《Agricultural Water Management》：Explainable artificial intelligence for hydroclimatic controls and mid-century cotton yield projections across Texas
编辑推荐：
本研究表明，随机森林（Random Forest, RF）模型在North Central地区灌溉棉花的验证中表现最优（r = 0.867）。对于去趋势产量（detrended yield）变率，降水（Precipitation, PR）具有最高的全局SHAP
本研究表明，随机森林（Random Forest, RF）模型在North Central地区灌溉棉花的验证中表现最优（r = 0.867）。对于去趋势产量（detrended yield）变率，降水（Precipitation, PR）具有最高的全局SHAP（SHapley Additive exPlanations）重要性（0.011 t ha?1）。在中期（mid-century，即2030—2050年）时段，德克萨斯州各棉花种植区的月最高气温（TMAX）升高了0.94–2.09 °C，而降水量（PR）则下降了5.83–18.88%。总体产量在高地平原（High Plains, HP）下降了7.2–8.3%，但在低起伏平原（Low Rolling Plains, LRP）增加了5.0–5.3%。South Central地区的非灌溉产量下降了7.9–9.1%，而Upper Coast地区的灌溉产量则增加了3.8–4.6%。
气候变化正通过气温上升、降水格局改变、大气蒸发需求增加及土壤水分可利用性变化等途径深刻影响农业生产。德克萨斯州作为美国重要棉花产区，水资源约束日益突出，未来气候变化与用水需求增长可能进一步加剧区域水资源短缺。然而，现有研究多集中于高地平原，对全州不同生态区和生产系统的综合考量不足。同时，传统多元线性回归（Multiple Linear Regression, MLR）难以刻画非线性响应与交互作用，而随机森林（Random Forest, RF）等机器学习模型的可解释性不足。如何将非线性产量建模与可解释归因相结合，仍是亟待解决的问题。此外，如何有效分离水文气候变率与长期技术和管理变化带来的产量趋势，以及评估多气候模式集合下的未来产量响应，也是当前研究的关键缺口。
研究人员围绕上述缺口，构建了整合区域水文气候与棉花产量的建模框架。研究以1968–2014年德克萨斯州六个主要气候分区（High Plains, HP；Low Rolling Plains, LRP；North Central, NC；South Central, SC；Upper Coast, UC；Lower Valley, LV）的县-年（county-year）产量数据为基础，将总体、灌溉和非灌溉产量分别建模，采用区域物候生长季窗口聚合水文气候预测因子，并结合去趋势（detrending）处理消除长期技术和管理变化的影响。研究人员分别构建RF和MLR模型，利用时间独立验证评估性能，进而应用SHAP（SHapley Additive exPlanations）方法量化各水文气候因子的贡献。未来预测时段为2030–2050年（中期）和2080–2100年（远期敏感性分析），驱动数据来自GFDL-CM4和GFDL-ESM4两个CMIP6气候模式，并构建双模式集合。该研究揭示了不同区域和生产系统下棉花产量的水文气候控制机制，评估了中期气候条件下的产量响应，为德克萨斯州制定差异化的气候适应策略和水资源管理提供了科学依据。
研究人员综合应用了多种关键技术方法。在数据处理方面，基于USDA-NASS县-年产量数据和NCEI气候分区信息，采用区域物候生长季窗口聚合历史与未来气候数据；利用MWBM生成PET、AET和STOR等水文气候预测因子；对县-年产量进行线性去趋势处理以分离年际水文气候变率。在模型构建方面，针对六个气候分区和三种生产系统分别建立RF和MLR模型，采用时间截断验证（training至2000年，验证2001–2014年）。在可解释性分析方面，运用SHAP方法量化预测因子对RF模型去趋势产量异常的贡献。在未来模拟方面，采用LOCA2降尺度数据，分别驱动GFDL-CM4和GFDL-ESM4模式，并构建双模式集合评估中期和远期产量响应及模式间差异。
**研究结果**
*历史棉花产量与水文气候关系*
研究人员基于历史描述性统计与趋势分析发现，1968–2014年间不同气候分区和种植系统的棉花产量分布差异显著，总体平均产量介于NC 0.347 t ha
?1与LV 0.625 t ha
?1之间，变异系数（CV）从LV的29.9%到SC的57.0%不等。历史相关性分析显示，水文气候变量与产量的关系具有明显的空间异质性，NC灌溉棉花的正相关最强，其中月最高气温（TMAX, r = 0.66）、月最低气温（TMIN, r = 0.46）和潜在蒸散发（PET, r = 0.38）与产量正相关，而HP部分区域则呈现负相关。
