《Agricultural Systems》：Management zones for climate-resilient precision agriculture: A critical review of temporal stability, machine learning and seasonal climate information
编辑推荐：
气候韧性精准农业（climate-resilient precision agriculture）的核心策略之一是管理分区（management zones）的划定，即依据相对均一的生物物理条件将田块划分为亚田块单元，以支持单一管理方案的实施。该策略旨在通过优
气候韧性精准农业（climate-resilient precision agriculture）的核心策略之一是管理分区（management zones）的划定，即依据相对均一的生物物理条件将田块划分为亚田块单元，以支持单一管理方案的实施。该策略旨在通过优化投入与环境响应之间的交互关系，提升盈利性与可持续性，同时减少低响应区域的资源浪费。传统分区路径分为土壤驱动型与生产力驱动型两类，而集成型分区框架则融合土壤属性与多年产量数据，以更高效地识别限产因素，并形成更具时间稳定性的分区单元。然而，管理分区的有效性并非静态，而是受季节条件显著影响，尤其在雨养农业系统中，气候变率构成最大的不确定性与财务风险来源。尽管已有证据表明季节气候预报（seasonal climate forecasts, SCF）可用于指导既有分区内的管理决策，但气候变量在分区划定中的应用仍局限于静态数据（如温度与降水），尚未实现动态气候信号的系统整合。此外，基于年度产量或土壤属性的分区划定通常每一至两个生长季即需重复进行，该过程资源密集、成本高昂，形成可持续性瓶颈。本综述旨在综合当前管理分区划定方法、影响分区稳定性的农艺因素，以及季节气候预报在分区划定与管理决策中的整合现状，并回答三个核心问题：哪些农艺变量（土壤物理、化学、地形、光谱及生产力变量）决定管理分区的时间与空间稳定性；哪些机器学习方法已被用于管理分区划定，且这些方法在预测精度与可解释性方面如何比较；现有证据如何支持将经济考量、气候风险与季节气候预报整合至精准农业管理分区框架中。综述采用主题综合法，通过两阶段迭代检索策略，从Scopus与Web of Science等核心数据库识别文献，最终纳入61篇研究。证据评估显示，土壤物理属性（如容重、质地）构成最可靠的空间锚点，而机器学习方法（如模糊C均值聚类、随机森林、XGBoost等）在数学模式识别方面表现优异，但外部操作效度与可解释性证据不足。气候风险与经济整合研究主要依托作物模拟模型与决策框架，但缺乏田间尺度的实证耦合。综述进一步提出一个概率框架，将稳定分区与气候风险关联，并量化信息价值（Value of Information, VoI），以增强农户在高度变率雨养环境中的经济韧性。该框架强调，稳定分区应基于持久性土壤物理属性与多年产量数据，而动态气候信息则应用于分区内的管理决策调整，从而实现从算法分区到气候知情决策的系统性跃迁。
一、研究背景与问题提出
精准农业实施的基本策略之一是管理分区（management zones）的划定，即将田块划分为生物物理条件相对均一的亚田块区域，以支持单一管理方案的实施。该策略的核心动机在于通过优化投入与环境响应之间的交互关系，提升农业系统的盈利性与可持续性，同时减少低响应区域的资源浪费。传统分区路径主要分为两类：土壤驱动型分区，旨在捕捉土壤物理与化学变异性，建立代表稳定固有生长环境的分区；以及生产力驱动型分区，聚焦产量结果，通过识别显著解释历史产量模式的土壤特征或直接利用多年产量监测数据进行分区。在日益复杂的框架中，土壤与生产力数据的组合被用于确保分区整合生物物理基础、农艺响应及经济决策。集成型分区方法能更高效地识别限产因素，产生更稳定的分区结果，并增强决策稳定性。
