近日，中国农业科学院农田灌溉研究所节水高效灌溉技术与装备团队与河南大学农学院合作，解析了常用冬小麦作物产量预测模型在干旱或缺肥逆境下的性能损失，并集成新模型，显著提升对逆境条件下冬小麦产量预测性能。相关研究发表在《农业计算机和电子（Computers and Electronics in Agriculture）》上。

产量预测模型能为农业精准管理提供决策支持。但当发生干旱、缺肥等情况时，由于作物生长环境与模型训练作物生长环境差异较大，模型有效性会下降。

为明确性能损失对产量预测的具体影响，科研人员选取华北平原两个不同地区干旱或缺肥环境冬小麦多生育期的高光谱遥感数据，多次运行随机森林与偏最小二乘回归两个常用冬小麦产量模型。对比发现，随机森林模型预测结果与实测数据之间的皮尔逊相关系数下降较大，平均绝对误差有明显提升。偏最小二乘回归的性能损失相对较小。为进一步提升产量预测模型普适性，科研团队采用多重随机采样策略优化偏最小二乘回归模型构建新模型，并用采集跨逆境数据进行机器学习训练。对比实地数据和计算机模拟运行结果显示，新模型将皮尔逊相关系数较偏最小二乘回归平均提升了14.5%，较随机森林回归平均提升25.2%，且具备经迁移学习进行模型更新的能力。研究为逆境生长作物产量预测模型构建提供新思路。

该研究得到河南省重大科技专项、国家重点研发计划项目、国家重点研发计划青年科学家项目、河南省省级科技研发计划联合基金的资助。

原文链接：https://doi.org/10.1016/j.compag.2024.109046