多模型估计显示，在过去四十年里，中国的小麦产量差距显著存在，但呈下降趋势

《European Journal of Agronomy》：Multi-model estimation reveals substantial but decreasing wheat yield gaps in China during the last four decades

中国主要冬小麦产区潜在产量（Yp）和实际产量（Ya）差距达57%，北方地区更大，总增产潜力约118 Mt。多模型集合显示Yp空间异质性显著，随机森林分析表明管理实践主导产量稳定性，但需平衡经济与环境限制。

　　

作者列表：子叶|袁超|Senthold Asseng|刘冰|江丽|布鲁诺·巴索|邱小蕾|唐亮|曹伟星|刘蕾蕾|詹瑜

单位：国家农业信息技术工程技术中心/农业农村部智慧农业工程研究中心/农业农村部作物系统分析与决策重点实验室/江苏省农业信息技术重点实验室/南京农业大学现代作物生产协同创新中心，中国南京210095

摘要

鉴于人口增长和耕地有限，中国及全球范围内都有提高小麦产量的需求。为了确保国家粮食安全，需要更好地了解潜在产量（Yp）以及当前产量与潜在产量之间的产量差距。我们采用了多模型集成方法，结合了DSSAT-CERES-Wheat、DSSAT-Nwheat、WheatGrow和APSIM-Wheat等作物模型，来估算1981年至2020年间中国主要冬小麦生产区域的潜在产量（Yp）、水分限制产量（Yw）以及实际产量（Ya）、可达产量（Yt）与Yw和Yp之间的时空特征。研究结果表明，北方地区的Yp、Yt和Ya较高，而南方地区较低；Yp与Ya、Yp与Yw以及Yt与Ya之间的相对差距在北方更大，平均分别为57%、40%和46%，这表明中国的小麦产量有较大的提升空间。同时，由于气候变化导致Yp下降，以及品种更新、管理措施优化和土壤改良使得Ya上升，Yp与Ya之间的产量差距从1981年以来逐渐缩小。通过用Ya（按空间明确的小麦收获面积加权）填补Yp与Ya之间的差距，中国的小麦总理论产量分别可以增加约1.18亿吨和0.72亿吨。因此，中国的小麦生产具有巨大潜力，尤其是在产量不稳定且产量差距较大的北方地区。随机森林模型显示，管理措施是影响产量稳定性和差距的主要因素，其次是土壤和气候因素。然而，在缩小产量差距时，必须考虑提高产量的经济限制和更高投入带来的环境影响。

引言

全球人口的持续增长要求增加粮食生产能力以满足未来的粮食需求。然而，由于可耕地和水资源有限（Wang等，2019；Yan等，2015），这一目标面临重大挑战，这威胁到粮食生产安全和区域人口承载能力，可能导致全球粮食危机（Gerber等，2024；Godfray等，2010；Tilman等，2011）。小麦是全球主要粮食作物之一，养活了35-40%的世界人口（FAO，2024）。作为世界上最大的小麦生产国，中国分别占全球小麦种植面积和总产量的约10%和18%（FAO，2024）。因此，了解中国的小麦产量差距、产量稳定性及其影响因素对于制定未来的农业发展公共政策至关重要。

鉴于可耕地面积持续减少（Lambin和Meyfroidt，2011），中国增加总作物产量不能再依赖扩大耕地面积。因此，不扩大耕地面积而提高作物产量的最有效方法是缩小产量差距（Licker等，2010；Rudel等，2009），产量差距定义为潜在产量与实际产量之间的差异（Lobell等，2009；Van Ittersum等，2013）。目前有四种主要方法可以评估产量差距，即田间试验、批准的产量竞赛、农民调查和作物模拟模型（Lobell等，2009；Van Ittersum等，2013）。其中，作物模拟模型被认为是最有效的方法（Lobell等，2009），因为它能够数学化表示作物系统，并捕捉基因型、环境和作物管理之间的相互作用（即G × E × M）（Jones等，2003；Keating等，2003）。由于不同的建模方法、结构和算法，作物模型模拟存在较大不确定性。农业模型比较与改进项目（AgMIP）已经证明，在气候变化条件下，使用多模型集成方法可以显著降低模拟不确定性（Asseng等，2013；Bassu等，2014；Martre等，2015；Wallach等，2020）。然而，目前对中国冬小麦产量差异的评估大多基于单一作物模型（Chen等，2017；Sun等，2018b）。

