长江流域冬油菜产量潜力及产量差分布特征

赫迪，胡鹏程，王靖，王良，房世波

(1. 中国气象科学研究院灾害天气国家重点实验室，北京 100082；2. 澳大利亚昆士兰大学农业与食品科学学院，布里斯班 QLD4067；3. 中国农业大学资源与环境学院，北京 100193；4. 山东省农业科学院，山东 济南 250100)

食用油供给安全是我国粮食安全战略的重要组成部分，当前国内食用油市场需求不断增长，然而我国油料作物的单产和种植面积却一直徘徊不前[1-4]，食用油自给率低于30%[5]，食用油供给形势严峻。 油菜是我国第二大油料作物，除了用于高品质的食用油生产外，也正被广泛应用于生物能源等工业用油领域[6-9]，因此发展油菜生产对保障我国食用油供给安全有重要意义。

长江流域是我国油菜的优势主产区，其冬油菜种植主要以水稻-油菜轮作形式利用冬季闲田进行，不影响其他主粮作物的生产。 长江流域可扩大利用的油菜种植面积近399 万hm2[10-11]，还有很大的发展空间。 定量评估长江流域冬油菜产量潜力分布特征，明确油菜优势产区，对如何扩大推广冬油菜在长江流域的种植有重要指导作用。

相比于传统的光温生产潜力和气候生产潜力逐级订正法，作物生长模型APSIM 可以在逐日尺度上考虑作物生长与各环境因子的关系，从而更准确地获得作物的潜在产量，现已被广泛应用于小麦、玉米、油菜、马铃薯等的产量评估[12-17]，但由于模型运行需要的参数和输入量较多，大范围应用受到限制。 机器学习近年来被广泛应用于农业领域[18]，利用作物模型的输入和输出变量，构建机器学习模型反演作物模型的模拟结果，可简化作物模型的输入需求并提高计算效率。

本研究以长江流域冬油菜产区为研究区，将作物生长模型APSIM 和机器学习技术结合，建立油菜产量潜力预测模型，利用该模型评估长江流域县级冬油菜产量潜力，并对产量潜力的空间分布特征进行分析，同时结合县级产量的历史统计数据定量当前不同产量潜力区域的产量差，以期为扩大长江流域冬油菜生产提供科学指导。

1 研究区域与研究方法

1.1 研究区域和数据来源

长江流域指长江干流和支流流经的广大区域，位于东经90°33＇～122°25＇、北纬24°30＇～35°45＇之间，气候主要受副热带季风环流影响，以湿润的亚热带季风气候为主。 长江流域冬油菜的主要种植区分布于长江中下游地区，以水稻-油菜轮作为主，冬油菜秋季播种，次年春季收获[19]。本研究选取长江中下游地区的玉溪、乐山、江口、长沙、武汉和南京6 个代表站点(表1)，收集油菜生长发育、田间管理、生物量和产量数据；其气象数据来源于中国气象局科学数据共享网，包括各个试验站点试验年份及1961—2010 年的逐日气象资料。 气象要素包括平均气温、最高气温、最低气温、降水量、日照时数、平均风速，逐日太阳总辐射值由日照时数根据Angstrom 公式计算获得。

表1 各站点的地理信息、气候特征及油菜品种

县域尺度的气象资料(1985—2021 年)来自于美国航天航空局(NASA)的Prediction of Worldwide Energy Resource(POWER)数据库(https:/ /power.larc.nasa.gov/)，气象要素包括最高气温、最低气温、降水量、太阳总辐射。

1.2 APSIM-Canola 模型

作物生长模型APSIM(Agricultural Production Systems sIMulator)可以逐日模拟温度、光周期、辐射、土壤水分和氮素水平的变化对作物的发育过程、生长过程以及籽粒产量的影响，目前已广泛应用于农业生产系统管理、气候变化影响评估和产量潜力评估等研究中。 APSIM 的油菜模拟模块(APSIM-Canola)对油菜的发育期模拟主要由积温驱动，考虑了春化作用和光周期对开花的影响；生物量的积累主要根据冠层截获的太阳辐射量和光能利用率计算，并考虑每天的温度、水分和氮素对生物量积累的影响；籽粒产量是利用动态收获指数进行模拟，在灌浆阶段，收获指数线性增加。APSIM-Canola 在中国的适用性和参数化过程已经得到充分的验证和分析[14，20-21]，模型中影响油菜发育期、生物量和产量的重要参数包括春化敏感性、光周期敏感性、灌浆周期、光能利用效率和最大收获指数。

模型参数优化选择了全局优化的方法，即首先根据参数范围，基于参数在范围内是均匀分布的假设生成全部的参数组合，即为目标函数的可能解，然后从中选取使目标函数最小的参数组合，即为目标函数的最优解。 本研究选取均方根误差(RMSE)和标准均方根误差(NRMSE)作为目标函数对模型模拟结果进行评价，计算方法如下:

