综述：农业生态系统中产量差距建模的综合见解：定义、理论框架和多维视角（综述）

本综述聚焦产量差距（实际产量与潜在产量之差），系统梳理其定义、理论框架及多维分析视角。评估作物模拟模型（CSMs）等 5 种常用方法的优劣与应用，探讨数据稀缺等挑战及标准化路径，为提升农业生产力、保障粮食安全提供方法论参考。

　　

农业生态系统产量差距研究：定义、方法与挑战

产量差距的核心内涵

产量差距指实际作物产量与最优管理下的潜在产量之差（Schils et al., 2022；Hochman et al., 2013；Van Ittersum et al., 2013），亦可是受天气、水肥、病虫草害等因素限制的产量与实际产量之差（Van Ittersum & Rabbinge, 1997）。其形成源于生物物理条件不足、耕作方式落后（Mohammadzadeh et al., 2025）及土地潜力未充分利用（Mueller et al., 2012），精准评估需结合区域气候、地形与土壤条件（Fischer, 2015）。

产量差距评估的方法论体系

研究系统梳理了五类主流方法：

1. 作物模拟模型（CSMs）：通过构建作物生长过程模型预测潜在产量，优势在于可模拟不同环境条件的影响，但依赖高质量数据输入，参数本地化校准难度较大。
2. 卫星 imagery 技术：利用遥感数据获取大范围作物长势信息，能实现宏观尺度监测，然而空间分辨率与数据时效性制约其精度。
3. 边界线分析（BLA）：作为经典统计方法，由 Webb（1972）提出，通过拟合产量与影响因子的边界曲线识别限制因素，已广泛应用于肯尼亚木薯、阿根廷向日葵等作物研究（Fermont et al., 2009；Grassini et al., 2009），但对异常数据敏感。
4. 其他统计与机器学习方法：包括回归分析、随机森林等，可挖掘多因子关联，但需警惕过拟合风险。
5. 多方法集成技术：随研究尺度扩大，融合遥感、模型与田间实测数据成为趋势，以克服单一方法局限性。

关键挑战与突破路径

当前研究面临两大核心问题：

• 数据瓶颈：全球数据库（如 Iizumi et al., 2013；You et al., 2014）虽不断扩容，但大量数据源于粗尺度信息重组，经调整后呈现的 “精细分辨率” 可能误导分析。
• 方法学异质性：不同方法对相似条件下的产量差距评估结果常存在显著差异，导致决策参考价值下降。

应对策略包括：

1. 推动数据采集标准化，强化田间实测数据占比；
2. 建立跨方法验证框架，提升结果一致性；
3. 开发适应气候变化的动态模型，纳入 CO₂施肥效应、极端天气事件等变量。

研究意义与未来方向

本综述揭示，养分管理、基础农艺措施等是全球范围内普遍存在的产量限制因子。通过整合多学科方法，可优化区域农业资源配置，助力在耕地面积有限的背景下实现 “藏粮于技”。未来研究需进一步聚焦：

• 气候变化与产量差距的动态耦合机制；
• 小农户生产系统的精准适配技术；
• 数字孪生等新兴技术在产量预测中的应用。

研究强调，加强产量差距分析的科学性与实用性，对构建气候韧性农业系统、应对人口增长与资源约束双重挑战具有战略意义。