然而，管理分区的有效性并非静态，而是受季节条件显著影响。在雨养农业系统中，气候变率是最大的不确定性与财务风险来源。理解气候信息（如季节气候预报，seasonal climate forecasts, SCF）的价值对于改善管理决策与农场韧性至关重要。尽管已有明确证据表明季节气候预报可用于指导既有分区内的管理决策，但气候变量在管理分区划定中的应用仍局限于静态数据（如温度与降水），而非动态季节气候预报。此外，管理分区划定过程资源密集，基于年度产量或土壤属性的分区通常每一至两个生长季即需重复进行，成本高昂，形成可持续性瓶颈。识别时间与空间稳定性的驱动因素因此至关重要：建立可在多个生长季保持有效的分区，可显著降低重复划定频率，降低农户进入门槛，增强位点特异性管理的长期可行性。
基于上述背景，本综述旨在回答三个核心问题：哪些农艺变量（土壤物理、化学、地形、光谱及生产力变量）决定管理分区的时间与空间稳定性；哪些机器学习方法已被用于管理分区划定，且这些方法在预测精度与可解释性方面如何比较；现有证据如何支持将经济考量、气候风险与季节气候预报整合至精准农业管理分区框架中。综述最终目标是开发一个考虑时间与空间稳定性的管理分区划定框架，聚焦气候风险与多学科数据整合如何改善决策稳定性与农场韧性。
二、研究方法概述
研究人员采用主题综合法（thematic synthesis）对管理分区稳定性及其在气候风险知情决策框架中的应用进行批判性评估。文献识别采用两阶段迭代检索策略，覆盖Scopus与Web of Science核心数据库，以2000年为出版年份下限。针对三个研究问题分别设定纳入与排除标准，并采用三个独立检索簇：农艺稳定性驱动因素、机器学习算法性能、气候风险经济整合。数据库检索共获得464篇论文，去除69篇重复后，经筛选排除350篇，最终纳入61篇作为综述证据，其中45篇来自数据库检索，16篇通过参考文献追踪与定向检索补充。纳入研究的方法学质量采用八项标准系统评估，包括实验验证、田间尺度验证、时间重复、样本量与空间范围、独立验证、统计与模型验证、经济验证及气候验证。综合过程采用三阶段归纳编码方法：初步熟悉、主题编码与主题整合。此外，研究人员从气候风险与经济整合文献中进一步筛选出14篇涉及季节、亚季节或长期预报信息的文献，按国家或地区、作物、预报变量与来源、预报类型、提前期、决策层级及所评估的管理决策进行编码，并记录预报是否影响管理分区划定或既定分区内的处方调整。
三、研究结果
3.1 农艺因素与管理分区的系统定义
文献综合显示，管理分区划定主要锚定于土壤基变量，并日益与高分辨率光谱及生产力数据整合。土壤物理属性如容重、土壤质地（砂粒、黏粒与粉粒含量）构成空间变异性的基础驱动因素，常被引为主要系统性能约束。土壤表观电导率被广泛用作复杂土壤交互作用的代理指标。化学属性方面，土壤有机质或腐殖质含量与pH成为分区定义及其时间系统一致性的关键因素。遥感与地形变量提供高分辨率数据，归一化植被指数（Normalised Difference Vegetation Index, NDVI）等植被指数被用于捕捉作物响应变异性，并通过数据融合技术与其他数据源整合。地形特征如相对高程、坡度与亮度指数也被用于表征景观对水分与养分分布的影响。生产力数据方面，研究利用两至九个作物季的多年产量数据集，将田块归一化并划分为高、中、低产量潜力区域。然而，仅依赖产量数据存在风险：若不整合多学科数据层，系统无法区分分区的固有潜力与实际表现，可能导致投入分配低效。
3.2 时间稳定性与管理分区的操作可靠性
管理分区的时间稳定性不仅是技术要求，更是农场整体经济韧性与精准农业操作可行性的关键决定因素。若分区边界在季节间发生不稳定漂移，信息价值将降低，因为重新实施新处方的成本可能超过精度提升的边际收益。证据表明，当分区锚定于跨季节持续存在的限产因素时，稳定性最高。文献通过变异系数（coefficient of variation, CV）与平均归一化产量量化田块生产力稳定性。一个关键系统发现是空间复杂度与可靠性之间的权衡：简化的三至四个分区可在空间信息量与时间稳定性之间提供最优平衡。文献采用多样化指标评估分区有效性，包括聚类优化指标（模糊性能指数、归一化分类熵、修正划分熵、平均轮廓系数、Calinski-Harabasz指数）、空间一致性指标（全局精度或Kappa系数、Jaccard与Dice系数）、分区内同质性指标（平滑指数、碎片化指数、方差缩减、变异系数）、时间稳定性指标（多年归一化产量的均值或标准差、归一化产量变异系数）及农艺验证指标（Moran's双变量空间自相关、方差分析与Tukey诚实显著性差异检验）。