其中，Oi和Si是相对应的观测值和模拟值是观测值的平均值，n 是观测样本的数量。

1.3 基于机器学习技术的产量潜力预测模型构建

产量潜力预测模型的构建主要分为两步，首先利用APSIM 模型在代表站点进行多年(1961—2010 年)无肥力胁迫的产量潜力模拟，并统计每年的关键气象信息，包括生长季(10—12 月、次年1—5 月)及逐月的平均太阳辐射、最低气温、最高气温、总降雨量，获得长期多点位的气象和产量数据集；然后将全部数据的80%作为训练集、20%作为验证集，利用训练集的资料进行机器学习模型的训练。 将数据集中的气象资料作为输入值、产量数据作为输出值，利用机器学习算法训练机器学习模型，训练过程中用10-fold 交差验证的方法对模型进行调参，最后用验证集的数据对机器学习模型进行验证。 本研究通过比较3 种常用的机器学习算法——神经网络(kNN)、支持向量机(SVM)和随机森林(Random Forest)，最终选用建模效果最好的随机森林算法进行建模。 机器学习模型的训练全部在R 语言程序中调用caret 程序包实现。

1.4 长江流域冬油菜产量潜力预测和产量差计算

利用训练好的机器学习模型和县域尺度的气象资料(1985—2021 年)对长江流域近37 年的油菜潜在产量进行预测，并对其多年平均产量的区域特征进行分析，分析由R 语言程序中的sf 程序包实现。 对有观测资料记录的县级油菜产量(2008—2012 年)进行提取，并与预测的潜在产量对比分析，明确当前长江流域油菜产量差的分布特征。

2 结果与分析

2.1 APSIM-Canola 模型验证

通过全局优化的方法进行模型参数调试后，APSIM-Canola 模型可以准确模拟6 个代表性站点7 个油菜品种在不同播期和密度种植条件下的发育期、生物量和产量(图1)。 其中，对开花期和成熟期的模拟误差分别为2.4 d 和5.1 d，相对误差分别为1.7%和2.4%；对生物量和产量的模拟误差分别为2 168.6 kg/hm2和332 kg/hm2，相对误差分别为20.6%和14.3%。 可见，生物量的模拟误差略高，这主要由生物量的测量误差较高及部分试验的生物量是由产量和收获指数转换获得而造成。

图1 APSIM-Canola 模型对6 个站点油菜发育期、生物量和产量的实测值与模拟值比较

2.2 基于机器学习技术的产量潜力预测模型验证

机器学习模拟可以准确复现APSIM-Canola模型在6 个代表站点的长期模拟结果。 验证数据集的验证结果(图2)显示，随机森林模型可以解释81% 的产量潜力变异， 模拟误差为475 kg/hm2，相对误差为16.4%。 该结果与APSIMCanola 模型对观测数据的模拟精度接近，进一步说明机器学习模型可以用于大区域产量潜力的预测。

图2 随机森林模型对APSIM-Canola 模型模拟的油菜产量潜力的复现和验证

机器学习建模过程中，通过对输入因子的重要性进行分析，最终选取6 个预测变量进行建模，包括生长季(10 月—次年5 月)的平均最高温度、平均最低温度、降雨量及7 月平均最低温度、1 月平均最高温度和2 月平均太阳辐射。 在县域尺度上，利用上述6 个变量和随机森林模型即可对每年的油菜产量潜力进行预测。

2.3 长江流域冬油菜的产量潜力和产量差分布特征

1985—2021 年长江流域冬油菜平均产量潜力分布特征如图3 所示。 冬油菜潜在产量分布大致呈西南低、东北高的趋势，平均产量潜力变化范围在1 000～4 000 kg/hm2之间。 云南地区的平均潜在产量仅有1 000 ～1 500 kg/hm2，这可能是因为本研究模拟的潜在产量为雨养潜在产量，该地区潜在产量较低可能与西南地区季节性干旱有关。 江苏、安徽、湖北、重庆大部分地区及江西、湖南、贵州的北部地区为冬油菜的主要优势产区，多年平均潜在产量均可达到3 000 kg/hm2以上。

图3 1985—2021 年长江流域县级冬油菜平均潜在产量空间分布特征

2008—2012 年平均的县级统计资料显示，统计产量的空间分布特征与潜在产量的分布特征基本一致，也呈北高南低、西低东高的趋势，进一步说明了机器学习模型预测的潜在产量分布的合理性。 产量差的分布特征则与统计产量和潜在产量不同，在江苏大部分地区、安徽和湖北北部、四川大部分地区、云贵高原地区，油菜产量差大多低于1 000 kg/hm2，说明这些地区的品种选择和农田管理均接近产量最优水平，进一步的产量提高需要优化品种选育。 而在江西、湖南大部分地区及安徽和湖北北部，产量差可达2 000 kg/hm2，县级统计产量仅有潜在产量的50%左右，有很大的产量提升空间(图4)。

