《Agronomy Journal》：Leveraging machine learning and geospatial analysis to determine agronomic and economic optima for variable-rate seeding in corn and soybean
编辑推荐：
针对如何优化田间播种决策以提高作物产量和利润，研究人员结合土壤与地形属性，利用变量播种技术（VRS），在俄亥俄州迈阿密县开展为期多年（2017–2022）的玉米和大豆田间试验。通过空间回归模型与随机森林机器学习模型分析，发现海拔、阳离子交换量（CEC）、坡度与土壤有机质是影响玉米和大豆产量的关键因素。研究进一步基于这些变量划分田间聚类，结果表明玉米在不同聚类中需采用差异化的最优播种策略，而大豆对变量播种响应不显著。该研究为精准农业中变量播种的实际应用提供了重要依据，尤其凸显了玉米在异质田块中实施VRS的潜力。
在农业生产中，种子是成本最高的投入之一，如何确定最适宜的播种密度，以实现产量与利润的最大化，一直是种植者面临的重大挑战。传统的均匀播种方式往往忽略了田间土壤肥力、地形起伏等因素的显著差异，导致部分区域播种过密、资源竞争加剧，而另一些区域则播种不足、生长空间未被充分利用。随着精准农业技术的发展，变量播种（Variable-Rate Seeding, VRS）应运而生——它允许农民根据田间不同位置的土壤和地形条件，动态调整播种量，以期在提升产量的同时优化经济效益。然而，在实际应用中，哪些田间属性真正主导着作物对播种量的响应？如何科学划分管理区域并为每个区域推荐最适宜的播种量？更重要的是，这种“按需播种”的策略对不同作物（如玉米和大豆）是否具有普适性？这些问题尚未得到充分解答。为此，一项发表于《Agronomy Journal》的研究，通过整合机器学习与地理空间分析，试图为变量播种的优化提供数据驱动的解决方案。
为了探索变量播种在玉米和大豆生产中的效果，研究团队于2017至2022年在美国俄亥俄州迈阿密县的两个田块（Field 1 和 Field 2）开展了田间试验。玉米设置了5个播种量处理（70,000、80,000、90,000、100,000 和 110,000 粒/公顷），大豆设置了4个播种量处理（200,000、300,000、400,000 和 500,000 粒/公顷），所有试验均采用完全随机设计并设有重复。研究过程中系统收集了作物产量、土壤属性（如土壤有机质SOM、阳离子交换量CEC）和地形因子（如海拔、坡度、地形粗糙度指数TRI、地形位置指数TPI）等数据。在数据分析阶段，团队主要采用了三种关键技术方法：一是利用地理信息系统（GIS）进行空间数据聚合与分区统计，将产量数据与土壤、地形图层进行关联；二是构建空间回归模型，在控制空间自相关性的前提下，识别影响产量的关键变量；三是应用随机森林（Random Forest）这一机器学习算法，评估各变量对产量预测的重要性，并与传统统计模型的结果相互验证。基于上述方法识别出的关键变量，研究进一步对田间进行聚类划分，并在每个聚类中分别分析产量和利润对播种量的响应，从而确定农艺最适播种率（Agronomic Optimum Seeding Rate）和经济最适播种率（Economic Optimum Seeding Rate）。
3.1 地形与土壤特性的变异性
田块在地形和土壤属性上表现出显著的空间异质性。海拔、坡度、土壤有机质（SOM）和阳离子交换量（CEC）的分布并非均匀，例如低海拔区域往往积累了更多的水分和有机质，因此CEC和SOM含量较高。
3.2 玉米和大豆产量的年际与空间变异性
玉米和大豆的产量在年际间和田间不同位置均存在变化。玉米平均产量在年份间相对稳定，但田块内部差异显著，高海拔地区产量较低，低洼或灌溉枢轴下方区域产量较高。大豆产量则表现出更大的年际波动，晚播等农艺操作对其影响明显。?1）的箱线图，展示年际与空间变异性。">
3.3 玉米和大豆利润的变异性
利润分析揭示了更为复杂的经济图景。玉米利润可从每公顷净损失1712美元到净收益1974美元不等，年份间平均利润差异巨大。大豆利润同样波动剧烈，最高净收益可达每公顷4965美元，最低则为净损失1419美元，其变化与产量和市场价格紧密相关。?1）的箱线图。">
3.4 产量对土壤和地形属性的响应
空间回归模型和随机森林模型一致指出，海拔、土壤有机质（SOM）、阳离子交换量（CEC）和播种量是影响玉米和大豆产量的最关键变量。对于玉米，随机森林模型特别强调播种量和海拔的重要性；而对于大豆，SOM、CEC和海拔的影响更为突出。
3.5 聚类的划分
基于上述关键且相对稳定的田间属性（海拔、CEC、坡度和SOM），研究将两个田块分别划分为三个聚类。聚类1通常代表高海拔、高SOM和高CEC区域；聚类2和3则分别对应不同的属性组合，体现了田间内在的异质性。
3.6 不同聚类中玉米产量和利润对播种量的响应
在玉米中，产量和利润对播种量的响应在不同聚类和年份间大多呈现显著的二次曲线关系，即先增后减。农艺最适播种率通常高于100,000粒/公顷，而经济最适播种率则在85,000至95,000粒/公顷之间，后者因考虑了种子成本而更低，这凸显了在追求高产的同时兼顾经济效益的重要性。
3.7 不同聚类中大豆产量和利润对播种量的响应
与玉米形成鲜明对比的是，大豆的产量和利润在不同聚类中对播种量变化的响应大多不显著，未能识别出明确的农艺或经济最适播种率。其响应曲线呈现出高度不一致的模式，表明大豆对变量播种技术的反应有限。
研究结论与讨论
本研究通过整合机器学习与地理空间分析，明确了实施变量播种（VRS）的关键依据。核心结论是：对于玉米生产，基于稳定的田间属性（海拔、SOM、CEC、坡度）划分管理聚类，并实施聚类特异性的变量播种策略，能够有效优化农艺产量和经济效益。玉米在不同聚类中表现出差异化的最适播种率，证明了VRS在异质田块中的巨大潜力。然而，对于大豆，其产量和利润对播种量在不同聚类中的响应均不显著，这表明大豆由于其无限生长习性带来的可塑性，能够通过调节分枝和结荚来补偿群体密度的变化，因此当前形式的VRS技术对其增产增效的应用潜力有限。
这项研究的重要意义在于，它从数据和模型角度，为精准农业中的变量播种实践提供了作物特异性的科学指导。它指出，成功的VRS策略不仅依赖于先进的技术工具，更需要对作物本身的生理生态特性、以及田间时空异质性的驱动因素有深刻理解。研究结果提示农户和农技服务人员，在玉米田块中投资VRS技术可能获得良好回报，而在大豆上则应优先探索其他精准管理技术。当然，该研究的结论基于特定地区和年份，其普适性有待在更广阔的地理区域和多样的农业系统中进行验证。未来的研究应侧重于开展田块特异性的VRS试验，以验证聚类推荐方案的可行性，并评估其在不同生产规模和经济条件下的实际效益，从而推动精准农业管理策略的成熟与广泛应用。
