通过系统方法缩小中国小麦、玉米和水稻的产量差距：元分析、机器学习与空间优化

《Agricultural Systems》：A systems approach to closing yield gaps in wheat, maize, and rice in China: Meta-analysis, machine learning, and spatial optimization

　　侯一民|段博伟|刘吉|陈跃军|董天展|钱鑫|李宗鑫|高一胜|陈元泉
中国农业大学农学学院，北京100193，中国

**摘要**
在中国，谷物生产面临着一个关键挑战：尽管经过数十年的集约化经营，产量差距依然存在，这反映了养分管理（NM）、土壤管理（SM）和作物管理（CpM）子系统之间的协调不够理想。

**目标**
我们开发了一个综合分析框架，以确定在中国多样化的农业生态景观中，用于缩小小麦、玉米和水稻生产系统产量差距的最优系统配置。

**方法**
我们使用层次荟萃分析、随机森林建模和分段结构方程建模，综合了来自315项同行评审研究的1356对田间观测数据。产量差距的缩小程度是通过县级作物模型中的可实现和潜在产量基准来量化的，并在1平方公里的分辨率下生成空间预测。

**结果与结论**
养分管理（NM）在短期内实现了最大的产量差距缩小（42.2%），其次是土壤管理（SM，37.2%）和作物管理（CpM，36.8%），然而长期来看，随着秸秆还田量的增加超过了化学肥料的效果，最优系统配置具有地域依赖性而非固定不变。不同作物的路径差异显著：小麦依赖于土壤化学性质，玉米需要物理和化学因素的平衡改善，而水稻则通过水分介导的养分输送来提高产量。随机森林模型确定了关键的环境阈值——覆盖作物的效果在干旱到湿润条件下增加了3.5倍，生物炭在酸性土壤（pH ≤6.5）中表现最佳，有机改良剂在土壤有机质（SOM）为10–25克/千克时收益最高。空间模拟显示，东北和中国北部平原地区的产量差距缩小潜力超过40%，长江中下游地区的水稻则约为37–41%。

**意义**
该框架为决策者提供了具有空间具体性的、针对不同作物的路径，以及基于阈值的区域差异化政策工具的基础，从而推动中国谷物生产系统的可持续集约化。

**引言**
现代谷物生产系统是复杂的、多组分的网络，其中养分投入、土壤过程和作物管理实践在多个尺度上相互作用（Lobell等人，2009；van Ittersum等人，2013）。在中国，20%的全球谷物产出自10%的耕地，这种复杂性表现为平均20–40%的产量潜力未被实现（Sadras等人，2015）。尽管几十年的集约化经营缩小了绝对差距，但增长趋势已趋于平稳，这揭示了传统单一因素优化方法的基本局限性（Fischer等人，2014；Ray等人，2013）。尽管投入大量资源（中国使用了全球30%的化肥；Zhang等人，2023a），这些差距仍然存在。这表明产量限制源于系统配置的不理想，而非资源短缺。因此，缩小这些差距需要在不同环境条件下更好地协调管理要素。

**系统视角**
该视角认识到：（1）管理实践并非独立运作，而是通过协同和对抗性相互作用（Cassman等人，2003）；（2）最优配置因作物生理特性和环境条件而异（Mueller等人，2012）；（3）缩小产量差距需要根据干预措施的时间动态和空间适用性来制定层次化策略。

我们将系统配置定义为由三个可测量的维度实现的协调实践组合：（1）每种管理类别对产量差距缩小的贡献比例（用YGa和YGr表示）；（2）基于短期（YGaII）和长期（YGaIII）指标之间的排名变化的时间序贯部署顺序；（3）与环境条件（如降水量400–800毫米、pH值6.0–7.5、土壤有机质10–25克/千克）的对齐程度。这扩展了van Ittersum等人（2013）的研究，将状态依赖的时间动态和作物特定路径架构纳入一个综合分析框架（补充说明S1）。