图4 2008—2012 年长江流域县级冬油菜平均统计产量、潜在产量和产量差空间分布特征

3 讨论

目前我国长江流域适于油菜种植的冬闲田约有778 万hm2[11]，明确长江流域的油菜优势产区及产量差的分布特征，可以科学指导和推广该区域的油菜种植。 本研究结果表明长江中下游的冬油菜潜在产量有很大的区域性差异，长江中下游北部区域有更高的产量潜力，多年平均潜在产量可达3 000 ～4 000 kg/hm2。 张智[22]的研究表明长江流域冬油菜的实际产量、试验产量、可获得产量、潜在产量分别为1 810、2 437、3 702、3 996 kg/hm2，与本研究结果基本一致。 而Tian 等[11]利用改进后的农业生态区域模型(AEZ)分析的长江流域油菜潜在产量分布则与本研究结果有所差异，其研究指出该流域油菜的潜在产量高值区主要分布在四川、云南及江西和湖南南部，与实际的县级统计产量分布有所差异。 丛日环等[23]对长江流域与油菜产量相关的气候因子的分析研究发现，AEZ 模型获得的潜在产量分布特征与长江流域大于等于0 ℃积温的分布模式十分接近；进一步研究表明，长江上游和下游地区大于等于0 ℃积温与油菜产量并无显著相关关系，但在中游地区呈负相关关系。 这可能是由于长江流域日照时数和太阳辐射相对充足，太阳辐射不是油菜生长的限制因子。 AEZ 模型是根据联合国农粮组织(FAO)和国际应用系统分析研究所(IIASA)基于中国1961 年以来的统计资料共同开发的大尺度统计模型，其模拟结果可能更接近传统的光照、温度、水分逐级订正的生产潜力计算结果。 而本研究预测的长江流域油菜潜在产量分布可能与实际情况更为接近。

本研究根据随机森林算法筛选出6 个用于估测油菜潜在产量的因子，筛选过程中发现生长季最高温度、1 月份最高温度和2 月份太阳辐射均与潜在产量呈负相关关系，而生长季降水量和7月份最低气温呈正相关关系。 这与前人研究结果基本一致，如张皓等[24]研究发现长江流域冬油菜产量与蕾薹期和花期的温度呈显著负相关关系。值得注意的是，油菜在长江流域的生长季节为10月到次年5 月，而7 月份的平均最低气温在不同的机器学习算法中均被筛选为关键因子，相关分析结果也显示7 月份的平均最低气温和油菜潜在产量的相关系数高达0.85。 进一步分析发现，7月的平均最低气温与其他关键因子如生长季降雨、最高气温、1 月最高气温和2 月的太阳辐射均有显著的相关关系，相关系数分别为0.54、-0.80、-0.74 和-0.74，不同时间段气象因子间的相互关系，可能与天气系统的相互作用有关。

本研究结果显示，长江中下游的冬油菜优势产区主要分布于江苏、安徽、湖北、重庆大部分地区及江西、湖南、贵州的北部地区，油菜多年平均潜在产量可达3 000 kg/hm2以上。 目前长江中游二熟区和三熟区油菜种植面积最为广泛，共计375.6 万hm2，而长江下游油菜种植面积相对较低，为66.13 万hm2[23]。 长江中下游冬闲田的遥感监测显示，当前长江中下游农业区冬闲田面积仍占总耕地面积的45%左右，冬闲田主要集中于长江中下游北部，其中湖北、湖南和江苏是冬闲田分布面积最多的省份[10]。 结合本研究结果，建议在这些地区推广冬油菜种植，充分利用冬闲田，提高油菜总产量。 同时，在湖南、江西、湖北和安徽的北部，当前产量与潜在产量的产量差仍在2 000 kg/hm2，县级统计产量仅为潜在产量的50%左右，建议在这些地区进一步开展油菜种植技术的推广，如水氮管理、播期调控和病虫害防控等[24-27]，以提高油菜产量。

4 结论

长江流域是我国冬油菜种植的优势产区，油菜潜在产量变化范围在1 000～4 000 kg/hm2之间，分布呈北高南低、西低东高的趋势。 江苏、安徽、湖北、重庆大部分地区及江西、湖南、贵州的北部地区，油菜多年平均潜在产量可达3 000 kg/hm2以上，是长江流域的优势产区，应重点推广冬油菜种植，充分利用这些地区的冬季闲田。 与实际统计产量比较，油菜产量差在江西、湖南大部分地区及安徽和湖北北部可达2 000 kg/hm2，县级统计产量仅有潜在产量的50%左右，仍有很大的产量提升空间，在这些地区应进一步推广高效的油菜种植技术，提高油菜的实际产量。 而在产量差较低的江苏大部分地区、安徽和湖北北部、四川大部分地区、云贵高原地区，应考虑通过选育适宜的高产品种进一步提升产量潜力。