《Water Resources Research》：Disentangling the Regional and Contextual Dependencies of Climate Effects on Global Maize Yield
编辑推荐：
玉米是全球粮食安全的基石，然而在不同生产情境下，年际气候变率对其产量的影响仍未得到充分认识。研究人员利用K?ppen气候区，将随机森林（Random Forest, RF）与Shapley加法解释（SHAP）相结合，从产量状态、种植日历及其组合情境三个视角厘清
玉米是全球粮食安全的基石，然而在不同生产情境下，年际气候变率对其产量的影响仍未得到充分认识。研究人员利用K?ppen气候区，将随机森林（Random Forest, RF）与Shapley加法解释（SHAP）相结合，从产量状态、种植日历及其组合情境三个视角厘清水热驱动因子。1982–2016年间，年际气候变率解释了各气候区23%–45%的玉米产量变率，并日益抵消技术进步带来的产量增益。从产量状态视角看，除干旱区外，产量增加与减产情境下的主导气候驱动因子存在差异。值得注意的是，在所有气候区中，关键气候驱动因子在加剧减产方面的作用强度均强于其促进增产的作用。从种植日历视角看，相较于年内种植，干旱区和暖温带区的跨年种植使主导驱动因子从热量指标转向水分指标，并触发了关键驱动因子间的交互作用，在不利条件下放大了产量风险。此外，极端温度指标的贡献在所有组合情境下普遍增加。在暖温带区，热胁迫度日（HSDD）的年际变率成为跨年增产和减产情境下的主导驱动因子，贡献率分别达27%和25%。进一步研究发现两种效应模式：一种为主效应与交互效应共同放大产量变率，另一种为主效应受抑制而交互效应仍起放大作用。研究结果增强了对气候–产量关系的全面理解，并为制定针对性适应策略提供了科学依据。
**论文解读：全球玉米产量气候效应的区域性与情境性依赖机制**
**一、研究背景与科学问题**
全球气候变化正以前所未有的速度改变农业生产环境，气温上升、降水格局变化以及极端天气事件频发，对全球粮食生产系统的稳定性和可持续性构成严重威胁。已有研究表明，气候变化已使全球农业全要素生产率下降约21%，每额外升温1°C可能导致全球主粮作物每年损失5.5×101?千卡热量。玉米作为全球最主要的谷类作物，占全球谷物总产量的约40%，在粮食安全、饲料供应和能源生产中发挥核心作用。然而，气候因素对主要粮食作物产量年际变率的解释程度仍存在不确定性：全球范围内气候变率约解释20%–60%的产量变率，但该比例在不同地区和作物间差异显著。
已有研究虽为理解气候与玉米产量的关系提供了重要见解，但仍存在三方面不足。第一，多数研究将玉米产量变化视为同质性结果，未充分区分产量增加与减产背后的差异化驱动机制。新近证据表明，不利条件下的产量损失可能超过有利条件下的产量增益，暗示气候响应的不对称性。第二，时间维度上，现有全球尺度研究常将同一年内播种收获的数据与跨年播种收获的数据混合处理，隐含假设不同种植制度下气候驱动因子相似。第三，空间维度上，尽管高分辨率数据日益普及，多数分析仍基于行政区划单元，忽视了农业生产的生物物理特征，可能人为平滑气候内部差异，掩盖气候变率对产量的真实影响。
**二、研究内容与结论**
针对上述分析缺陷，研究人员引入可解释机器学习，采用多视角系统分析方法，研究1982–2016年间气候变率对产量变化的复杂影响。研究基于一个关键前提假设：长期产量增长与年际产量稳定性并非由相同过程控制——技术进步和管理改善可提高平均产量水平，但气候变率仍决定这些增益能否逐年稳定实现。为此，研究人员构建了平行的减产与增产情境模型，以揭示气候变化影响的异质性；区分年内与跨年种植模式，直接比较不同生产模式下玉米产量的关键气候决定因素；采用K?ppen气候分类作为基本空间单元，从生物物理视角补充现有行政区划尺度研究。
