量化中国主要玉米品种对未来气候变化的适应能力：一种结合作物建模和可解释机器学习的方法

《Computers and Electronics in Agriculture》：Quantifying the adaptability of China’s dominant maize varieties to future climate change: A combined approach of crop modeling and explainable machine learning

中国主要玉米品种在低排放（SSP126）和高排放（SSP585）气候情景下的产量及适应性研究。通过APSIM-Maize模型模拟与随机森林（RF）结合SHAP可解释性分析，发现未来气候将导致玉米全国产量分别下降5.4%和10.0%，其中东北地区降幅最显著（19.0%）。关键驱动因素包括温度（SSP126）、太阳辐射和冷日数（SSP585），需加强抗逆育种。

　　

李梦娜|李若晨|张志伟|徐宇松|陈富|雷永登

中国农业大学农学与生物技术学院，北京 100193，中国

摘要

中国主要的玉米品种通过育种改良，在当前气候条件下能够实现高产量，但在适应未来气候变化方面存在显著不确定性，这对粮食安全构成了风险。本研究使用经过校准的APSIM-Maize模型，在SSP126（低排放）和SSP585（高排放）情景下评估了未来气候变化对这些品种的影响。为了提高可解释性，我们将作物建模与可解释机器学习相结合，具体使用了随机森林（RF）替代模型，并结合Shapley加性解释（SHAP）方法，以识别影响产量的关键气候因素。结果表明，在当前条件下，MY73、ZD958和JK968等品种具有高产量和广泛的种植面积。然而，未来气候情景预测生长周期将缩短，产量普遍下降，在SSP126情景下全国玉米产量预计下降5.4%，在SSP585情景下下降10.0%。中国东北地区将经历最严重的产量减少，在SSP585情景下，到2050年代产量下降10.7%，到2080年代可能下降19.0%。机制分析显示，在SSP126情景下，与温度相关的因素对玉米产量有负面影响，而在SSP585情景下，太阳辐射和寒冷天气则具有正面影响，其他变量也产生了显著的负面影响。这些发现表明当前玉米品种对未来气候变化的脆弱性，并强调了培育耐逆性品种的必要性，特别是增强对极端温度的抵抗力。此外，通过结合作物建模和可解释机器学习方法，本研究为理解气候变化如何影响作物生产以及指导适应策略以确保粮食安全提供了可行的方法。

引言

气候变化对全球生态系统和人类社会构成了前所未有的挑战。在受影响最严重的行业中，农业尤为脆弱，因为其生产力对于确保粮食安全和社会稳定至关重要（Rosenzweig等人，2014年）。作为三大主要全球粮食作物之一，玉米约占农业用地的38%，占全球谷物总产量的42%（FAO，2022年）。研究表明，温度每升高1°C，全球玉米产量平均可能减少7.4%（Zhao等人，2017年）。除了温度之外，降雨量、太阳辐射和二氧化碳（CO₂）浓度等因素也在塑造作物产量方面起着重要作用。虽然气候变暖和CO₂施肥效应可能在高纬度地区略微提高玉米产量，但这些气候因素的累积效应预计将导致大多数低纬度和热带地区的产量下降10%–30%（Vogel等人，2019年）。

过去几十年的作物品种改良显著减轻了气候变化的不利影响。然而，当前主导作物品种在未来气候情景下的表现仍存在很大不确定性，需要进一步研究。研究表明，美国的耐旱玉米品种通过提高水分利用效率和优化生长周期，使产量增加了5%–7%（Adee等人，2016年）。在中国，通过种间杂交、双交和单交等技术，玉米品种不断得到改良，导致了大规模的品种更新和替换（Bai等人，2023年）。最近的研究表明，新的玉米品种在干旱和洪水等不利条件下表现出更强的抗逆性，其产量比传统品种低约1.4%（Wu等人，2021年）。在这些改良品种中，ZD958由于其优良的农艺特性（包括强大的根系吸收能力和对高种植密度的抵抗力）在东北和中国北部得到了广泛种植，其产量比传统品种高出近20%（Qi等人，2012年）。同样，以卓越的抗逆性著称的Golden Grain MY73在区域试验中的产量增加了约9%，使其成为黄淮海地区的主要推荐品种之一（Wang等人，2025年）。这些广泛推广的玉米品种在当前气候条件下表现出高产量和强适应性。然而，它们在面对复杂和不可预测的气候变化情景下的表现和适应性仍未知。

