机器学习评估气候变化对中国新疆小麦产量的影响及未来预测

为解决气候变化对小麦产量的影响机制问题，研究人员采用机器学习(ML)和全球气候模型(GCMs)，分析了1999-2018年新疆春小麦与冬小麦的产量时空变异特征。通过随机森林(RF)等模型预测发现：春小麦产量将增长4.6%-6.4%，而冬小麦下降3.9%-4.8%，降水(Pre)和温度(Tmean/Tmin)是关键驱动因子。该研究为干旱区农业适应策略提供了数据支撑。

　　

气候变化正对全球粮食安全构成严峻挑战，而小麦作为三大主粮之一，其产量波动直接影响人类生存基础。中国新疆作为典型干旱区，既是重要的小麦生产基地，又是气候变化的敏感带。过去研究多聚焦于单一气候因子或静态模型分析，缺乏对春小麦与冬小麦差异响应的动态评估，更鲜见基于机器学习的多模型对比预测。这种知识空白使得当地农业部门难以制定精准的适应策略。

针对这一科学问题，中国的研究团队在《Agricultural Water Management》发表了一项突破性研究。他们整合了19个农业气象站1999-2018年的小麦产量数据和日尺度气候观测（包括平均温度T_mean、最高温度T_max、最低温度T_min、降水Pre和日照时数Sun），结合CMIP6的13个全球气候模型未来情景数据，首次系统评估了新疆小麦对气候变化的响应机制。研究采用改进的Mann-Kendall趋势检验分析历史变化特征，通过一阶差分法消除技术干扰，并运用随机森林(RF)、弹性网络(EN)、梯度提升(GBR)等五种机器学习模型进行预测性能比较。

3.1. 气候与产量的时间变异特征
春小麦生长季的降水变异系数(0.20-0.59)显著高于冬小麦(0.30-0.66)，但春小麦产量波动更大（变异系数0.06-0.25）。温度升高趋势在春小麦区更明显，其中T_min增速达0.033℃/年，而冬小麦区T_mean呈下降趋势(-0.062℃/年)。

3.2. 气候驱动的产量趋势分离
尽管春小麦和冬小麦单产分别以55.3 kg·ha^-1·a^-1和32.1 kg·ha^-1·a^-1的速度增长，但气候因素的贡献率不足20%，表明品种改良和农艺措施是主因。

3.3. 关键气候因子识别
随机森林特征重要性分析显示：春小麦最敏感因子为降水（重要性0.375）、T_mean(0.189)和日照(0.160)；冬小麦则受降水(0.317)、T_min(0.274)和T_max(0.155)主导。这与皮尔逊相关性结果一致——例如Zhaosu站春小麦产量与降水显著正相关(P<0.05)，而Barkol站呈负相关，反映灌溉条件的区域异质性。

3.6. 未来情景预测
在SSP45和SSP85情景下，2030-2060年新疆将面临生长季增温(0.81-1.45℃)、降水增加(4.44-8.93%)但日照减少(-0.21至-1.04%)的复合变化。模型预测春小麦产量平均提升4.6-6.4%，而冬小麦下降3.9-4.8%，主要归因于冬季升温导致的生育期缩短和热胁迫加剧。

这项研究的创新性在于揭示了作物类型特异性响应机制：春小麦受益于生长季水热同步增加，而冬小麦受冬季变暖的负面影响更显著。研究者建议采取分区适应策略——春麦区优化灌溉制度，冬麦区调整播期以规避极端低温。该成果不仅为干旱区农业规划提供了量化工具，其构建的RF预测框架（R²达0.70）也可推广至其他作物评估。未来研究需整合CO₂肥效和极端事件模块，以进一步提升预测精度。