张钟莉莉副研究员团队：机器学习揭示土壤养分对玉米产量形成驱动作用——以云南地区为例（《智慧农业（中英文）》2026年第4期）

（来源：智慧农业期刊）

引用格式：孙佳泽, 曲明山, 杨积忠, 娄垂新, 李光伟, 张钟莉莉. 机器学习揭示土壤养分对玉米产量形成驱动作用——以云南地区为例[J]. 智慧农业(中英文), 2026, 8(4): 180-191.

Citation: SUN Jiaze, QU Mingshan, YANG Jizhong, LOU Chuixin, LI Guangwei, ZHANG Zhonglili. Machine Learning Reveals the Driving Effects of Soil Nutrients on Maize Yield Formation: A Case Study of Yunnan, China[J]. Smart Agriculture, 2026, 8(4): 180-191.DOI： 10.12133/j.smartag.SA202508029

机器学习揭示土壤养分对玉米产量形成驱动作用——以云南地区为例

孙佳泽1，2， 曲明山3， 杨积忠4， 娄垂新4， 李光伟2， 张钟莉莉5*

（1.中国农业大学信息与电气工程学院，北京 100083，中国； 2.北京市农林科学院信息技术研究中心，北京 100097，中国； 3.北京市农业技术推广站，北京 100029，中国； 4.云南供销产业投资有限公司，云南昆明 650000，中国； 5.北京市农林科学院智能装备技术研究中心，北京 100097，中国）

摘要：［目的/意义］云南省玉米种植区地形破碎、气候垂直分异明显，土壤养分与产量均存在较强空间差异。本研究旨在明确主要土壤养分对玉米产量差异的影响，提高复杂山地环境下产量预测结果的可解释性，构建融合空间信息与土壤养分特征的机器学习模型，为分区施肥和耕地质量提升提供依据。［方法］基于2005—2020年云南省测土配方施肥土壤基础养分数据和5 km玉米产量栅格数据，选取有机质、全氮、有效磷、速效钾及经纬度变量，采用粒子群优化-极端梯度提升模型（Particle Swarm Optimization-Extreme Gradient Boosting, PSO-XGBoost）开展产量预测，并与多种机器学习模型进行对比。为检验空间相邻样本可能导致的精度高估风险，进一步设置空间分块交叉验证和去除经纬度的消融实验；同时引入沙普利加和解释（SHapley Additive exPlanations, SHAP）方法分析各变量贡献及主导因子的空间分布。［结果和讨论］PSO-XGBoost在随机划分下决定系数R2为0.91，优于LightGBM（Light Gradient Boosting Machine）、CatBoost（Categorical Boosting）和未优化极端梯度提升模型等；空间分块验证下R2为0.847，说明模型在更严格的空间验证条件下仍保持较好的预测能力。去除经纬度后R2降至0.698，表明空间背景信息对云南玉米产量预测具有重要作用。SHAP分析显示，经纬度反映的区域环境差异贡献较高，有机质、全氮、有效磷和速效钾均对产量形成具有影响，且不同区域主导因子存在差异。［结论］云南玉米产量受土壤养分与空间环境共同影响，单一养分难以完全解释产量差异。PSO-XGBoost结合SHAP可用于识别区域产量差异及主要养分约束，为云南山地玉米分区施肥和耕地质量管理提供参考。

关键词：玉米产量预测；粒子群优化-极端梯度提升模型；沙普利加和解释；土壤养分；空间异质性；机器学习

图1　PSO-XGBoost玉米产量预测模型结构图

Fig. 1 Structure of the PSO-XGBoost corn yield prediction model

注：颜色由红到绿表示养分水平由低到高。该图基于自然资源部标准地图服务网站下载的审图号为GS（2019）3333号标准地图制作，底图无修改。

图2 云南省2005—2020年主要土壤养分空间分布图

Fig. 2 Spatial distribution of major soil nutrients in Yunnan province （2005－2020）

图3　PSO-XGBoost 模型预测结果的统计分布与拟合关系图

Fig. 3 Statistical distribution and fitting relationship of predicted yield by the PSO-XGBoost model

图4　PSO-XGBoost模型各输入特征的平均绝对SHAP值

Fig. 4 Input features by mean absolute SHAP values in the PSO-XGBoost model

图5　各输入特征SHAP值的蜂群分布及其对玉米产量预测的正负效应

Fig. 5 SHAP beeswarm distribution of input features and their positive and negative effects on maize yield prediction

注：该图基于自然资源部标准地图服务网站下载的审图号为GS（2019）3333标准地图制作，底图无修改。

图6　云南省玉米产量主导驱动因子空间分布图（以绝对SHAP值最大特征表征）

Fig. 6 Spatial distribution of dominant drivers of maize yield in Yunnan province， represented by the feature with the highest absolute SHAP value

作者简介

张钟莉莉 副研究员

张钟莉莉，现任北京市农林科学院智能装备技术研究中心副主任及智慧水肥技术团队负责人、农业农村部科学施肥专家指导组成员、全国大豆单产提升工程专家组成员、中国农技推广协会节水农业技术专业委员会副秘书长、中国植物营养与肥料学会科普工作委员会委员，Agriculture Communications 期刊青年编委，东北农业大学、天津理工大学、江苏大学、北京农学院等研究生导师。主持国家重点研发计划课题、国家自然科学基金、中国博士后科学基金等科研项目，创新了基于机器视觉的作物缺水缺肥诊断技术，建立了动态调优的变量灌溉施肥决策方法，构建了面向大田、果园、设施的智慧水肥管控技术模式，并牵头了全国土壤墒情监测系统、全国农户施肥监测系统等多个国家省部级大数据平台创建。相关成果第一作者或通讯作者发表学术论文38篇，其中SCI检索32篇，授权PCT专利1件、国家发明专利35项，获北京市科学技术进步二等奖2项。先后入选北京市优秀人才培养资助青年骨干、北京市青年人才托举工程、北京市科技新星计划、北京科协卓越青年工程师培养计划等，获首都民族团结先进个人、首都绿化美化先进个人，受市委市政务表彰第十批北京市优秀青年人才。

来源：《智慧农业（中英文）》2026年第4期

转载请联系编辑部授权

本期支持单位

特别支持单位

支持单位