【目的/意义】 农业大数据爆炸式发展，加速农业生产迈入数字化、智能化新时代。作为新质生产力，大数据服务于粮食生产全过程综合智能化管理决策，面临粮食生产大数据资源治理机制不明、全链条化粮食生产决策核心算法体系缺乏且对外依存度高、粮食生产全过程全要素的大数据平台缺乏等问题。 【进展】 本文综合分析了国内外粮食生产大数据、农情监测与智能决策算法、大数据平台方面的相关进展和面临的挑战，面向产前规划、产中监测与决策、产后综合评价等粮食生产全程管理决策需求，构建由多源异构粮食生产大数据治理、粮食生产知识图谱、“数据获取-信息提取-知识构建-智能决策-农机作业”全链条标准化算法体系、 数字孪生典型应用场景等环节组成的粮食生产大数据智能平台。 【结论/展望】 应重点关注宏观管理监测和微观农场全程智能化生产作业需求，聚焦粮食生产典型应用场景，充分融合大数据与人工智能、数字孪生及云边端等新技术，探索技术联通集成为本，智能化服务为魂的大数据平台研发路径，创建开放式作物与环境传感接入、核心算法成熟度分级与云原生封装、高效数据与决策服务响应等为核心特色的开放共生型粮食生产大数据平台，实现数据-算法-服务全链条智能化、决策信息与智能装备作业一体化、粮食生产大数据平台与应用体系标准化，形成保障粮食安全高效绿色生产的新质生产力。

【目的】 现有的作物估产模型通常在灾害气候条件下的估产精度不高，本研究提出一种基于干旱天气指数减产率模型的改进分层线性模型（Improved Hierarchical Linear Model, IHLM），旨在提高在干旱条件下作物产量估算的精度。 【方法】 采用最大值的增强植被指数-2（Maximum Enhanced Vegetation Index 2, EVI2max）和每年3月~5月降水量，辐射量和气温等气象数据和2018—2021年山东省160个农情调查基点的冬小麦实测产量数据构建冬小麦产量预测基础分层线性模型（Hierarchical Linear Model, HLM）。考虑到气象因素的变异程度是影响作物生长的关键障碍因子，首先将气象因子相对性计算进行模型改进，并对改进的HLM模型与随机森林（Random Forest, RF）模型、支持向量回归（Support Vector Regression, SVR）模型和极端梯度提升（Extreme Gradient Boosting, XGBOOST）模型进行精度对比。然后引入农业保险行业的干旱天气指数减产率模型，对改进的HLM模型进一步优化，从而更加适应干旱条件下的作物估产。为了验证IHLM模型的迁移性，本研究将其应用于河南省进行对比分析，以评估该模型在不同地理和气候条件下的表现。 【结果和讨论】 基于相对气象因子（Relative Meteorological Factors, rMF）改进的HLM模型精度相比于RF、SVR和XGBOOST更高，验证精度皮尔逊相关系数r为0.76，均方根误差（Root Mean Square Error, RMSE）为0.60 t/hm²，归一化均方根误差（Normalized Root Mean Square Error, nRMSE）为11.21%。在干旱条件数据集中，利用冬小麦干旱天气指数和冬小麦减产率的关系对模型进行了改进，改进之后RMSE减少了0.48 t/hm², nRMSE减少了28.64个百分点，提高了IHLM模型在干旱条件下的精度。 【结论】 该研究对冬小麦产量HLM模型进行改进，提高了模型精度，在干旱情况下模型精度和稳定性有一定提升，相比于RF、SVR、XGBOOST模型，IHLM模型更适合对冬小麦产量预测。