3.3 从算法精度到决策可靠性：机器学习框架
管理分区划定从传统无监督聚类向混合与深度学习架构的转变，反映了在预测能力与操作效用及模型可解释性之间寻求平衡的持续演进。无监督聚类，特别是模糊C均值（Fuzzy C-Means）及其变体，仍占主导地位，因其能反映生物系统中固有的模糊过渡。K-Means常作为基准方法，层次聚类（Ward法）用于土壤物理质量分区。近期研究表明，谱聚类与深度聚类（整合自编码器与聚类）相比传统K-Means与模糊C均值具有更优性能，但综述揭示了一个关键的"可解释性缺口"。监督学习技术主要用于预测产量模式、识别显著农艺限产因素或空间趋势。随机森林（Random Forest）因其高预测精度与特征重要性排序能力而受青睐，XGBoost与支持向量机（Support Vector Machines, SVM）也提供稳健的连续产量预测。然而，集成方法的"黑箱"特性构成农户采纳的障碍。文献强调，最精确的模型若缺乏透明度，未必是最有效的。可解释人工智能（Explainable AI, XAI）框架（如SHAP、LIME）的使用正在兴起，但现有综合中少有实证研究在管理分区背景下对其充分评估。
3.4 将经济考量与气候风险整合至系统决策
经济考量与气候风险整合至管理分区划定，代表了从生物物理空间划分向以系统韧性为核心的决策导向框架的转变。文献表明，虽然分区技术能力日趋成熟，但经济优化与前瞻性气候风险（特别是通过季节气候预报）的纳入仍是农场级决策支持中发展不足的前沿领域。气候变率被确认为水限环境中农业生产系统波动与财务风险的最重要因素。缺乏气候风险整合导致系统性"谨慎偏差"：农户常采取保守策略以避免灾难性损失，但未能利用有利季节的"上行空间"。对14篇预报相关文献的编码显示，这些文献覆盖九个国家，涉及多种作物，评估的决策包括播种日期、是否种植、氮肥管理、种植密度、播种量、品种与作物组合选择、灌溉或水分管理、收获等。大多数文献涉及农场级决策，3至6个月预报提前期最常见。然而，14篇文献中无一报告使用预报信息改变管理分区边界、分区数量或分区成员，也无一报告在既定亚田块管理分区内实施预报条件化的分区特异性变量率处方。因此，文献表明季节及相关预报信息已应用于多种农业决策，但尚未证明预报信息与亚田块管理分区划定或分区内处方之间存在直接实证耦合。近期方法学进展包括使用贝叶斯层次收缩模型与机器学习算法整合实时天气数据，以预测经济最优种植密度与氮需求，这些概率框架有助于量化气候数据的信息价值（Value of Information, VoI）。尽管存在潜在收益，文献识别了阻碍经济与气候风险整合至农场管理决策的重大系统性与实践障碍，包括季节气候预报经济价值实证证据缺乏、复杂预报数据应用于具体管理决策的示范不足、高实施成本与农户数字素养有限，以及概率预报固有不确定性对农户信任的负面影响。
四、讨论与结论
综述支持对证据的三层解读：已确立证据涉及相对持久的生物物理驱动因素与多年观测在定义空间连贯管理分区中的作用；新兴证据涉及更复杂算法中预测性能、时间稳定性、可解释性与操作可行性之间的权衡；拟议整合涉及利用季节气候预报与经济信息价值调整稳定分区内的管理。已确立证据表明，相对持久的土壤物理属性（如土壤质地、容重与地形）为管理分区提供最可靠的空间锚点，尤其是当它们与观测产量响应关联而非孤立使用时。因此，重要区分在于相对稳定的空间决定因素（如土壤质地、容重与地形）与动态状态变量（如季节降雨、作物状况与预报信息）之间：前者最适于定义基线空间单元，后者最适于指导这些单元内所应用的管理。新兴证据显示，复杂机器学习模型虽提供高空间细节，但其"黑箱"特性与外部操作效度不足限制了农户采纳。拟议整合框架提出，稳定分区应基于持久性土壤物理属性与多年产量数据建立，而动态气候信息则应用于分区内的管理决策调整，从而实现从算法分区到气候知情决策的系统性跃迁。该框架通过量化信息价值，为增强高度变率雨养环境中位点特异性管理的经济韧性提供了路径。研究结论强调，将土壤物理属性与多年产量整合有助于稳定分区，减少资源密集的重复划定；综述识别了季节气候预报在田间级与亚田块级分区决策应用之间的缺口；所提出的概率框架将稳定分区与气候风险关联，并量化信息价值以增强农户韧性。