*基于区域物候预测因子的模型性能*
模型性能评估表明，RF验证相关系数（r）范围在?0.009至0.867之间，MLR则为0.085至0.769。RF在NC灌溉棉花中表现最优（r = 0.867），显著优于MLR（r = 0.392），但在UC非灌溉棉花等组合中RF几乎无预测能力（r = ?0.009），而MLR表现更好（r = 0.314）。合并验证结果显示，RF对总体、灌溉和非灌溉棉花的合并r分别为0.75、0.54和0.62，但存在系统性低估倾向，且对极端高值预测不足。
*SHAP对棉花产量变异性的水文气候贡献*
SHAP分析揭示，棉花产量年际变率受多重水文气候因子共同驱动，不存在单一主导因子。合并分析中，降水（PR）具有最高的全局平均绝对SHAP值（0.011 t ha
?1），其次为实际蒸散发（AET）和月最高气温（TMAX）（各0.008 t ha
?1），土壤水储量（STOR）和月最低气温（TMIN）均为0.007 t ha
?1，潜在蒸散发（PET）为0.006 t ha
?1。SHAP依赖图显示各因子具有显著非线性及方向变化特征：TMAX在观测范围高端产生较大正贡献，而极高TMIN值与负贡献关联；PR在极低水平时呈强负贡献，中高水平趋近于零。
*中期棉花产量预测：2030–2050年*
研究人员通过随机森林模型预测发现，2030–2050年间不同分区和种植系统的气候条件产量存在显著差异。总体产量在HP和LRP分别呈现下降和上升趋势，灌溉棉花的预测产量普遍高于非灌溉棉花。GFDL-CM4和GFDL-ESM4产生的区域格局 broadly similar，双模式集合在多数分区显示SSP245与SSP585之间差异相对较小。
*预测水文气候和棉花产量变化的空间与时间格局*
研究人员通过对比分析发现，相对于2000–2014年基线，六个分区的月最高气温（TMAX）升高0.94–2.09 °C，月最低气温（TMIN）升高0.18–1.58 °C，降水量（PR）普遍下降5.83–18.88%，潜在蒸散发（PET）增加1.51–6.50%，而实际蒸散发（AET）和土壤水储量（STOR）呈现更大区域分异。总体产量在HP下降7.2–8.3%，在LRP增加5.0–5.3%，SC下降3.4–2.4%，UC和LV略有上升。分生产系统看，SC非灌溉产量下降7.9–9.1%，而UC和LV灌溉产量分别增加3.8–4.6%和3.7–4.2%。远期（2080–2100年）响应更为剧烈且依赖情景，SSP585并未在所有区域一致导致更大减产。
**讨论部分总结**
研究人员指出，历史产量趋势不能仅归因于水文气候条件，品种遗传、灌溉、农艺管理等因素同样关键，去趋势处理有效避免了这些技术因素对气候-产量关系的误判。历史相关关系中的温度正效应并不意味着持续升温必然增产，热量积累对产量的促进受限于土壤供水。模型性能强烈依赖于气候分区和种植系统，RF并非在所有数据集上都优于MLR；未纳入土壤属性、品种选择、灌溉量、养分及病虫害等因素可能是部分区域预测能力较弱的原因。SHAP归因结果反映的是RF模型学到的模式而非独立因果效应。未来预测显示一致升温与降水减少，但水分平衡变化存在区域差异。灌溉虽可缓解部分气候敏感性，但并非消除风险，未来灌溉用水可持续性仍需独立评估。远期结果尤其需要谨慎解读，因为RF对训练域外推能力有限，故将2030–2050年作为主预测期，2080–2100年仅作为敏感性分析。基于结果，研究人员建议适应策略应同时考虑气候分区与种植系统差异：HP需提升灌溉效率与水资源管理，LRP应关注降水和土壤水保持，NC灌溉模型表现强劲但需谨慎解读样本量，SC需重视非灌溉条件下的土壤水保持与热害管理，UC和LV则需关注用水效率。
**研究结论翻译**
研究表明，水文气候对德克萨斯州棉花产量的影响具有强烈的气候分区和种植系统依赖性。时间验证显示模型性能存在显著区域差异，RF在部分组合中展现明显优势，而MLR在其他组合中表现相当甚至更优。SHAP分析进一步表明，产量变率是降水、温度、蒸散发和土壤水储量等水文气候因子共同作用的结果，而非单一因子主导。中期预测显示一致的升温、降水减少及大气蒸发需求增加，由此产生的气候条件产量响应呈现显著空间异质性，高地平原和South Central总体产量下降，而其他多个分区温和上升或保持稳定。灌溉与非灌溉系统响应不同，说明灌溉改变了区域对未来水文气候条件的敏感性。总体而言，德克萨斯州棉花对未来气候变化的响应具有空间异质性和种植系统依赖性，因此研究结论具有区域特异性，而非全州统一的适应策略。此外，未来预测基于GFDL-CM4和GFDL-ESM4两个CMIP6模式，所报告的模式间差异反映的是这两种强迫特征之间差异，而非CMIP6全模式的完整不确定性。
