为不断增长的人口提供食物对全球农业而言是个巨大挑战，尤其是在那些作物产量较低的发展中经济体（Duan et al., 2021）。气候变化增加了大多数主粮的产量风险，许多研究表明，如果气候持续变暖，到21世纪中叶作物产量将会大幅下降（Battisti and Naylor, 2009; Challinor et al., 2016）。联合国将提高农业生产力视为实现可持续粮食生产和粮食安全的目标2.4中的关键策略（UN, 2020）。
过去40年里，由于经济、社会和技术条件的改善，中国的耕地生产力——即耕地生产农产品的能力（Deng et al., 2017）——有了显著提升。目前，中国仅用世界8%的耕地面积就养活了世界18%的人口（UN, 2024）。农业基础设施（如灌溉、机械化）、农业投入（如化肥、粪肥、农药）以及土壤质量都被认为是影响作物产量的重要因素（Elliott et al., 2014; Martre et al., 2024; Qiao et al., 2022; Wang et al., 2021）。这些因素的影响会随时间和空间而变化，部分原因在于过去几十年国家为推动农业发展而制定的政策（Zhi et al., 2022）。自20世纪80年代起，为满足不断增长的人口需求，中国实施了多项国家计划，旨在促进化肥使用、提升土壤养分水平，从而为高产量创造条件。结果，1980年至2005年间，中国化肥使用量几乎增长了四倍（从1300万吨增至4800万吨）（CNKI, 2024）。然而，过量的养分投入以及高强度的种植方式也导致了温室气体排放增加、土壤质量下降、地下水位降低，还有因养分流失导致的地表水富营养化问题（Guo et al., 2010; Liu et al., 2021, Liu et al., 2021; Lu et al., 2021; Qiu, 2010; Zhang et al., 2020）。
2000年后，农业计划的重点开始扩展，开始纳入环境因素，以平衡农业生产目标与环境目标之间的关系（Chen et al., 2014; Cui et al., 2018; Fan et al., 2012）。例如，国家“高产高效”计划在2005年至2015年间动员了2100万农民采用更先进的耕作管理方法，使得3800万公顷土地的养分流失得到控制，且没有对作物产量造成负面影响（Cui et al., 2018）。在2005年至2015年间，玉米的氮肥使用量减少了15%至18%，水稻减少了14%，小麦减少了21%（Cui et al., 2018）。鉴于该计划的成功，中国于2015年开始实施“化肥农药零增长”计划，旨在停止甚至减少化肥农药的使用量，提升资源利用效率，同时减少排放，保护自然环境、空气和水质（Jin and Zhou, 2018）。结果，在该计划实施的最初五年里，中国化肥使用量减少了13%（从6000万吨降至5300万吨）（CNKI, 2024）。了解影响农业政策在农业生产与环境方面作用的驱动因素，对于通过培育健康土壤、保障粮食安全以及减少负面环境影响，进一步提升中国农业系统的可持续性至关重要（Wuepper et al., 2024）。
为了量化自然因素与人为因素对农业实践对作物产量、资源利用效率以及环境影响的贡献，我们需要相应的模型。一旦掌握了地块特征、管理措施与影响之间的关联，就能在田间、农场以及区域层面做出更为科学的决策，从而在尽可能减少环境负面影响的前提下提高作物产量（Rizzo et al., 2022; Sun et al., 2018; Xiao et al., 2024），尤其是基于过程模型的方法。实证模型和统计模型也可用于识别和量化时空变化趋势，不过这些模型对驱动因素的解释是基于对观测到的模型系数的过程分析（即相关性并不一定等同于因果关系）。例如，Rizzo等人（2022）结合农民报告的数据与作物建模方法，分析了影响灌溉玉米产量的驱动因素，发现其中48%的产量变化与气候变化有关，39%与农业技术改进有关。同样，Sun等人（2018）利用农业生产系统模拟模型，模拟了不同作物品种、地块条件和管理措施对小麦产量变化的影响，发现1981年至2010年间小麦产量提升的5%到59%可归因于管理措施。尽管这类模型在科学研究和环境评估中具有重要价值，但由于其对地块条件（如土壤性质、气候）以及土壤、作物和化肥管理方面的空间差异难以进行全面考量，往往因为需要大量输入数据而限制了其对趋势的分析以及作物产量和环境影响驱动因素的识别。
另一种量化自然因素与人为因素对农业实践对作物产量和资源利用效率影响的贡献或关联的方法，是运用数据驱动模型，如元回归模型或机器学习模型。近期的一些研究就采用了这类模型，来量化作物产量对特定地块因素的反应（Ma et al., 2023; Qiao et al., 2022; Zhi et al., 2022）。例如，Qiao等人（2022）利用梯度提升回归树模型，分析了土壤质量与气候变化可能对作物产量产生的影响。他们发现，优质土壤降低了作物产量对气候变化的敏感性，不仅提升了作物产量（10%），还提高了产量稳定性，使产量波动幅度降低了16%。同样，Zhi等人（2022）也利用提升回归树模型，确定了影响玉米、水稻和小麦产量的主要因素。这些例子都展示了数据驱动的机器学习方法在分析国家农业计划与作物产量提升之间关联方面的潜力。
在本研究中，我们采用了基于集成学习模型的框架，分析1980年至2020年间中国人为因素与自然因素的变化趋势，以及这些趋势与作物产量和肥料使用效率变化之间的关系。我们的研究重点关注了谷物（水稻、小麦和玉米）、豆类以及块茎类等主要作物，这类作物在中国农作物总产量中占比高达60%，播种面积占比达70%。通过这一模型，我们分析了1980年至2020年间，农业基础设施、化肥投入以及土壤肥力等方面的政策干预，是如何影响国家农业计划带来的产量和肥料使用效率变化的。通过基于过程机制的分析，我们为未来制定既能提升农业生产力又能保障环境可持续性的农业政策提供了参考。
