《Journal of Environmental Management》：Mapping agricultural fragility in India through a yield gap vulnerability framework: a national-scale machine learning assessment
编辑推荐：
摘要在印度，尽管农业生产力有所提高，但由于社会经济不平等和气候变化，区域产量差距仍在持续扩大。本研究开发了一种新颖的"产量差距脆弱性"（Yield Gap Vulnerability，YGV）框架，通过整合农业、水文、气象和社会经济指标，以衡量主要谷物（水稻和小麦）和营养作物
摘要
在印度，尽管农业生产力有所提高，但由于社会经济不平等和气候变化，区域产量差距仍在持续扩大。本研究开发了一种新颖的"产量差距脆弱性"（Yield Gap Vulnerability，YGV）框架，通过整合农业、水文、气象和社会经济指标，以衡量主要谷物（水稻和小麦）和营养作物（玉米和小米）在区级的农业脆弱性。本研究采用了一种综合机器学习（ML）方法，可为可持续农业管理、空间规划和风险降低提供支持。研究结果表明，全国范围内作物产量的空间异质性十分显著。虽然水稻和小麦的模式产量有所增加，但高脆弱性地区的比例也在上升，特别是在资源紧张地区如印度-恒河平原。相比之下，玉米和小米表现出新兴的产量双峰分布，表明在以雨养为主的系统中，集约化管理带来了局部生产力提升。模型评估进一步表明，无论是仅使用水气象学的基准模型还是包含水气象学与社会经济因素的综合模型，XGBoost 都始终优于随机森林（Random Forest）和人工神经网络（Artificial Neural Network）模型。
研究结果提供了强有力的统计证据，表明印度的农业脆弱性不仅受气候压力影响，还受社会经济和制度能力的影响。我们提出的 YGV 框架通过将生物物理和社会经济因素相结合，为适应性农业管理提供了一个数据驱动的决策支持工具。它通过使决策者能够识别脆弱性热点区域并优先制定区域特定措施，从而加强了长期风险管理方法。该基于机器学习的方法具有可扩展性和适应性，可应用于面临复合社会经济和气候风险的各种农业系统。
引言
农业及其相关产业雇用了印度近一半的劳动力，对全国总增加值（GVA）的贡献约为 18%（印度农业与农民福利部，2025）。印度也是全球主要的农业商品生产国和出口国（FAOSTAT，2024）。然而，社会经济与气候压力的综合影响对印度农业构成了日益增长的威胁（Sharma 等，2020）。与国际气候变化影响评估中常用的政府间气候变化专门委员会（IPCC）风险范式一致，危害、暴露和脆弱性经常被纳入农业气候变化影响分析（P?rtner 等，2022）。全球已有许多研究利用历史观测数据（Gaupp 等，2020；Meza 等，2020；Caparas 等，2021）以及耦合模式比较计划（CMIP）第 5 和第 6 阶段的未来预测（Gaupp 等，2019；Magnan 等，2021；Elkouk 等，2022；Tabari 和 Hosseinzadehtalaei，2026），对农业风险进行了评估。这些研究通过提供作物特定气候影响在时空变异性方面的宝贵见解，有助于制定适应策略。
为确保变化气候条件下的可持续粮食安全，农业系统必须同时增强管理气候变化频率和极端水文气象事件相关风险的能力，并适应长期气候变化（Vermeulen 等，2012）。然而，Das 和 Goswami（2021）发现，印度的研究大多强调气候诱发的压力因素，常常忽视了脆弱性的人为驱动因素。必须将气候影响、适应能力和脆弱性相结合以降低风险（Diaz 和 Moore，2017）。近期数据驱动的方法通过利用气候、卫星和建模技术改进了农业风险评估和管理（Rao 等，2016；Benami 等，2021）。例如，Rama Rao 等（2019）利用 15 项环境、社会经济、人类和物理指标，开发了区级的农业脆弱性和风险估值，以识别印度全国的风险热点区域。同样，Sharma 等（2020）评估了印度各区农业（水稻和小麦）风险在 2001 和 2011 普查十年的空间和时间演变。作者通过识别全国 15 个农气候区（ACZ）中的风险主要驱动因素，量化了气候危害以及脆弱性和暴露综合影响对风险的贡献。近期，Rao 等（2025）利用 CMIP5 预测，识别了印度各区农业气候风险的可能热点区域。
以上所有这些类似研究加强了印度的气候变化风险评估和适应规划，同时也凸显了生物物理和社会经济因素之间复杂互动关系难以捕捉的问题，这是由于空间异质性、不确定性和数据局限性所致。机器学习的最新进展为应对这些气候变化影响评估中的局限性提供了有力工具（Reichstein 等，2019；Rolnick 等，2022）。因此，机器学习已被广泛应用于估计洪水、干旱和其他气候相关危害，大幅改进了气候风险评估和韧性规划（Pourghasemi 等，2020；Carozza 和 Boudreault，2021；Zhao 等，2021；Prodhan 等，2022；Rolnick 等，2022；Satour 等，2023；Serkendiz 等，2023；Zhang 等，2023；Fang 等，2024；Kundu 等，2024；Wang 等，2024；Liu 等，2025；Senapati 等，2025；Kumar 等，2026；Ohenhen 等，2026；Wei 等，2026）。然而令人惊讶的是，机器学习在农业脆弱性和风险评估中的应用仍然稀缺。Li 等（2021）证明了随机森林（RF）在预测华北平原干旱导致的小麦产量损失方面优于多元线性回归（MLR）。Ding 和 Xu（2023）将机器学习与卫星、气候和计量经济数据相结合，重建土壤水分并评估水稻、小麦和玉米的全球气候脆弱性，识别出干旱引起的土壤水分亏损是产量损失的主要驱动因素。同样，Taniushkina 等（2024）将 CMIP5 预测与社会经济及化肥使用数据相结合，确定极限梯度提升（XGBoost）是评估气候变化对东南亚农业影响的最佳模型。
