文章题目：Assessingtheuncertaintyofmaizeyieldwithoutnitrogenfertilization
发表期刊：《FieldCropsResearch》
在线日期：-11-03
摘要玉米产量对氮肥(N)施肥的反应取决于无氮供应条件下的产量(Y0)无零氮肥条件下的内在生产力。了解Y0的驱动因素，开发预测算法，将有助于玉米氮肥的优化。使用随机森林算法，我们分析了-年在美国和加拿大进行的项玉米氮肥研究(个Y0观测)的数据。在确定土壤、作物管理和天气等决定性因素的同时，对Y0的可预测性进行了评估。将气象变量作为预报因子后，模型效率从51%提高到64%，均方根误差从2.5Mgha?-1降低到2.0Mgha-1，相对均方误差从34%降低到27%。对Y0影响最大的预报因子是前茬作物、灌溉和土壤有机质(SOM)，而影响最大的气象资料是开花前后和春季降水前后的单位热时间辐射(Q商)。与紫花苜蓿轮作相比于与一年生豆科作物(IQR=5.6~10.0Mgha?1)和其他前茬作物(IQR=3.6~7.8Mgha?1)，前茬的Y0水平最高(IQR=11.5~15.0Mgha?1)。开花前后的Q商数与Y0呈正相关，而春季降水量和灌浆期极端温度事件与Y0呈负相关。总体而言，这些结果强化了这样一个概念，即产量不仅受土壤氮素供应的控制，还受改变植物需求和捕捉氮素能力的因素的影响。最后，我们展望了利用机器学习来解决玉米产量预测和解释以获得更可靠的氮素指标的前景。
表1.缺氮条件下玉米产量预测的解释变量(Y0)。*期间：AM=4月-5月，JJ=6月-7月，AS=8月-9月。
图1.A：-年期间在美国和加拿大进行的玉米氮肥试验的地理分布(来自个地点年的个Y0观测)。B：作物成熟期地上总吸氮量(R6，n=)与零氮条件下产量(Y0)的关系。C：以穗氮稀释曲线为参照物，估算不同时期零氮玉米籽粒氮素营养指数(NNI，n=)(Zhang等，)。D代表土壤质地(0-15cm)的变异性，E代表平均气温的分布，F代表4月1日至9月30日的总降水量(mm)。。
图2.考虑三种替代模型的条件随机林的出袋(OOB)预测性能：NW-没有天气，仅土壤和作物管理特征；春季天气-包括3月、4月和5月的平均温度和降雨量；以及全天气-包括作物季节(4月-9月)的所有天气变量。小提琴曲线图代表在20倍交叉验证方案中评估的性能指标的可变性。内框表示四分位数之间的范围(第25到75个百分位数)，胡须表示第5到95个百分位数。模型效率(ME)和协调相关系数(CCC)是无量纲(DL)指标。图3.管理、土壤和天气特征对通过随机森林模型条件排列评估的三个可选框架的Y0预测的可变重要性(Strobl等人，年)重新调整为百分比。在每个框架内，方框代表四分位数之间的范围(第25到75个百分位数)，并在20倍交叉验证方案下代表条件重要性的第5到95个百分位数。缩写同表1。
图4.缺氮情况下预测玉米籽粒产量(Y0，Mgha?1)与与管理、土壤和天气最相关的特征的部分主要相关性(图3)。在A中，方框代表四分位数之间的范围(第25到75个百分位数)，胡须代表第5到95个百分位数。
青山白鹤小编辛苦~