預測作物產量變化趨勢是保障未來糧食安全和應對氣候變化的重要前提。作物模型是大尺度作物產量模擬預測的重要工具，但存在較大的不確定性。以往研究針對作物模型輸入、參數等不確定性來源開展了大量研究，對模型結構帶來的不確定性關注較少，尤其是不同類型模型間的表現異同缺乏系統研究。

針對上述問題，中科院地理資源所冷國勇研究團隊綜合利用過程模型、統計模型、機器學習等三類作物模型對全球玉米產量的歷史變化和未來趨勢做了模擬研究。在統一的氣候情景驅動下，作物過程模型預測的減產幅度高于統計模型和機器學習模型。隨著溫度上升和降水變率加強，三類模型的不確定性呈現增大趨勢。在極端高溫、干旱、暴雨情景下，三類作物模型甚至模擬出不同的產量變化趨勢。

如何降低作物產量預測的不確定性？團隊進一步提出了基于機器學習來約束作物模型的新技術，相比氣候學領域傳統的線性約束技術，該新技術能捕獲作物模型集合間的非線性涌現關系。利用該新技術能降低作物模型31-81%的不確定性，而傳統技術僅降低6-38%。在作物產量的年際波動方面，新技術降低的不確定性幅度是傳統技術的3倍?；谟^測約束后的作物模型集合，結果顯示全球玉米出口和進口主要國家存在較大的同時減產風險，這種風險要顯著高于原始模型預測結果，表明未來氣候變化帶來的減產風險要比預期的更為嚴重。

相關成果在Environmental Research Letters發表系列文章4篇。研究工作得到國家自然科學基金項目、中科院戰略先導專項項目、國家海外人才引進計劃青年項目的資助。

Yin, X., Leng, G.*, (2022). Observational constraint of process crop models suggests higher risks for global maize yield under climate change. Environmental Research Letters, 17, 074023

Yin, X., Leng, G.*, Yu, L. (2022). Disentangling the separate and confounding effects of temperature and precipitation on global maize yield using machine learning, statistical and process crop models. Environmental Research Letters, 17 (4), 044036

Leng, G.* (2021). Maize yield loss risk under droughts in observations and crop models in the United States. Environmental Research Letters, 16, 024016

Leng, G.*, and Hall, J. (2020), Predicting spatial and temporal variability in crop yields: an inter-comparison of machine learning, regression and process-based models, Environmental Research Letters, 15 (4), 044027