摘要基于气候的作物产量建模已得到广泛研究，但在年度区域尺度上，气候信号相对于时间持久性的边际预测价值仍缺乏充分探讨。本研究利用2000年至2023年的匿名多区域面板数据，分析长期产量预测能力的结构差异。研究构建了汇总型的一步预测机器学习框架，并与简单的持续性基准模型进行对比，以评

　　基于气候的作物产量建模已得到广泛研究，但在年度区域尺度上，气候信号相对于时间持久性的边际预测价值仍缺乏充分探讨。本研究利用2000年至2023年的匿名多区域面板数据，分析长期产量预测能力的结构差异。研究构建了汇总型的一步预测机器学南宫官方网站习框架，并与简单的持续性基准模型进行对比，以评估气候和种植面积信号所带来的额外贡献。研究结果显示出明显的作物差异性：对于棉花而言，仅考虑气候因素的模型预测能力有限，而纳入种植面积后预测性能显著提升，测试R2值约为0.72，与持续性基准模型的R2值（0.71）相当。相比之下，小麦在汇总数据集中表现出以持续性为主的预测特征，其持续性模型的测试R2值高达0.99。进一步分析表明，这种高预测性能主要源于区域间的稳定差异，而非区域内异常强的时间持续性。这些发现表明，年度区域作物产量预测能力具有很强的作物依赖性，可能受生产系统时间稳定性南宫官方网站的限制。在本研究采用的年度聚合分析中，仅依靠气候信号无法超越持续性模型的预测效果。在高度稳定的作物系统中，持续性因素可能解释了大部分可预测的变异。不过，这些结果应被视为特定规模和数据的证据，而非对气候驱动的产量预测能力的最终结论。研究结果强调了在农业预测研究中考虑持续性因素以及设计合理基准的重要性。