人工智能赋能气候变化下的中国粮食安全：基于XGBoost与RIME-CNN-LSTM-ATT模型的跨区域多场景预测

　　本文创新性地将人工智能（AI）水平纳入气候变化与粮食安全（FS）研究框架，通过XGBoost等6种机器学习模型解析三者的非线性关系，并构建RIME优化的CNN-LSTM-ATT混合预测模型。研究发现：AI对FS的SHAP值均为正，主产区温度贡献58.6%影响力；在SSP5+RCP8.5情景下，2035年中国FS水平将下降6.68%，为气候智能农业政策提供量化依据。

　　AI在应对气候变化与粮食安全（FS）协同挑战中发挥关键作用。本研究通过SHAP值分析发现AI对FS的影响系数均为正值，证实其显著提升潜力。在主粮产区，温度对FS的影响占比高达58.6%，成为核心驱动因子；而在产销平衡区，降雨与日照被识别为FS主要威胁因子。

　　从产出视角看，2000-2022年中国粮食总产量增长48.54%（图2a），但2015年后增速放缓显示产量天花板效应。消费结构南宫NG方面，总消费量持续上升（图2b），口粮消费占比下降反映膳食结构转型。

　　本研究验证了中国FS口粮绝对安全的基本态势，与Zhu等（2025）结论一致。通过机器学习驱动的因子解析和RIME-LSTM-CNN-ATT模型预测，首次实现多情景动态模拟：在SSP1+RCP2.6情景下，2035年FS水平将提升2.93%，而SSP5+RCP8.5情景会导致6.68%的降幅，凸显气候政策的紧迫性。

　　通过Spearman相关系数验证气候与AI对FS的影响后，采用六种机器学习方法精准识别三大区域驱动因子。创新构建的RIME-CNN-LSTM-ATT模型在RMSE（0.083）和R2（0.917）指标上显著优于传统模型，为气候适应型农业决策提供智能工具。建议通过AI驱动的精准农业技术应对主产区热胁迫，并在平衡区建立降雨异常预警系统。