评估气候变化影响的主要方法包括线性统计、作物模型和机器学习。传统的线性统计模型往往无法捕捉实际农业生产中观察到的非线性响应（Bai等人，2024年）。相比之下，基于过程的作物模型可以动态模拟作物生长、发育和产量形成，从而阐明基因型、环境和管理实践之间的复杂相互作用（Bai等人，2024年）。这些模型被广泛用于评估作物产量，并已成为政策建议的关键科学基础。然而，传统作物模型在极端气候条件下校准参数时常常面临挑战，这限制了它们的预测能力（Zhuang等人，2024年）。机器学习方法（如随机森林（RF）虽然不能直接描述作物生理过程，但在捕捉预测变量和响应变量之间的非线性关系方面非常有效（Bai等人，2024年）。作物模型和机器学习的结合可以弥补每种方法的局限性。例如，Xiao等人（2024年）利用作物模型模拟训练了一个机器学习替代模型，解释了超过96%的方差，并识别了关键因素。同样，Sajid等人（2022年）将APSIM模型与机器学习结合，以量化极端气候因素的影响并提高县级玉米产量预测的准确性。

尽管机器学习具有强大的预测能力，但其“黑箱”特性阻碍了对变量关系和决策机制的洞察（Hu等人，2023年）。为了解决这一限制，学者们开发了一系列可解释人工智能（XAI）方法，如Shapley加性解释（SHAP）。例如，Zhu等人（2021年）利用SHAP分析发现，早期生长阶段的水分可用性和后期极端升温事件是限制欧洲小麦产量变化的主要因素。同样，Zhou等人（2023年）通过基于SHAP的洞察发现，温度升高显著增加了湖北省水稻中汞积累的风险。

本研究旨在将作物建模与可解释机器学习结合SHAP分析，以量化未来气候条件下中国主要玉米品种的产量变化，并揭示其背后的机制（图1）。整个研究围绕三个具体目标展开：（1）识别目前在中国推广的主要玉米品种，并使用基于玉米实验数据的遗传算法（GA）校准APSIM-Maize模型参数。这一步确保模型准确反映了这些品种的遗传和农艺特性；（2）模拟这些主要玉米品种在SSP126（低排放路径）和SSP585（高排放路径）情景下的空间和时间产量及生长周期变化。这一目标旨在预测气候变化将如何影响中国不同地区的玉米生产；（3）开发一个RF模型并使用SHAP分析来识别影响区域产量变化的关键因素。这一目标旨在量化主要气候变量对产量变化的贡献，为适应策略和政策制定提供有价值的信息。

研究区域

研究区域

作为全球主要的玉米生产国，中国占世界玉米产量的20%以上（Luo等人，2023年）。中国的玉米生产主要集中在从东北到西南的一条狭窄地带（97.5°E–135.1°E，21.1°N–53.6°N）。该地区负责全国近80%的玉米总产量（Luo等人，2023年）。这片广阔的区域涵盖了多样的气候带，从南部的热带和亚热带环境到较冷的地区

APSIM-Maize模型的参数优化结果

基于全国主要玉米品种的区域实验数据（表S1），我们使用GA方法优化了APSIM-Maize模型的生长和发育参数（图3）。如图3所示，通过GA方法优化的模型在模拟关键玉米物候阶段（拔节、开花、成熟）和最终产量方面表现出稳健的性能。模拟值与这些物候阶段的观测值高度一致

中国主要玉米品种的地理适应性

从中国玉米品种的分布来看，NEC和HHH地区成为两个最重要的生产区，这些地区的玉米种植集中，MY73、ZD958和JK968等品种占主导地位，种植面积广泛。虽然HHH地区的产量水平略低于NEC地区，但它拥有全国最大的种植面积。这归因于该地区的平坦地形，有利于大规模管理，以及强大的

结论

本研究使用APSIM-Maize模型模拟了未来气候条件下中国主要玉米品种的表现，并利用RF模型和SHAP分析来识别影响产量变化的关键气候因素。研究结果表明，在未来气候变化下，大多数地区当前主导玉米品种的生长周期将显著缩短，导致产量普遍下降。在SSP126情景下，玉米产量

生成式人工智能和人工智能辅助技术的声明

在准备本手稿的过程中，我们使用了ChatGPT生成了一些图形摘要和工作流程图的图标。作者们审查并完善了这些生成的图标，对其准确性和相关性负全责。

CRediT作者贡献声明

李梦娜：撰写——初稿，概念构思。李若晨：撰写——初稿，数据整理。张志伟：方法论，研究。徐宇松：软件，研究。陈富：监督，资金获取。雷永登：撰写——审稿与编辑，资金获取。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

致谢

本研究得到了国家自然科学基金（32472239；72061147001）的资助。