摘要
玉米是全球重要粮食作物之一，近几十年来全球对玉米需求有增无减。中国是全球第二大玉米生产国和消费国，贡献了世界粮食产量的近五分之一。因此及时并准确的预测中国玉米产量对确保全球粮食安全至关重要。而近年来极端天气频发，传统的植被指数（例如归一化植被指数，NDVI；增强植被指数，EVI）在干旱情况下存在一定的滞后性，极大影响了对玉米产量的估测。因此与传统植被指数（VIs）相比，对环境胁迫更为敏感的日光诱导叶绿素荧光（SIF）逐渐成为新的预测因子，而在干旱条件下SIF在玉米产量预测的潜力仍有待研究。且基于机器学习（ML）和深度学习（DL）的方法在产量预测方面的表现也没有很好地了解，需要深入研究。 为此，本文以中国玉米主产区河北省为例，对正常年份和干旱年份下的玉米产量估算进行了研究。利用2000-2019年3种不同的卫星数据（SIF、NDVI和EVI）、气象数据和土壤数据，采用ML方法（随机森林，RF）和DL方法（长短时期记忆，LSTM）对县级夏玉米产量进行预测。主要研究结论如下：（1）在产量预测过程中，随着玉米生长季节的推移，气象数据的作用逐渐被卫星数据（SIF/VIs）的作用所取代；（2）两种方法都可以在收获前大约1个月合理地预测玉米产量，其预测产量的总体准确率都可以达到90%，且ML方法在预测夏玉米产量时的性能略优于DL方法；（3）在气候条件正常情况下，高分辨率SIF（R2=0.76，RMSE=634.06kg/ha）预测夏玉米产量方面与NDVI（R2=0.73，RMSE=656.52kg/ha）和EVI（R2=0.75，RMSE=646.86kg/ha）相似；（4）在干旱年份，高分辨率SIF（R2=0.74，RMSE=743.87kg/ha）在预测夏玉米产量方面优于NDVI（R2=0.70，RMSE=814.48kg/ha）和EVI（R2=0.72，RMSE=791.88kg/ha）这两种植被指数。这表明高分辨率SIF数据在预测极端天气条件下夏玉米产量方面具有较大优势。因此本文仍然对SIF数据用于作物产量预测的性能持乐观态度，认为未来更高分辨率的SIF在提高作物产量预测方面可能具有很大优势。
NETL