一种基于机器学习的跨学科方法以预测在生物肥料应用下的玉米籽粒产量

为何更智能的玉米田很重要

在变暖的地球上养活不断增长的人口，需要从每一滴水和每一把土壤中榨取更多食物。玉米作为世界上最重要的作物之一，尤其容易受到高温、干旱和贫瘠土壤的影响。本研究探讨了有益土壤微生物与现代机器学习相结合，如何帮助农民更准确地预测玉米产量，从而促进更智能的施肥、改进灌溉规划并提高收成的韧性。

健康的根、助益的微生物与受胁的植株

研究从一个简单想法出发：玉米产量不仅由天气和化肥决定，还受植物内部及地下错综复杂的相互作用影响。作者在伊朗东北半干旱的试验农场进行了两年研究，那里的水资源有限且常有高温。玉米种子要么不处理，要么包衣有生活在根际并帮助植物吸收如磷和氮等养分的有益真菌和细菌。在整个生长期，团队测量了数十项性状，从叶色和株高到根系定殖率和冠层温度，构建出植物对这些生物肥料和严酷环境反应的详细图景。

把田间测量变成智能信号

研究者没有仅仅依赖传统的均值或简单趋势，而是从测量数据中创建了73种不同的“信号”，包括32项直接性状和41项捕捉两种特征如何协同的组合指标。例如，他们考虑了冠层温度与根系定殖的交互，或叶面积与干物质产量的组合。通过一种严谨的回归筛选，首次筛选将这些信号缩减到13项与籽粒产量高度相关的关键信号，如开花期的冠层温度、植株的磷氮含量以及若干与根和叶相关的组合。这一步表明产量依赖于交织的生理和土壤过程，而非孤立的单一因素。

测试八种学习机器

为了找出最能捕捉这些复杂关系的工具，团队比较了八种机器学习方法，涵盖基于树的模型、多种神经网络以及混合的神经-模糊系统。他们将96个田间样本划分为训练集、验证集和测试集，对所有变量进行标准化，并使用交叉验证和提前停止等技术以避免过拟合。总体来看，基于神经网络的模型——尤其是使用注意力机制和TensorFlow的模型——表现最好，在从测量性状预测产量方面达到了中等的准确度。相比之下，像基础支持向量机这样更刚性的算法难以模拟数据中的复杂非线性模式。

模型对玉米生长的洞见

这项工作的一大优点是作者没有将模型当作神秘的黑箱。利用基于博弈论的解释工具，他们检查了哪些特征最强烈地推动了预测。籽粒灌浆期的冠层温度成为一个始终强有力的信号：较凉的冠层通常与更高的产量相关，这可能反映了蒸腾有效、能避免热胁迫的植株。植株氮含量与根长之间、叶面积与叶绿度之间、植株高度与穗数之间的交互也在最佳模型中被突出显示。这些模式指向了养分吸收与高效光合冠层的核心作用，而这些又在很大程度上受益于有益微生物对根系的定殖及其改善土壤养分可得性的能力。

从数据模式到更智能的农业

对非专业读者来说，结论是将生物肥料与先进的数据分析结合可以把零散的田间测量转化为可操作的洞见。尽管数据集规模有限且来自单一地区，研究表明神经网络模型能够学习根系健康、叶片表现、温度胁迫与最终籽粒产量之间的细微联系。通过揭示哪些植株与土壤性状最为重要，这些模型可以指导精准农业：农民和农业顾问可着重于保持冠层凉爽、根系被有益微生物良好定殖以及养分吸收的精细平衡。从长远看，这类方法有助于设计在减少化学投入的同时产出更多玉米，并更好地应对干旱和气候变化。

引用: Jahan, M., Nassiri-Mahallati, M. An interdisciplinary machine learning-based approach for predicting corn grain yield under biofertilizer applications. Sci Rep 16, 9912 (2026). https://doi.org/10.1038/s41598-026-40919-3

关键词: 玉米产量预测, 生物肥料, 农业中的机器学习, 根系–微生物相互作用, 可持续作物管理