---

title: “我的记录”

---

for Spring wheat in inner Mongolia

• while WP* is 11 and HIo is 20, R[^2] = 0.47, RMSE = 456172, MAE = 420550

• while WP* is 11 and HIo is 22, R[^2] = 0.61, RMSE = 390106, MAE = 331735

• while WP* is 11 and HIo is 23, R[^2] = 0.62, RMSE = 382770, MAE = 298819

• while WP* is 11 and HIo is 25, R[^2] = 0.54, RMSE = 424126, MAE = 297941

• while WP* is 11 and HIo is 24, R[^2] = 0.60, RMSE = 394713, MAE = 282400

  WP*	HIo	R²	RMSE	MAE
  11	20	0.47	456,172	420,550
  11	22	0.61	390,106	331,735
  11	23	0.62	382,770	298,819 ✅ 最佳组合
  11	25	0.54	424,126	297,941
  11	24	0.60	394,713	282,400

for Spring wheat in Liaoning

WP*	HIo	R[^2]	RMSE	MAE
11	23	0.83	98029	59141✅ 精度可以接受（张思远 2023）

for Spring wheat in Jilin

WP*	HIo	R[^2]	RMSE	MAE
11	23	0.87	28265	18520✅ 精度可以接受（张思远 2023）

for Spring wheat in Heilongjiang

WP*	HIo	R[^2]	RMSE	MAE
11	23	0.87	518971	362298✅ 精度可以接受（张思远 2023）

for Winter wheat in Hebei

WP*	HIo	R[^2]	RMSE	MAE
11	26	0.31	2210926	1857932
11	33	-0.41	3161755	2650261
12	28	0.11	2511860	2087971
12	27	0.25	2308379	1883762
12	26	0.33	2179585	1767059
13	26	0.08	2552047	2127105
12	25	0.35	2139769	1749749
12	24	0.32	2193201	1837891
11	24	0.08	2546952	2162615
12.5	25	0.33	2183483	1770205

for Winter wheat in Anhui

WP*	HIo	R[^2]	RMSE	MAE
12	25	0.69	2249266	1961092
11	25	0.70	2210154	1898988
11	24	0.67	2306576	1913727

for Winter wheat in Beijing

WP*	HIo	R[^2]	RMSE	MAE
11	25	0.81	157071	108464
11	26	0.84	143455	98558
11	27	0.87	131699	90443
12	27	0.90	114425	75386

for Winter wheat in Fujian

WP*	HIo	R[^2]	RMSE	MAE
11	27	-1.130	143636	94658
11	24	-0.331	113553	72823
10	24	0.125	92047	56946
10	20	0.653	57953	30759
10	21	0.549	66123	37168

for Winter wheat in Gansu_1982-1999

WP*	HIo	R[^2]	RMSE	MAE
11	23	0.004	345316	281965
11	20	-1.082	499206	404631
11	22	0.005	345002	250744

for Winter wheat in Gansu_2000-2020

WP*	HIo	R[^2]	RMSE	MAE
10	20

Round 4

Start at 11:50

AquaCrop end at 17:40

End at 18:25

区域编号	区域名称
1. 春小麦区	黑龙江、吉林、辽宁、内蒙古、海南
2. 华北黄淮海冬小麦区	河北、北京、天津、山东、山西、河南
3. 长江中下游冬小麦区	江苏、上海、安徽、湖北、湖南、江西、浙江、福建
4. 西南山地冬小麦区	重庆、四川、贵州、云南、西藏
5. 西北干旱半干旱冬小麦区	陕西、甘肃、青海、宁夏、新疆
6. 南方丘陵冬小麦区	广东、广西

for Spring wheat area

WP*	HIo	R[^2]	RMSE	MAE
11	23	0.810	899314	683740

for HHH Winter wheat area

WP*	HIo	R[^2]	RMSE	MAE
12	26	0.387	10529195	8976356
10	26	0.162	12308652	10308157
13	26	0.100	12756883	10201983
11	32	-0.165	14512184	11691822
10	32	0.327	11031311	9257957
10	31	0.398	10432508	8947914
10	30	0.429	10155467	8855792
10	29	0.422	10225189	8861019
9	32	0.415	10280139	8874796

增加10%的土壤肥力胁迫，初始土壤含水量调整为90%FC，再以10 30 试一次 R2=0.424 RMSE=10202252 MAE=8904719

去掉土壤肥力胁迫，初始土壤含水量调整为70%FC，再以10 30试一次 R2=0.369 RMSE=10679402 MAE=9350173 明显通过简单的调整土壤含水量增加雨养条件下的水分胁迫不足以捕捉年际变化。WP*和HIo的调整似乎也遇到了瓶颈。接下来尝试缩短模拟年限，去掉模拟效果较差的早期年份。理由如下:早期数据质量可能较差，使AquaCrop难以模拟真实产量。1991年以后的数据，无论是农业技术、管理水平还是数据记录的质量，通常都比1980年代要好一些，更接近当前的情况，这可能使得模型对近未来更具预测性。

