近几十年来，全球人口持续增长，极端灾害性天气频繁发生，粮食安全问题日益成为全人类面临的重大挑战之一。小麦是全球种植量最大的谷物，占粮食总产量的1/3，为全世界约40%人口提供了口粮供应，而中国是最大的小麦生产和消费国，如何对小麦产量进行准确预测是国内外学界广泛关注的热点问题。

　　作物产量的预测模型主要有两种：作物生长模型和统计模型，前者侧重于作物生长过程的再现，后者基于产量与气象、土壤等影响要素的统计关系进行预测。作物生长模型的优势在于可以把握天气、土壤和田间管理等对于生长过程的细致影响，对风险管理、决策等有重要价值，但缺点在于需要输入众多的变量，且是十分消耗计算资源，很难在较大尺度上使用。统计模型依赖的变量少，计算量小，但基于传统线性回归的统计模型难以抓住天气、土壤等变量对产量的非线性作用，因而效果不够理想。机器学习作为新兴的、更加复杂的统计模型，可以更好的描述输入量与预测量非线性关系，近期许多研究都证明其相比线性模型在产量预测上有明显优势。此外，温度、降水的气象要素都对作物产量有关键影响，以往的研究中的模型构建主要基于气象观测数据。而实际上利用多元观测数据建模并不能很好的反映未来天气-气候变化特征。目前，国际主流次季节-季节 (S2S) 动力预测系统对未来ENSO，MJO，台风等多尺度天气-短期气候变化已具备一定预测技巧，考虑动力模型预测结果和非线性复杂过程的新型作物产量模型在提升作物产量预测精度和时效方面潜力巨大。

　　鉴于机器学习和大气动力模型在产量预测上表现出的潜力，华中师范大学曹隽隽博士、王慧静研究生、中科院大气物理所李矜霄博士、中国气象局广州热带所田群博士、美国普渡大学、美国德克萨斯大学奥斯汀分校Dev Niyogi教授等研究人员将次季节-季节动力预测系统 (Li et al., 2021a; Li et al., 2021b) 和机器学习算法进行融合，发展了一套农作物产量预测模型：MHCF v1.0。结果表明：机器学习-动力混合模型在预测中国北方冬小麦 (图1) 产量上相比传统模型（基于观测数据和线性回归）具有明显优势，RMSE减小30%-55% (图2) ，并可以提前于收获季3-4个月达到最佳的预测效果。

图1 研究区域及冬小麦的种植分布

图2 基于不同输入数据（S2S为大气动力模型预测结果，Observation为气象观测）使用不同机器学习算法以及线性模型的冬小麦预测效果

图3 使用机器学习-动力混合模型的预测水平随数据输入量的变化

　　文章第一作者曹隽隽博士评价：“今年中央一号文件指出，探索农业保险从‘保成本’向‘保收益’转型，因此完善大灾风险分散机制是助推转型的关键。本模型在面对极端气候下的粮食产量预测具有良好的效果，未来通过不断完善将能为农业保险定价提供有力工具。”

　　以上研究成果于近期发表在 《Remote Sensing》， 《Weather and forecasting》和《Atmospheric and Oceanic Science Letters》上，得到国家自然科学基金(41701111, 42005117)，中科院先导B项目(XDB40030205)和广东省基础与应用基础研究重大项目(2020B0301030004)共同资助。

　　文章信息：

　　Cao, J., Wang, H., Li, J., Tian, Q., Niyogi, D. Improving the Forecasting of Winter Wheat Yields in Northern China with Machine Learning–Dynamical Hybrid Subseasonal-to-Seasonal Ensemble Prediction. Remote Sensing. 2022, 14, 1707. https://doi.org/10.3390/rs14071707

　　Li, J., Bao, Q., Liu, Y., Wu, G., Wang, L., He, B., Wang, X., Yang, J., Wu, X. and Shen, Z. Dynamical seasonal prediction of tropical cyclone activity using the FGOALS-f2 ensemble prediction system. Weather and Forecasting, 2021, 36(5),1759-1778, https://doi.org/10.1175/WAF-D-20-0189.1

　　Li, S., Li, J., Yang, J., Bao, Q., Liu, Y. and Shen, Z. Monthly prediction of tropical cyclone activity over the South China Sea using the FGOALS-f2 ensemble prediction system. Atmospheric and Oceanic Science Letters, 2021, p.100116, https://doi.org/10.1016/j.aosl.2021.100116