meteorology，2020（284）：107886.

[50] LI Y， GUAN K， SCHNITKEY G D， et al. Excessive rainfall leads to maize yield loss of a comparable magnitude to extreme drought in the United States[J]. Global change biology，2019，25（7）：2325-2337.

[51] CAO J， ZHANG Z， TAO F， 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.

[52] TUCKER C J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote sensing of Environment，1979，8（2）：127-150.

[53] LI L， WANG B， FENG P， et al. Developing machine learning models with multi-source environmental data to predict wheat yield in China[J]. Computers and Electronics in Agriculture，2022（194）：106790.

[54] MUELLER N D， GERBER J S， JOHNSTON M， et al. Closing yield gaps through nutrient and water management[J]. Nature，2012，490（7419）：254-257.