1982-1991为P1、1991-2000为P2、2000-2010为P3、2010-2020为P4

P1测试

WP*	HIo	R[^2]	RMSE	MAE	RRSME	MAPE
10	23	0.675	1729082	1492592	4.31%	3.84%
10	22	0.637	1828529	1472544	4.56%	3.55%

P2测试

WP*	HIo	R[^2]	RMSE	MAE	RRSME	MAPE
10	30	-0.358	5456458	4660745	10.28%	9.27%
10	28	0.297	3925751	3270311	7.39%	6.20%
10	29	0.133	4359703	3624689	8.21%	7.11%
10	27	0.131	4365016	3583276	8.22%	6.52%

P3测试

WP*	HIo	R[^2]	RMSE	MAE	RRSME	MAPE
10	29	0.010	6337298	5403981	10.97%	8.84%
10	30	0.377	5025497	4506772	8.70%	7.50%
10	31	0.580	4124548	3735899	7.14%	6.41%
10	32	0.619	3930049	3401800	6.80%	6.14%
10	33	0.493	4533602	3317467	7.85%	6.34%

P4测试

WP*	HIo	R[^2]	RMSE	MAE	RRSME	MAPE
10	33	-1.974	6839960	6372146	9.25%	8.46%
10	36	0.643	2369579	2036549	3.20%	2.77%
10	37	0.447	2949278	2398332	3.99%	3.37%
10	35	0.305	3306408	2727846	4.47%	3.58%

1982-2001 为PP1, 2001-2020为PP2

PP1

WP*	HIo	R[^2]	RMSE	MAE	RRSME	MAPE
10	25	0.378	5908885	5138097	12.61%	10.85%
10	26	0.392	5845051	5196390	12.48%	11.52%
10	27	0.284	6340281	5609725	13.53%	12.93%

PP2

WP*	HIo	R[^2]	RMSE	MAE	RRSME	MAPE
10	33	0.635	5652357	4669436	8.48%	6.95%
10	34	0.717	4979228	4002261	7.47%	6.28%
10	35	0.712	5021328	4027289	7.54%	6.67%

在PP1和PP2的HIo分别为0.392和0.717时R2=0.826、RMSE=5429426、MAE=4599326、RRSME=9.57%、MAPE=8.90%

本研究通过将1982-2020年划分为两个技术发展阶段，对AquaCrop模型进行了分时段校准。该方法旨在将由品种改良和管理进步驱动的宏观产量趋势纳入模型框架。校准结果显示，模型在区域尺度上对历史产量的模拟达到了较高的精度（R²=0.826）。需要指出的是，这一较高的R²得益于模型成功地拟合了技术进步所带来的长期趋势，同时也反映了区域尺度统计数据相对于站点观测数据具有更低的噪声和更高的平滑度。在此基础上，我们进一步引入机器学习模型，旨在捕捉AquaCrop未能解释的、由年际气候波动和极端天气事件引起的非线性残差……

---

如果“一套参数”的结果和“两时段”中最差的一段结果差不多，那么折腾分段的意义何在？

一个比喻

• 策略A：就像让一个学生（机器学习模型）去批改一份从头到尾都用错了公式（一套参数）的作业（AquaCrop模拟）。学生很难从中判断哪些是计算错误，哪些是公式本身的错误，最后可能只能给出一个基于整体印象的模糊分数。
• 策略B：就像让学生去批改两份作业，每份作业在各自的章节（时段）里都用了基本正确的公式（两套参数），只是在一些细节计算上（年际波动）有错误。现在学生可以清晰地针对每个章节的规则，找出具体的计算错误并进行修正。

结论：

直接用一套参数得到的R²=0.429，和分两时段后P1时段的R²=0.392，这两者是完全不等价的。

• 一套参数的R²=0.429 是一个低质量的结果，因为它掩盖了一个巨大的、贯穿始终的系统性偏差，其输出的特征在物理意义上是扭曲的。
• 两时段校准 虽然在P1时段的R²看起来不高，但它产出的是两组在各自时段内物理意义更正确、信息质量更高的特征。P1的低R²更多地反映了那个时代的数据和系统的固有复杂性，而不是模型过程本身的“错误”。

因此，策略B（两时段校准）为后续的机器学习提供了一个远比策略A更坚实、更可靠、更有学习价值的基础。 即使某个时段的R²看起来不完美，但其内部信息的“正确性”和“一致性”对于训练一个能学习到真实规律的智能模型来说，是至关重要的。

---