尽管机器学习在农业研究中的应用日益增多，但由于其高度依赖人为干预，在印度用于确定农业脆弱性和风险方面仍存在局限性。少数研究实例包括 Jha 等（2023），该研究采用序贯多元自适应回归样条（SMARS）机器学习技术评估了 2010–2020 年气候变化对全印度农业风险的影响。作者证明，复杂的非线性气候相互作用、CO? 排放、降水、降雨和灌溉在国家级尺度上主要驱动农业产出。然而，SMARS 存在一些局限性，包括拟合函数不光滑以及在处理大量变量和支持向量时计算效率降低。De Clercq 和 Mahdi（2024）评估了 19 种机器学习模型，利用 20 年的气候、卫星和作物产量数据预测印度 247 个区的雨季（Kharif）水稻产量。尽管表现最佳的模型达到了较高的预测精度（样本外决定系数 = 0.82，平均绝对误差 = 0.29，平均绝对百分比误差 = 0.16），但它排除了对印度作物生产有强烈影响的社会经济和农业管理变量。同样，本研究及其他研究（Pant 等，2021；Bowden 等，2023；Sharma 等，2023；Sahoo 等，2024）缺乏在亚国家尺度上多作物农业脆弱性评估中机器学习方法的应用。
在此背景下，我们提出了一种新颖的基于机器学习驱动的框架，用于绘制和评估印度主要谷物（水稻和小麦）及营养作物（玉米和小米）在区级的农业脆弱性。该方法将农业、水文、气候和社会经济指标与观测到的区级产量差距（2001–2022 年）相结合，以确定产量差距脆弱性（YGV）。我们使用相同的特征集比较了多种机器学习模型——人工神经网络（ANN）、极限梯度提升（XGBoost）和随机森林（RF）的性能。具体而言，本研究旨在解决两个问题：(1) 社会经济能力如何与水气象学相互作用，驱动作物产量差距的区域差异？(2) 在产量观测数据有限的情况下，机器学习能否可靠地从生物物理和社会经济指标中评估农业脆弱性？由此产生的可扩展框架可帮助识别脆弱性热点区域，并支持区域特定的适应规划。数据集、方法和主要发现将在以下各章节中呈现。
章节片段
研究区域、数据来源与预处理
本研究通过将历史水气象数据和社会经济输入与印度亚国家尺度的作物产量差距相结合来估计农业脆弱性。空间分析单位为收入区（revenue district），由此得到水稻、小麦、玉米和小米的多维数据集，分别包含 629、586、486 和 549 个空间单元。从独立的、公认的可靠数据来源收集了一套全面的 31 项指标。水气象学和农业指标（第 #18 项在
印度农业产量的时空动态演变
各区作物产量的时空演变揭示了印度主要谷物（水稻和小麦）及营养作物（玉米和小米）的显著异质性，反映了差异化的技术扩散、农气候限制和区域适应能力（附图 S2 和 S3）。分布分析（图 3）显示，作物产量从 2001 年至 2011 年再到 2012–2022 年呈现系统性的右移趋势，与全国规模的生产力提升相一致，
结论
本研究致力于开发一种全面的数据驱动方法，以理解印度农业环境所呈现的矛盾特征——即产量差距扩大与绝对产量上升并存的现象。通过基于先进机器学习框架整合生物物理和社会经济因素，我们提供了实证证据，表明印度的农业脆弱性越来越多地由结构性和社会经济约束驱动，而不仅仅是气候异常。我们的空间和时
CRediT 作者贡献声明
Ravi Ranjan：写作 – 审阅与编辑，写作 – 初稿，可视化，验证，方法论，调查研究，形式化分析，数据管理。Tarul Sharma：写作 – 审阅与编辑，写作 – 初稿，可视化，验证，监督指导，资源提供，方法论，调查研究，数据管理，概念构思。R. Adithiyan Susil：写作 – 审阅与编辑，验证，方法论，调查研究，形式化分析，数据管理。Aryaman Srivastava：写作 – 审阅与
利益冲突声明
作者声明他们没有任何已知的财务利益或个人关系可能对本文所报告的工作产生不当影响。
致谢
本研究得到了印度科学技术部的支持，资助项目为 SPLICE - 气候变化计划（资助项目编号：DST/CCP/CoE/140/2018），以及印度理工学院孟买分校绿色能源与可持续发展研究中心的支持（资助项目编号：DO/2024-RHUB004-003）。通讯作者 Subhankar Karmakar 衷心感谢捐赠者 Dr. Vinaya Kapoor 和 Dr. Samir Kapoor 对 Vinaya & Samir Kapoor 讲席教授职位的慷慨支持。
Ravi Ranjan | Tarul Sharma | R. Adithiyan Susil | Aryaman Srivastava | Subhankar Karmakar
印度理工学院孟买分校 环境科学与工程学院，孟买，400076，印度
