当主要产粮国的产量发生变化，影响往往不会停留在田间：它会迅速传导至国际粮价、贸易政策和进口国的供应安排。对全球粮食安全而言，关键不只是“最终收了多少”，更是“能否足够早地知道可能收多少”。越早获得可靠的产量信号，各国就越有时间调整粮食采购、储备和进出口策略，也越有可能在供应风险真正显现之前争取主动。
然而，把作物估产从区域推广到全球，并把信息获取时间从收获后前移到收获前，长期面临跨国家物候差异、农业生产条件异质性和统计数据滞后等多重制约。针对这一难题，研究提出了一套整合产量统计数据与多源遥感和地理空间数据、采用随机森林模型估算全球所有产粮国主要作物产量的框架。研究选取2020年新冠全球大流行、2019-2020年澳大利亚山火和2022年俄乌战争三个大规模干扰案例，在不同区域和全球扰动下验证了模型的性能。框架在全球范围内取得了令人满意的精度，在农业技术发达的主要产粮国表现尤为突出。当耕地未受到战争或山火等事件的严重影响时，该框架甚至能够在收获前数月完成作物产量估算。研究为全球产量估算提供了方法学参考，有助于支撑及时的作物贸易政策决策并降低粮食安全风险。
现实痛点：全球大尺度作物估产的多重现实挑战
全球粮食系统正面临前所未有的不确定性。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，主要产粮国的产量预期成为左右国际粮价和贸易政策的关键变量，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，但把估产尺度拓展到全球，多重现实壁垒始终难以突破。
1. 权威统计数据存在严重时间滞后：FAOSTAT官方产量数据通常滞后一年发布，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。
2. 跨国农业条件异质性难以消解：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，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。
3. 扰动事件进一步放大不确定性：疫情、山火、地缘冲突会冲击劳动力、损毁耕地，进一步加剧产量预判难度，而恰恰是这类时期，市场与政策端对产量信息的需求最为迫切。
技术思路：物候聚类 + 多维遥感气候特征 + 分簇专属机器学习模型，破解全球尺度估产异质性难题
为突破上述的局限，研究提出了一套整合FAOSTAT、SPAM v2020、全球作物日历、多源遥感数据与机器学习模型的框架，用于估算全球所有产粮国小麦、水稻、大豆和玉米的年产量。鉴于全球作物物候的显著变异性以及数据有限条件下逐国建模的困难，研究依据作物日历对各国进行聚类，并训练聚类专属的随机森林模型，以FAOSTAT产量记录为目标变量，以植被指数、地表温度、降水、气温和蒸散量为预测因子。方法由四个部分组成：
1. 物候聚类分组：首先依据各国作物的种植与收获日期，将生长季相近的国家归为同一聚类，以降低跨国家作物物候差异；
2. 多维遥感和气候特征数据集构建：整合MODIS植被指数、昼夜地表温度以及ERA5-Land气候数据，并在国家尺度进行空间统计汇总：除计算7类遥感与气候变量的均值和标准差外，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，从而同时表征平均状态、空间离散程度和空间分布结构；
3. 分簇随机森林训练验证：随后在各物候聚类内分别训练随机森林模型，并利用历史FAOSTAT产量记录进行校准与验证；
4. 灾害年份作物面积估算：最后针对山火和战争等可能直接改变耕地面积的年份，利用NDVI、土地覆盖和SPAM数据识别活跃耕地及受损/休耕/弃耕耕地，并进一步估算分作物面积。
多情景验证：三大扰动事件下的框架性能评估
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。
情景一：2020年新冠全球大流行情景下的作物产量估算
图1 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。a–d分别对应小麦、水稻、大豆和玉米，分别覆盖118、
111、98和155个国家。左侧地图表示各国估算产量的相对误差，右侧柱状图比较按收获面积排序的前十大生产国估算产量与FAOSTAT实际产量。
2020年新冠全球大流行导致农业劳动力减少，并扰动春季耕作和后续农业生产，使全球作物产量的不确定性显著增加。研究据此以2020年作为全球性扰动情景，对框架的全球估产与早期估产能力进行检验。在该情景下，框架对全球小麦、水稻、大豆和玉米的估算R²分别达到0.91、0.81、0.71和0.89。在前十大产粮国中，四种作物的平均相对误差分别为14.5%、9.5%、12.1%和15.8%，普遍低于全球平均误差。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。
早期估算测试表明，四大作物的估算精度在收获前数月内仅下降不到5%。在主要产粮国，模型最远可在收获前128天产出估算结果。对比三种特征方案发现，同时使用均值、标准差和区间相对频率的方案整体表现最好，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和环境条件的空间异质性。这一早期估算能力意味着，远在作物收割之前，决策者就能获得较为可靠的产量预期，为调整进出口政策、调度粮食储备、稳定市场预期争取到关键的时间窗口。
图2 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。a–d分别对应小麦、水稻、大豆和玉米，横轴为距各物候聚类统一收获日期的天数。三条曲线分别表示仅使用均值、均值+标准差，以及均值+标准差+5个取值区间相对频率的特征方案；预测日期距播种不足1个月的国家不纳入相应时点统计。
情景二：2019-2020年澳大利亚山火情景下的作物产量估算