**现有研究不足**
现有的产量差距分析主要关注单一管理类别，或采用将实践视为独立选项的比较框架（Liang等人，2016；Mueller等人，2012）。在全球范围内，van Ittersum等人（2013）建立了产量差距分解的层次框架，而Mueller等人（2012）量化了17种作物的养分和水管理对产量差距的缩小潜力。Gerber等人（2024）展示了全球主要种植区产量差距的持续停滞，Beillouin等人（2021）强调了多样化管理对生态系统服务的可变和状态依赖性影响。然而，这些研究未能捕捉到像中国这样的集约化农业系统中可持续集约化的时间动态和系统级相互作用。虽然荟萃分析量化了平均效应大小（Pittelkow等人，2015），但它们很少：（1）使用一致的指标比较多个管理类别；（2）确定实践部署的环境窗口；（3）提供空间明确的决策支持。此外，传统方法通常孤立地评估实践，忽视了快速作用的养分投入与缓慢变化的土壤改进之间的时间权衡，或不同管理类型在环境梯度上的空间互补性。

**机器学习的进步**
机器学习的最新进展为超越平均效应估计提供了机会。随机森林模型可以捕捉非线性响应和相互作用效应（Breiman，2001），而空间建模可以将特定地点的发现转化为区域决策（Beza等人，2017）。将这些方法整合到系统框架中，可以揭示在中国多样化的谷物生产环境中应如何配置管理要素。

**农学管理实践**
农学管理实践大致可以分为三个领域：养分管理（包括无机肥料、有机改良剂和联合应用）、土壤管理（包括生物炭和保护性耕作）和作物管理（包括覆盖作物和秸秆还田）。养分管理直接缓解短期养分限制（Bai等人，2022）；土壤管理改善物理和化学条件，延长养分和水分的保持时间（Khan等人，2024）；作物管理整合了有机物质循环和生物多样性效应（Qiu等人，2024；Yan等人，2024a）。尽管每个类别都得到了广泛研究，但它们对产量差距缩小的相对贡献及其成功的环境条件仍不明确（Al-Shammary等人，2024）。尽管有大量单独的研究，但这些实践在不同环境梯度上表现出高度的状态依赖性，强调需要系统整合来考虑相互作用和权衡。

**结论**
综合这些研究，我们发现：（1）管理实践不是独立运作的，而是通过协同和对抗性相互作用；（2）最优配置因作物生理特性和环境条件而异；（3）缩小产量差距需要基于时间动态和空间适用性的层次化策略。我们采用双指标框架来量化三种主要作物在不同管理实践下的产量潜力实现程度，结合随机效应荟萃分析和随机森林建模，并明确纳入环境协变量。这种方法使我们能够：（1）建立统一的指标系统；（2）比较三种管理类别的差异效果以确定最优策略；（3）利用随机森林模型进行空间异质性模拟，揭示关键环境变量对管理效果的影响模式；（4）为中国区域农业管理提供科学依据，促进与资源和环境可持续性相协调的粮食生产。这些结果有助于理解管理如何与环境条件相互作用，并为精确、作物和区域特定的策略提供可操作的指导。这些证据对于实施结合快速养分驱动的增益与长期土壤-作物系统韧性的分阶段干预至关重要。

**材料与方法**
为了量化不同管理实践对作物产量差距的影响并识别潜在的环境驱动因素，我们开发了一个多阶段分析框架，从大规模数据汇编开始，逐步进行荟萃分析计算，最后进行环境和空间建模。

**出版偏见评估与敏感性分析**
为了评估这些发现的可靠性，我们使用漏斗图、Egger回归测试和trim-and-fill方法进行了全面的出版偏见评估（补充表S6）。敏感性分析显示四个管理类别（生物炭、NT/RT、覆盖作物和OF+IF）存在潜在的出版偏见。例如，trim-and-fill分析为OF+IF组补充了30项缺失的研究，将总结效应大小从-64.9%（原始值）调整为-72.1%。

**系统视角下的产量差距缩小**
我们的荟萃分析表明，农业管理实践作为互补的子系统发挥作用，而非竞争性替代方案，每个类别在产量差距缩小中扮演着不同的角色。这种系统视角为解释不同管理类别之间的效率差异提供了改进的分析框架。

**作者贡献声明**
侯一民：撰写——原始草案。段博伟：软件开发。刘吉：方法学。陈跃军：软件开发。董天展：调查。钱鑫：方法学。李宗鑫：方法学。高一胜：撰写——审阅与编辑。陈元泉：撰写——审阅与编辑。

**利益声明**
作者声明他们没有已知的竞争性财务利益或个人关系，这些可能会影响本文报告的工作。

**致谢**
本研究得到了中国国家重点研发计划[项目编号2022YFD2300905]和[项目编号2022YFD2300901]的资助。