产量波动会显著影响农民收入和农产品市场，因此亟需更准确的产量预测，以优化田间管理并稳定农业生产。本研究提出了一种融合气候动力模式、作物模型和人工智能（AI）的混合预测框架，可在作物关键生育阶段开始时（开花期、灌浆期和成熟期）提供滚动式产量预测。以华北夏玉米为例，结果表明，该框架具有较强的区域适应性，能够较好地模拟产量气候态、年际变率以及产量极端事件。为减少实时气候动力预测带来的误差，本研究采用 U-Net 神经网络对关键气象驱动因子进行偏差订正。在预测表现最佳的阶段，模型预测产量与观测产量之间的时间相关系数（TCC）达到 0.54，绝对产量的归一化均方根误差（NRMSE）低至 0.10，对产量增减的预测精确率和召回率最高达到 0.70。与未经 AI 订正，直接由原始动力预报驱动的基准预测相比，该混合框架的相关技巧最高提升了 150.0%。在典型案例中，与不采取干预措施的情景相比，基于预报信息进行优化施肥措施可使产量提高 276.9%，并使经济损失减少 92.9%。
 

subseasonal to seasonal,yield prediction,climate services,CD-AI-CM hybrid model