研究结果显示，各气候区中主导气候驱动因子随产量状态在热量与水分相关变量间发生转换，但干旱区除外，该区ΔGSDDV在增产（27%）和减产（33%）情境下均保持主导地位。关键气候驱动因子加剧减产的作用强度至少是促进增产作用的1.2倍。从年内种植转向跨年种植，干旱区和暖温带区的主导因子从热量转向水分主导，并激活了原本微弱的驱动因子间交互作用，导致减产风险加剧。极端温度指标的贡献在所有组合情境下普遍增加，尤其在暖温带区，ΔHSDD在跨年增产和减产情境下均成为首要贡献因子。此外，研究识别出两种效应模式：主效应与交互效应协同放大产量变率的放大模式，以及主效应受抑制而交互效应仍起放大作用的平衡模式。研究结果于2025年发表在《Water Resources Research》。
**三、关键技术方法**
研究采用多种数据与技术方法。产量数据来自全球历史产量数据集（GDHY v1.3），种植与收获日期来自Sacks等开发的全球作物日历数据集，气候数据来自NOAA CPC全球统一数据集，潜在蒸散量（Ep）来自GLEAM v4.2a数据集，气候区信息来自世界银行全球气候分类数据集。研究对全部变量进行一阶差分处理以去除长期趋势，并依据ΔY正负构建增产与减产两种响应情境。核心方法为随机森林（RF）回归结合Shapley加法解释（SHAP），前者捕捉气候指标与产量变率间的非线性和非加性关系，后者基于合作博弈论量化各特征贡献并区分主效应与交互效应。模型超参数采用贝叶斯优化与五折交叉验证调优。
**四、研究结果**
**4.1 产量波动特征与趋势**
全球约89.5%的玉米种植网格像元呈现正平均ΔY值，负值主要集中在赤道区和若干气候过渡带。原始产量在全球和各主要气候区均呈显著上升趋势（p < 0.01），暖温带区增速最快，线性斜率为0.098 t ha?1 yr?1。相比之下，ΔY无显著线性趋势（p > 0.05），表明差分处理有效去除长期趋势成分。重要的是，2000年后ΔY的95%置信区间扩大，而原始产量置信带相对稳定，表明平均产量持续增长并不必然意味着生产稳定性改善。归因分析显示，年际气候变率解释了各气候区23%–45%的玉米产量波动。
**4.2 产量视角下的气候驱动因子差异**
SHAP值量化揭示，大多数区域气候驱动因子的主导性随产量状态而分化。干旱区例外，ΔGSDDV同时是产量增减的主导调控因子，贡献率分别为27%和33%。赤道区水分相关指标合计占总解释力的50%以上，主导因子在湿日频率和干日频率间切换。暖温带和雪区热量指标占优，但存在策略性转换：ΔGSDDV主导增产情境，而ΔGSDDAR成为减产情境的主导因子。进一步分析表明，气候驱动因子对减产的促进作用显著强于对增产的促进，关键驱动因子在减产事件中的响应幅度是增产期的1.2–1.6倍，高纬度地区尤为明显。减产通常由单一主导气候胁迫触发，而增产则是由多因子协同作用主导的复杂过程。
**4.3 种植模式视角下的气候驱动因子差异**
年内与跨年种植在空间分布和平均ΔY上存在显著差异。年内种植广泛分布于赤道、干旱、暖温带和雪区，平均ΔY范围?0.25至0.53 t ha?1 yr?1；跨年种植主要出现在赤道、干旱和暖温带区，雪区因寒冷气候和生长季限制而无跨年种植。种植模式转变引发主导气候驱动因子转换：年内种植下，赤道区产量变率主要由降水相关指标驱动，ΔDDF贡献35%；干旱区和暖温带区热量指标占优，ΔGSDDV分别贡献28%和35%。跨年种植下，干旱区和暖温带区的主导因子完全从热量转为水分相关指标，且负面SHAP振幅强于正面，表明不利气候条件对产量的抑制作用超过有利条件的促进作用。跨年种植还激活了原本微弱的关键驱动因子交互作用，放大了减产风险。
