Comparative Analysis of Spatial Statistical Methods for Modelling Rice Yield Variability in Uniformity Trials

空间异质性是农业景观的基本特征，准确模拟其对作物产量的影响对于精准农业至关重要。本研究对空间统计方法与机器学习方法进行了比较分析，以模拟具有强空间依赖性的田块中的产量变异性。初步地统计分析确认了显著的正空间自相关（Moran's I = 0.7355，p < 2.2e-16）。研究评估了一系列模型，从线性趋势面和多项式趋势面逐步推进到空间回归（滞后模型和误差模型）、混合效应模型以及随机森林集成模型。结果表明，尽管传统空间模型能够有效捕捉并解释空间自相关，但随机森林模型在预测精度上显著优于所有其他模型，其均方根误差（36.05）比最佳空间回归模型低31%，并解释了71.02%的方差。在空间模型中，带有行×列交互项的二次趋势面提供了最简约的拟合，揭示了沿行方向产量增加的加速趋势以及沿列方向的U型模式。随机森林模型的残差未显示出统计学上显著的剩余空间自相关（Moran's I p值 = 0.97）；然而，我们提醒，未能拒绝空间随机性并不能证明其不存在。等效性检验（TOST）和功效分析支持空间依赖性已被充分捕捉的结论。我们得出结论：诸如随机森林之类的机器学习集成方法在产量制图方面具有更优越的预测能力，尽管空间回归模型对于提供简约且可解释的见解——揭示驱动产量变异性的潜在结构性梯度——仍然具有重要价值。