2019至2020年澳大利亚山火破坏了耕地，且恰逢冬季作物收获与夏季作物播种生长期，可能对后续种植季产生延续效应。研究以2019年和2020年播种的作物作为自然灾害验证案例（图3）。除2020年播种小麦外，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，2019年小麦误差在收获前128至48天间维持在较低水平，仅在收获前32天内有所上升，与火灾发生在作物生长后期接近收获期有关。鉴于山火同时影响种植面积，研究采用基于NDVI与土地覆盖数据的方法识别受灾耕地，659个验证样本的分类总体精度达90.1%，结合SPAM数据估算的小麦和玉米面积相对误差分别为0.5%和-4.8%，与FAOSTAT较为接近，但对于水稻、大豆等种植面积较小的作物，受SPAM数据分辨率限制，估算不确定性较大。
图3 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。a、b分别比较2019和2020播种年份小麦、水稻、大豆和玉米的估算产量与FAOSTAT实际产量；c、d给出相应作物在收获前0–128天不同预测时点的估算误差。水稻、大豆和玉米在播种次年收获，因此两个播种年份分别对应FAOSTAT的2020和2021统计数据；各模型使用测试年份之前的历史数据训练，并采用交叉验证表现最优的特征方案。
情景三：2022年俄乌战争情景下的作物产量估算
俄罗斯和乌克兰均为全球主要粮食生产国，战争对劳动力、基础设施和耕地造成破坏。2022年两国四种作物的产量估算结果如图4所示，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。受灾耕地识别的分类总体精度达92.2%。面积估算方面，种植规模较大的小麦、大豆和玉米相对误差分别为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，水稻2022年实际收获面积仅700公顷，受种植规模过小和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更高。
图4 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。a、b分别比较俄罗斯和乌克兰小麦、水稻、大豆和玉米的估算产量与FAOSTAT实际产量；c、d给出收获前0–128天不同预测时点的估算误差。模型基于2004–2021年数据训练，以2022年为测试年份，并采用交叉验证表现最优的特征方案；若提前128天时距播种不足
1个月，则不进行该时点的早期估算。
框架核心优势与亮点
这项研究的价值并不只体现在估算精度本身，更重要的是，它围绕全球尺度估产长期存在的跨国家异质性、数据可获得性和时效性问题，形成了一套兼具全球覆盖、跨区域适应和早期预判能力的估产框架。
1. 从区域估产走向全球尺度。
框架不依赖各国完整的次国家级统计数据，而是基于国家级统计与全球统一的遥感、气候和作物日历数据，实现对全球产粮国的国家尺度估产，显著提升了方法的可扩展性。
2. 更好适应跨国家农业差异。
通过物候聚类和多维特征表达，框架避免了“一套参数覆盖全球”的局限，在保持统一方法体系的同时兼顾不同国家的生长节律与环境差异，增强了跨区域迁移能力。
3. 从“估得准”进一步走向“估得早”。
研究将产量信息获取时间前移至收获前数月，使估产不再只是收获后的结果判断，也能够为粮食贸易、储备调度和风险预判提供更具时效性的决策信息。
4. 复杂扰动场景验证了框架的稳健性。
疫情、山火和战争并非框架的限定应用场景，而是三类高难度“压力测试”。在这些高不确定性条件下仍保持较好表现，也进一步体现了其在普通作物生产年份中的应用潜力。
意义与展望
这项研究填补了全球国家级作物产量估算方法的长期空白，具备重要的科学价值与现实应用价值。它证明了通过物候聚类和多源遥感特征工程，可以在不依赖各国次国家级统计数据的情况下，实现对全球所有产粮国的可靠产量估算。框架对国际组织现有的农业监测体系形成有益补充，尤其在扰动事件频发的当下，其提前数月的早期估算能力能够帮助各国更从容地应对粮食供应波动。
研究团队也指出了未来改进方向：引入微波植被光学厚度（VOD）数据以补充光学指数的不足，完善高分辨率作物日历和多熟制信息，发展更精细的分作物种植面积数据源，以及将框架扩展到更多作物和次国家级尺度。随着这些数据和方法的不断完善，全球产量估算有望更加精准，为构建更具韧性的全球粮食安全体系贡献力量。
论文信息
论文题目：An integrative framework for early estimation of global crop yields demonstrated under large-scale disruptions
期刊：Nature Food
北京师范大学地理科学学部陈子悦教授为论文第一作者，中国人民大学公共管理学院杨琳教授为通讯作者。其他主要合作者包括：北京师范大学王桥院士，南京大学博士生王衍昭，南京信息工程大学冯兆忠教授，南京大学李满春教授，北京师范大学晏星副教授，香港中文大学关美宝教授，中国农业科学院余强毅研究员，中国地质大学（武汉）朱祺琪教授，中国农业大学高秉博教授等。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。
《慧天地》敬告
《慧天地》公众号借鉴《读者》办刊理念，汇聚时空信息领域精华，聚焦国内外科技前沿，洞察行业发展动态，剖析跨界融合趋势，发现企业核心竞争力，传播时空信息文化，服务学子们的学习、考研、就业，打造政产学研金服用精准对接的平台。
我们高度重视版权，对于精选的每一篇推文，都会在文章开头显著注明出处，以表达对作者和推文引用平台版权的充分尊重和感谢；对于来源于网络作者不明的作品，转载时如出现侵权，请后台留言，我们会及时删除。感谢大家一直以来对《慧天地》的关注和支持！
——《慧天地》运营团队
编辑：万佳馨，审核：于瑞凯，责编：孔雨含，指导：万剑华教授