**4.4 组合情境下的气候驱动因子差异**
将产量状态与种植模式细化为四类组合情境，可揭示气候控制模式的清晰转变。赤道区通常受水分调控，年内组合情境仍由降水指标主导；但跨年减产情境下，冷胁迫（ΔCSDD）贡献上升至27%，形成水热联合调控模式。干旱区发生最显著转变，原有的热量稳定性主导被水分变率、热量分布和极端冷胁迫的复杂交互所取代。暖温带区极端过程影响突出，ΔHSDD在跨年增产和减产情境下分别解释27%和25%的产量变率，成为该区域年际产量波动的首要驱动因子。效应模式分析显示，赤道区在年内情境中主效应与交互效应协同放大双向产量变率；跨年情境中则表现为主导主效应与产量变化方向相反而交互效应同向，即主效应抑制而交互放大产量变率。干旱区和暖温带区在四类情境中同时表现出两种响应模式，调控路径更为复杂。
**五、讨论与结论**
讨论部分强调精细建模的必要性。经与各气候区的完整模型对比，按产量增减分类的模型识别出的主导驱动因子与完整模型存在显著差异。完整模型中SHAP效应近乎对称，正负影响幅度相当，表明数据聚合过程中产量增减的相反效应相互抵消。这一发现凸显了聚合回归方法的关键局限性——倾向于掩盖作物产量对气候变率的异质性响应。此外，完整模型识别的主导因子与年内种植情境高度吻合，原因可能在于数据集中年内种植信号在数量上占优，聚合时掩盖了跨年种植的独特特征，可能导致政策优先级偏倚和资源配置失当。
研究进一步讨论气候变率对产量变化的贡献。在全球玉米种植区，不同K?ppen-Geiger气候区内年际气候变率解释了2%–64%的产量年际变率，各主要气候区加权平均显示气候解释了23%–45%的产量波动，与Ray等（约三分之一）和Vogel等（20%–49%）的估计基本一致。针对美国、中国、巴西三大主产国的国家级分析显示，网格加权解释力分别达40%、36%和27%。三个国家的玉米种植区分别跨越16个、11个和8个气候亚区，凸显了在国家政策框架内嵌套气候区信息以支持精准农业和区域化适应策略的价值。雪区气候解释力最强（45%），因高纬度地区温度是玉米生长的首要限制因子；干旱区最弱（23%），因大规模灌溉缓冲了降水变率和高温的冲击。使用AgMERRA数据集的验证结果显示相同的气候区排序模式，且模型性能整体更高，表明研究识别的气候区依赖模式并非特定数据集的产物，而是反映了真实的农业气候交互作用。
研究存在若干不确定性来源。其一，作物日历数据集代表静态种植和收获日期，而许多地区实际通过调整播期适应气候变化，未来应纳入动态种植日历。其二，虽将温度和降水分解为系列水热指标，但未纳入灌溉、施肥、病虫害管理等人为因素，也未包含风速、太阳辐射等气候变量。尽管存在上述不确定，研究从多视角揭示了气候变化驱动的全球产量变率的空间异质性，阐明了水热对作物产量的主效应与交互效应，为制定有效农业适应策略提供了科学依据。
研究核心结论可概括为：各气候区主导气候驱动因子随产量状态在热量与水分变量间转换，干旱区例外，ΔGSDDV在增产和减产情境下均保持主导（分别贡献27%和33%）；关键气候驱动因子加剧减产的作用强度至少是促进增产的1.2倍；从年内转为跨年种植使干旱区和暖温带区的主导因子从热量转为水分主导，并激活弱交互作用导致减产风险加剧；极端温度指标贡献在所有组合情境下上升，尤其暖温带区ΔHSDD在跨年增产和减产情境下均成为首要因子（27%和25%）；存在两种效应模式——主效应与交互效应协同放大产量变率的放大模式，以及主效应受抑制而交互效应仍起放大作用的平衡模式。这些发现揭示了气候驱动产量波动的动态性和区域特异性，为制定针对性适应策略提供了直接依据。
