以下内容来自于“农业遥感与作物模型”公众号
https://mp.weixin.qq.com/s/b55cCT0AEayPTdl0XOI_1g
文章信息
文章标题：Assessing the impact of climate indices on corn yield in the continental USA using machine learning approach
发表期刊：《Agricultural and Forest Meteorology》
第一单位：美国得克萨斯州农工大学
发布日期：2025-5-16
文章摘要
研究背景
随着全球人口持续增长，保障粮食充足供应变得愈发紧迫。在此背景下，探究气候条件如何影响作物生长发育，对于精准预测产量和把握农情进展具有关键意义。但由于存在显著的空间和时间变化，气候对作物生产力的影响难以衡量。
试验设计
本研究通过构建多元气候指数体系，系统表征了美国雨养玉米种植区不同生长条件。采用聚类分析方法，我们依据气候特征相似性将种植区划分为若干典型区域，进而评估了各指数对作物产量的影响。
研究结果
研究发现：在温度相关指标中，日最高温超过30℃的天数（HD30）、温度变异系数（Tvar）和极端温度振幅（ETR）是导致减产的三大关键因子，而夏季天数（SU）则呈现正向效应；降水相关指标整体发挥积极作用，凸显了关键生育期水分均衡供应的重要性。值得注意的是，温度指标在大多数区域展现出更强的预测效力，其解释力和预测精度均显著优于降水指标。在县域尺度上，基于机器学习构建的预测模型中，XGBoost算法表现最为突出。相较于随机森林、支持向量机和LASSO等对照模型，该算法在预测准确性和鲁棒性方面均具显著优势——在2012年极端干旱和热浪事件中，XGBoost精准捕捉到产量损失而未出现高估现象。
研究结论与意义
在所有因素中，HD30被确定为热胁迫下产量下降的最有影响的气候驱动因素。本研究不仅深化了对气候-产量耦合机制的认识，更为农户、政策制定者、保险机构及农业企业等利益相关方提供了科学依据，有助于优化农业生产实践、制定气候韧性策略，最终保障粮食安全。
主要图表
图1. 基于机器学习方法评估气候指数对玉米产量影响的流程图。
图2. 空间分布图显示各县被划分为五个不同的农业气候区（分别用不同颜色标注，并标有k均值聚类得出的对应簇编号），配套箱线图则展示了各区域内作物产量及关键气候指数的变异分布特征。
图3. 条形图展示了各农业气候区内玉米产量对各类气候指数呈显著正/负响应的县域比例。每根条形代表特定气候变量，突显其对区域产量形成的差异化影响。
图4. 箱线图展示了五个玉米种植农业气候区县域测试数据的RMSE值分布，各区域在中部地图上以对应颜色标注。每个箱线图代表该区域内各县的RMSE分布情况，其中红色中线表示RMSE中位数，箱体范围涵盖第25至75百分位数，须线延伸至1.5倍四分位距。为清晰展示，异常值未予显示。横轴为不同模型，纵轴为RMSE值。
图5. 散点图展示了各模型在2012年极端气候条件下县域玉米产量预测表现，并标注相应R²和RMSE值以评估模型效能。配套空间分布图通过渐变色梯度直观呈现各模型在该关键年份的县域预测误差分布。
图6. 散点图呈现不同气候指数导致的产量损失变异特征，并辅以极端年份(2012)与正常年份频率分布的对比直方图（黑色标线表示平均值）。空间图显示了玉米种植区2区和3区各县的预测产量异常，突出了与每个气候指数相关的作物产量损失的地理分布。
| 
发表于 