全球范围内，较大的小麦产量差距主要集中在发展中国家，而发达国家的产量差距相对较小（Licker等，2010）。作为最大的发展中国家，中国的小麦产量差距特别大，并且存在明显的空间和时间变化（Chen等，2017；Liu等，2016；Sun等，2018b）。然而，基于多模型集成和长期站点观测的全国范围内总产量差距（即按空间明确的小麦收获面积加权的产量差距）的评估仍然有限。此外，全球产量差距地图集（GYGA）提供了一个严谨的自下而上的产量差距评估框架（van Bussel等，2015；van Wart等，2013），并报告了最近10年的中国小麦产量水平（https://www.yieldgap.org/）；我们的研究通过使用更长的时间序列（1981-2020年）、四模型集成、生态区特定代表性品种、产量稳定性分类和主要冬小麦生产区的产量差距量化，扩展了这一证据。此外，由于实际生产系统的各种限制，实现潜在产量具有挑战性。过度追求潜在产量可能会造成不必要的浪费和环境污染，从而对人类福利产生负面影响（Ittersum等，2025；Springmann等，2018）。因此，在提高产量的同时，避免生态破坏性的农业实践至关重要。因此，达到可达产量更具成本效益、环境友好性，且更容易实现。产量对投入的响应在农场产量超过可达产量时遵循收益递增规律，而在农场产量低于可达产量时则遵循收益递减规律。目前有两种方法可以评估可达产量：一种是试验田的高产记录，另一种是潜在产量的75-85%（Lobell等，2009；Van Ittersum等，2013）。根据地区气候、生态环境（包括土壤特性、水资源和生物限制）、实际生产系统能力（如机械化、政策和农民教育）以及该地区的高产记录，中国农业农村部（MARA）的本地专家和学者提出了34组具有匹配管理措施的目标产量，这些产量被视为可达产量，以保持中国小麦生产区所有生态区的作物产量提升与生态效益之间的平衡。

了解产量稳定性及其地区特定驱动因素对于制定有效的缩小产量差距策略至关重要（Foley等，2011；Keating等，2014；Wang等，2025）。例如，Martinez-Feria和Basso（2020）遵循既定协议（Blackmore，2000）分析了美国中西部的作物产量稳定性，并利用分层线性模型揭示了所有随机因素的特定适应机会。随着计算机科学的发展，机器学习技术已被广泛用于农业的深入分析，因为它能够识别作物系统中的复杂非线性相互作用（Hoffman等，2018）。随机森林方法可以深入理解观测到的产量背后的依赖关系，区分技术和气候信号对作物产量的影响（Hoffman等，2018），并在农业研究中得到广泛应用（Wang等，2016）。因此，通过结合产量稳定性分类和随机森林归属分析，识别出主导品种特征（如生长期天数）、气候因素（如生长度日、辐射）、土壤性质（如有机碳含量、pH值）和管理相关因素（如肥料投入强度、灌溉效果和机械化水平），可以实际帮助缩小产量差距并提高产量稳定性。

本研究旨在：（1）使用多模型集成方法确定1981年至2020年间中国主要小麦生产区域不同水平的产量和产量差距的空间和时间分布；（2）评估通过空间明确的小麦收获面积提高总产量的潜力；（3）评估区域小麦产量稳定性及其影响因素。

研究区域

研究区域是中国的主要冬小麦生产区，涵盖从南到北的13个省和直辖市（26°13' - 40°68'N，100°83' - 121°87'E）。该区域的小麦种植面积和产量分别占中国整个小麦种植面积和总产量的83%以上和88%以上（中国，2024）（图1a）。具体来说，我们采用了金（1996）提出的广泛使用的冬小麦生态分区系统，该系统综合考虑了气候等因素。

不同小麦产量水平的空间和时间分布

为了准确估算潜在产量（Yp）和水分限制产量（Yw），我们使用了一个经过充分验证的多模型集成方法进行了129个站点×40年×4个模型×2个指标（Yp和Yw）的模拟。多模型集成在模型验证中的均方根误差（RMSE）小于任何单个模型在开花日期、成熟日期和籽粒产量方面的误差，这表明多模型集成的性能优于单个模型（图S4和S5）。

中国的小麦产量差距显著但正在缩小

利用大量针对当地品种的具体信息进行模型校准和评估（图S3-S5），我们使用多模型集成方法估算了1981年至2020年间中国主要小麦生产区域的潜在产量、水分限制产量、不同产量差距以及通过空间小麦面积加权提高总产量的潜力。此外，建立了产量稳定性和差距的类型学，并进行了基于随机森林的归属分析以确定...

结论

我们的多模型集成方法估计显示，中国的小麦产量有较大的提升空间，过去四十年间潜在产量与实际产量、潜在产量与水分限制产量、可达产量与实际产量之间的平均差距分别为57%、40%和46%。然而，随着时间的推移，提高产量的空间正在减小，因为潜在产量与实际产量之间的差距从1981年以来显著下降。

CRediT作者贡献声明

曹伟星：写作——审稿与编辑。邱小蕾：软件、数据管理。唐亮：写作——审稿与编辑。江丽：数据管理。布鲁诺·巴索：方法论、调查。Senthold Asseng：验证、方法论。刘冰：验证。子叶：写作——初稿、方法论、正式分析、数据管理。袁超：方法论、数据管理。刘蕾蕾：写作——审稿与编辑、概念化。詹瑜：写作——审稿与编辑、资金筹集、概念化。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的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（32021004、32560412）、江苏省农业科学技术自主创新基金（CX (21)1006）、云南省重大科技专项（202402AE090026–04）和云南省作物生产与智慧农业重点实验室（2024ZHNY04）的支持。同时感谢“国家地球系统科学数据中心土壤子中心”提供的土壤数据支持。