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，各国气候条件、作物物候期与农耕管理水平差异巨大，难以用统一模型和固定参数覆盖全部产粮国；直接把区域模型迁移至全球尺度，往往无法同时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，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。
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，该框架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教授陈子悦为本文第一作者，该论文的合作作者还包括北京师范大学地理科学学部王桥院士等。研究得到国家自然科学基金重大项目（42192580）和重点项目（72134008）资助。