用于改进作物模型模拟的生成式天气

准确且精确的作物产量预测对于农场和区域两级的决策制定具有极其重要的价值。为了进行产量预测，作物模型因其模拟假设情景的能力而被广泛使用。虽然产量预测的准确性和精确性关键取决于模拟的天气输入，但令人惊讶的是，很少有人关注天气输入的准备工作。我们提出了一种新方法来构建用于长期天气预报的生成模型，并最终改进作物产量预测。我们在两个代表性场景中演示了该方法的使用——小麦、大麦和油菜的单年生产，以及使用这些作物轮作的三年生产。结果表明，以预测误差的均值和标准差衡量，相较于传统方法有显著改进。在第一个场景中，我们的方法在 18 项指标中的每一项都优于传统方法；在第二个场景中，则在 36 项指标中的 29 项上优于传统方法。为了让个体作物建模者开始将该方法应用于其问题，我们详细解释了技术细节，并公开了所有代码、训练好的 PyTorch 模型、APSIM 模拟文件和结果数据。