机器学习揭示加纳玉米(Zea mays L.)产量变异的关键驱动因素：氮肥与土壤镁的协同效应

本研究针对加纳玉米产量低且变异大的问题，通过随机森林(RF)、梯度提升(GB)和Cubist三种机器学习(ML)模型分析5213组田间试验数据，发现氮肥(NF)和土壤交换性镁(Mg)是影响产量的关键因素，NF(0-240 kg ha?1 )和Mg(0.5-2.4 mEq 100 g?1 )分别贡献最高达293 kg ha?1 和287 kg ha?1 的增产效应，为优化施肥策略提供科学依据。

　　

加纳作为西非重要的玉米生产国，其玉米产量长期低于潜在水平（2.4 t ha^?1
vs. 7-9 t ha^?1
），且存在显著时空变异。尽管政府推行化肥补贴政策使氮肥用量从2000年代的2 kg ha^?1
提升至2020年的30 kg ha^?1
，但土壤养分耗竭、气候多变等因素导致增产效果不稳定。传统统计方法难以解析多因素非线性关系，而过程模型又无法涵盖实际生产中的复杂限制因子。为此，国际肥料发展中心(IFDC)等机构的研究团队采用机器学习(ML)方法，首次系统量化了2000-2022年间加纳四大农业生态区(AEZ)5213组玉米试验数据中产量变异的驱动机制。

研究采用嵌套20×10折交叉验证优化随机森林(RF)、梯度提升(GB)和Cubist(CUB)模型参数，通过SHAP值(Shapley Additive exPlanations)和H统计量解析变量重要性及交互效应。数据涵盖39个协变量，包括气候(如降雨RAIN、最低温TMIN)、土壤(如交换性镁Mg、pH)、地形和管理措施(如氮肥NF、品种VAR)，所有数值变量均经标准化处理。

4.1 产量变异特征
玉米产量变异系数(CV)达55%，施肥处理平均降低变异15%。不同AEZ中，苏丹草原(SS)产量最高(4.3 t ha^?1
)，几内亚草原(GS)变异最大(CV=56%)。未施肥地块产量中位数仅1.6 t ha^?1
，显著低于施肥地块(2.7 t ha^?1
)。

4.2 模型预测性能
三种模型预测精度相近，CUB和RF的模型效率系数(MEC)均为0.69，平均绝对误差(MAE)630 kg ha^?1
。在SS区预测最优(CCC=0.87)，森林-草原过渡带(FST)表现较弱(CCC=0.68)。模型间预测结果高度相关(r>0.97)，但CUB对极端值响应更敏感。

4.3 关键驱动因素
NF和Mg被所有模型列为前两位重要变量：

• 氮肥效应：NF在0-240 kg ha^?1
  范围内呈正效应，GB模型显示120 kg ha^?1
  后增益趋缓，但>150 kg ha^?1
  时出现二次增长。SS区响应最强(341 kg ha^?1
  )。
• 镁元素作用：Mg在0.8-1.8 mEq 100 g^?1
  时促进增产，FST区贡献达339 kg ha^?1
  。超过1.8 mEq 100 g^?1
  则效益下降，可能与养分失衡有关。

4.3.4 交互效应
Mg×NF和Mg×SMS(土壤饱和含水量)是主要交互项：

• 当Mg>0.8 mEq 100 g^?1
  时，NF效果提升30%；
• 高SMS(>38%v)会加剧Mg淋失，尤其在Mg<1.0 mEq 100 g^?1
  时导致减产。

5.1 气候与土壤限制
几内亚草原(GS)的浅根层(<80 cm)和排水不良在降雨>750 mm时显著减产，而最低温(TMIN)24.5°C以下每升高1°C平均增产136 kg ha^?1
。蒸汽压亏缺(VPD)增加则通过加剧蒸腾抑制生长。

这项研究首次通过多模型对比揭示了镁元素在热带玉米系统中的关键地位，挑战了传统NPK施肥范式。CUB模型由于终端节点的线性回归特性，更易捕捉极端值效应，但其"激进"的外推倾向需谨慎解读。实践层面，建议在加纳推广含镁肥料(如镁铵磷)，尤其在多雨生态区配合深松改良根区排水。未来研究应整合动态土壤监测数据，并采用因果机器学习区分相关与因果效应。

论文发表于《Computers and Electronics in Agriculture》，为撒哈拉以南非洲地区的精准农业实践提供了范式转换的证据——在资源受限条件下，通过机器学习解析复杂农艺互作，能更高效地识别优先干预靶点。该成果对实现联合国可持续发展目标(SDGs)中的零饥饿目标具有重要战略意义。