及时、可靠地掌握全球主要产粮国的作物产量预期，是科学制定农产品贸易政策、保障国际粮食安全的重要基础，但长期以来，全球尺度作物产量的早期估算仍面临较大挑战。近日，北京师范大学地理科学学部教授陈子悦团队在《自然•食品》（Nature Food）发表题为"An integrative framework for early estimation of global crop yields demonstrated under large-scale disruptions"的研究论文。研究构建了一个融合国家产量统计、多源遥感与气候数据、全球作物日历和机器学习的全球作物产量早期估算框架，实现了对全球所有产粮国小麦、水稻、大豆和玉米四大作物产量的估算。选取2020年新冠全球大流行、2019-2020年澳大利亚野火和2022年俄乌战争三个典型扰动场景进行验证，结果表明，该框架能够较稳定地估算四类作物的产量，在主要生产国中甚至可将有效估算时间前移至收获前数月，对支撑及时的农产品贸易政策调整、降低粮食安全风险具有重要意义。
图1 论文首页
粮食安全是关乎国计民生的重大议题。近年来，从新冠疫情到地缘冲突，从极端气候到公共卫生危机，各类国家级乃至全球性扰动事件频发，不仅冲击农业生产秩序，也屡屡引发国际粮食市场的剧烈震荡。在此背景下，能否提前、准确地掌握全球主要作物产量走势，成为各国制定贸易政策、稳定市场预期、保障粮食安全的关键抓手。然而，全球尺度的产量估算面临着多重挑战。联合国粮农组织（FAO）的官方产量数据通常滞后一年以上才发布，虽有部分机构针对主要产粮国或粮食安全高风险国家提供较早的报告，但覆盖面远未及全球所有产粮国。此外，现有的作物产量估算模型大多局限于县域或田块尺度，这些区域内部的物候和农业生产条件相对一致，模型参数较易统一；而一旦扩展到全球尺度，各国在气候条件、作物物候期和农耕管理水平上的巨大异质性，使得难以利用统一模型和固定参数覆盖所有产粮国，将区域模型直接搬到全球尺度，往往难以兼顾可迁移性与稳定性。
针对这一难题，研究团队开发了一套多源数据整合的产量估算框架。该框架首先利用全球作物日历数据，根据种植和收获日历将各国按作物物候期进行层次聚类，将生长季相近的国家归为一类；随后在每个聚类内部，整合FAOSTAT产量记录作为训练目标，以多源遥感与气候变量（包括NDVI、EVI植被指数、昼夜地表温度、气温、降水和蒸散量）为预测变量，并在国家尺度进行空间统计汇总：除计算均值和标准差外，还将归一化后的变量划分为5个取值区间，计算各区间样本所占的相对频率，以此构建模型输入特征，从而兼顾作物生长与环境条件的平均状态、空间离散程度及分布结构；在此基础上训练聚类专属的随机森林模型，从而实现对全球所有产粮国作物产量的估算。对山火、战争等可能直接造成耕地损毁或休耕弃耕的情景，研究进一步利用NDVI、土地覆盖和SPAM数据识别活跃耕地与受损/休耕/弃耕区域，并估算灾害年份的作物面积。为了检验框架的可靠性，研究团队没有选择普通年份，而是挑了三个最具挑战性的扰动场景——全球公共卫生危机（2020年新冠全球大流行）、自然灾害（2019-2020年澳大利亚山火）和地缘冲突（2022年俄乌战争）。模型在极端扰动条件下的稳定表现，同样能够侧面印证其在普通作物生产年份具备更优异的应用潜力。
在2020年新冠全球大流行这一验证场景中，该框架对全球小麦、水稻、大豆和玉米的估算决定系数（R²）分别达到0.91、0.81、0.71和0.89，在排名前十的主要产粮国中，四种作物的平均相对误差分别仅为14.5%、9.5%、12.1%和15.8%，普遍低于全球平均误差水平。相比之下，部分农业生产技术和管理水平相对有限、产量年际波动较大的国家（如非洲地区）估算表现相对较弱。
图2 2020年全球四大作物产量估算误差及前十大生产国产量对比
研究进一步测试了在收获前不同时间节点进行预测的表现，并比较不同特征组合。结果显示，同时使用均值、标准差和区间相对频率的特征方案整体表现最好，表明在平均状态之外进一步引入空间离散程度和不同取值区间的占比信息，有助于更充分地表征国家内部作物生长与环境条件的差异。四类作物在收获前数月的估算精度仅出现小幅下降（总体低于5%），在主要产粮国早期估算的误差波动较小，最远可将有效估算时间前移至收获前128天。
图3 不同特征方案下2020年四大作物早期产量估算模型R²随预测提前期的变化
在2019-2020年澳大利亚山火场景中，结果显示除2020年播种的小麦，其余作物的估算结果与FAOSTAT总体一致：2019年播种的小麦、水稻、大豆和玉米误差分别为12.5%、-4.7%、2.5%和-10.6%，2020年播种的水稻、大豆和玉米误差分别为1.8%、9.6%和-10.9%。2020年播种小麦的估算误差相对较高（28.1%），可能与山火后土壤和作物生长条件出现历史训练样本中较少见的突发变化有关。早期估算误差总体稳定，多数作物在收获前128天内仅有小幅波动。鉴于山火同时影响作物面积，研究进一步发展了基于NDVI与土地覆盖数据的受灾耕地识别方法，结合SPAM v2020数据估算分作物面积，其中小麦和玉米的面积估算的相对误差分别为0.5%和-4.8%，显示该方法对广泛种植作物具有较好的适用性。
图4 澳大利亚2019和2020年播种四大作物的收获期产量估算及早期估算误差
在2022年俄乌战争场景中，俄罗斯和乌克兰两国的多数作物估算误差在可接受范围内，俄罗斯小麦误差相对较大，可能是由于2022年未受战争影响的农业区管理保持正常且气候与环境条件较为有利，实际产量达到训练数据中未出现的高位。早期估算方面，俄罗斯小麦、水稻、大豆和玉米分别在收获前约32天、16天、48天和64天内保持相对稳定，预测进一步前移后误差总体增大；乌克兰大豆和玉米分别在收获前16天和64天内保持稳定，小麦和水稻则在部分临近收获时点出现较大误差，这与战争对实际收获过程的影响相符。乌克兰2022年作物面积估算结果显示小麦、大豆和玉米面积估算误差分别为20.4%、-19.8%和9.0%。其中，小麦估算面积较FAO统计的收获面积高约20%，这一差异与FAO报告中因劳动力短缺和基础设施受损导致约20%–30%冬季作物未能完成收获的情况在量级上较为一致。相比之下，乌克兰水稻受种植规模过小（2022年仅收获700公顷）以及SPAM数据空间分辨率较粗等因素影响，面积估算不确定性显著增大。
图5 2022年俄罗斯和乌克兰四大作物的收获期产量估算及早期估算误差
该研究的核心价值在于，围绕全球尺度估产中最难处理的跨国家异质性，形成了一套可扩展的集成方案。研究强调，该框架可作为国际农业监测与产量预测体系的补充。随着更高时空分辨率的作物分布、作物成熟期、多熟制以及植被光学厚度等全球数据不断完善，未来有望进一步提升估产精度，并拓展至更多作物和更细的行政尺度。
北京师范大学地理科学学部陈子悦教授为本文第一作者，该论文的合作作者还包括王桥院士等。研究得到国家自然科学基金重大项目（42192580）和重点项目（72134008）支持。