基于机器学习的孟加拉国多样生态系统博罗季节温度预测

这项研究为何关系到餐桌上的食物

稻米是孟加拉国大多数人的日常主食，其中一个最重要的稻作季节是在凉爽干燥的博罗季。此期间温度的细微变化可能决定丰收或歉收。该研究探讨了现代计算技术如何更好地预测孟加拉三个截然不同地区的温度波动，从而帮助农民和决策者做出更明智的选择以保障粮食供应。

不同地貌，不同的温度风险

孟加拉国的气候并不均一。研究人员聚焦三个对比明显的区域：干燥的巴林德高地、靠海的湿润沿海带以及被称为豪尔的低洼湿地盆地。他们使用了1970年至2025年的气象记录，考察了博罗季的日最高温和最低温，以及降雨、湿度和日照等要素。研究发现，巴林德的温差最大，白天酷热而夜晚寒冷；沿海地区平均更温暖且更稳定；豪尔相对偏凉，但冬季更易遭遇强烈的寒潮风险。

教会计算机“读”天气

为了将这段长期的天气数据转化为有用的预报，团队采用了一套机器学习方法。这些是能够从数据中学习模式而非依赖固定方程的计算程序。模型同时输入了多个线索，如近期温度、降雨、湿度、日照，甚至往年同期的冷暖情况。数据经过仔细清洗以剔除错误并填补小缺口，避免因缺失或不现实的数据误导模型。

哪种模型给出了最精准的预报

研究者比较了多种模型，从线性回归和决策树等较简单的方法，到将多个弱模型组合成更强模型的“集成”方法，以及受大脑网络启发的深度学习方法。他们使用多种预测误差指标来评估表现。在大多数测试中，一种名为CatBoost的集成方法在巴林德和豪尔地区对白天最高温和夜间最低温的预测最为准确。在沿海地区，另一种称为支持向量机的方法表现最好。较简单的模型通常误差较大，而表现最强的方法误差相近且稳定较低。

绘制高温与严寒风险集中的区县图

准确的预报最重要的地方是风险最高的区域。团队利用空间分析查看极端高温和严寒在区县之间如何聚集。在巴林德，拉杰沙希、纳托尔和帕布纳等区县在博罗季常出现非常高的温度，而迪纳日普尔和朗普尔等地则可能进入非常严寒的类别。沿海区县普遍面临强烈高温风险，豪尔区县则呈现高温与极端寒冷并存的格局。将这些地图与机器学习的预测相结合，研究指明了农民和地方官员应优先推进的适应措施，例如调整播种期、改善灌溉或选择更耐逆的稻种。

对农民和决策者的意义

对非专业读者来说，主要信息是更智能的温度预测可以帮助在变暖的世界中维持稻米产量的稳定。研究表明，先进的机器学习工具能够以相对较低的误差跟踪并预报孟加拉国特定区域和季节的温度格局。巴林德因其剧烈的冷热波动需要特别关注，豪尔因寒冷风险亦需重点防范，而沿海地区则长期面临热胁迫。将这些本地化的预测输送到预警系统和农业咨询服务中，孟加拉国可以更好地安排用水、选择适宜稻种并为热浪或寒潮做好准备。该工作为利用数据和计算支持气候变化下的粮食安全提供了可行蓝图。

引用: Rahman, N.M.F., Haque, N., Asadullah, M. et al. Machine learning-based temperature prediction across diverse ecosystems for the Boro Season in Bangladesh. Sci Rep 16, 15437 (2026). https://doi.org/10.1038/s41598-026-46341-z

关键词: 孟加拉稻米, 温度预测, 机器学习, 博罗季节, 气候风险