气候变化对中国粮食安全的影响：基于XGBoost和RIME-CNN-LSTM-ATT模型1. 引言近年来，气候变化对食品系统的影响引起了国际社会的广泛关注，成为政策制定者和学术界的重要关注点（Gatto和Chepeliev，2024）。根据《全球粮食危机报告》，气候变化导致全球农业生产力增长下降了21%，并成为18个国家粮食不安全的主要驱动因素（GRFC，2024;粮农组织，2023年）。目前，>80个国家已在农业部门制定气候适应计划（Long等，2022），采用农业技术创新和绿色农业等政策工具推动食品系统转型（IPCC，2022）。人工智能（AI）的出现进一步推动了农业领域的技术创新。作为全球最大的食品生产和消费国，中国明确设定了建立气候智能农业体系的目标，旨在保障粮食供应并实现农业碳中和（Gong 等，2024）。因此，必须将气候变化、人工智能和粮食安全（FS）整合到统一框架内，以阐明这三个领域的相互联系。近年来，许多研究致力于阐明气候变化与冻湿之间的联系，深入分析影响冻结霜的气候因素（Lin 等，2025;Bai 等，2019;Agovino 等，2019;Shah 等，2024）。这些驱动因素包括阳光、降雨、温度、极端天气事件和气候政策。现有文献中主要的方法论方法包括回归分析、分解分析和机器学习。在回归分析中，OLS（Lee 等，2024;艾洪顿和亨宁森，2024年）以及向量自回归（VAR）模型（Urak 和 Bilgic，2023）常被用于识别自由回归的关键因素。然而，由于依赖线性假设，回归模型可能无法捕捉复杂的非线性和协同效应。在分解分析方面，指标分解（Xiao 等，2024）和结构分解分析（Yang 等，2025）有助于宏观层面的FS变化归因，但在揭示区域尺度空间异质性方面有限。相比之下，机器学习方法克服了传统方法的局限。通过特征重要性排序和交互效应的探索，他们不仅识别了FS的下降因素，还揭示了变量间复杂的相互关系（Li等，2025）。因此，本研究采用逻辑回归（LR）、VAR、随机森林（RF）、K最近邻（KNN）、LightGBM和XGBoost算法，以更高精度地识别FS的驱动因素。人工智能在应对气候变化与FS的协同挑战中发挥着关键作用。然而，关于人工智能对FS潜在影响的实证研究仍然相对稀少。Pandey和Mishra（2024）指出人工智能在作物和土壤监测、病虫害防治、自动化与机器人技术以及作物育种等方面的重要功能，并认为其与农业实践的整合可以促进更具韧性的食品系统。Joshi等人（2025）进一步强调，基于机器学习的人工智能技术实现了实时作物监测和保护，从而增强了农业产出的稳定性。此外，Karanth等人（2023）提出，人工智能可以作为预测气候变化对FS影响的有效工具。因此，在探讨气候变化与FS关系时，关注人工智能水平的影响是不可或缺的。然而，当前的研究主要聚焦于解释人工智能在食品系统应用的技术机制。关于人工智能推广金融服务的有效性缺乏客观分析，尤其是跨多个地区的实证数据。此外，几乎没有研究提供了气候变化、人工智能与FS之间关系的定量证据。因此，本研究代表了一项开创性努力，旨在分析它们的相互影响，并确定人工智能是否能赋能食品系统应对气候挑战。在农业规划和政策制定中，FS预测是科学基础，方法论创新仍是农业领域的焦点。近年来，集合学习框架通过利用互补的模型优势，为农业预测开辟了新的维度。整合时空特征的混合CNN-LSTM模型在多种情境下展现出显著优势，包括非洲FS的早期预警（Deléglise等，2022）、印度多作物产量预测（Rani等，2023）、甘蔗产量估算（Saini等，2023），以及美国和加拿大土壤温度的验证。Tian等人（2024）进一步开发了CNN-LSTM-ATT架构，通过整合植被指数和气象因素等多源数据，成功估算小麦产量。当前研究的主要挑战在于复杂模型的超参数优化。传统优化算法如PSO（Huang等，2021）和WOA（Lei等，2025）容易归入局部最优解。它们难以满足高维非线性农业系统模型的参数优化要求。霜冻优化（RIME）算法是一种新型元启发式优化算法，能够模拟冰晶生长机制，并展现出卓越的全局搜索能力（Su 等，2023）。其动态平衡的探索策略为深度学习模型优化提供了新的范式。然而，现有文献尚未系统性探讨RIME算法在优化CNN-LSTM-ATT模型超参数方面的潜力，尤其是融合多模农业数据时参数自适应调整机制仍是一个研究空白。基于上述问题，本研究从消费和生产的角度衡量中国的FS水平。采用六个机器学习模型来展示气候变化和人工智能水平对三个主要区域FS的影响。此外，提出了一种新颖的RIME-CNN-LSTM-ATT模型，用于预测FS在不同情景下的未来趋势。具体来说，本研究的主要贡献如下：(1)在探讨气候变化与FS关系时，考虑了人工智能水平的影响。包括XGBoost、LR、VAR、KNN、RF和LightGBM在内的六个机器学习模型，从多维数据中挖掘人工智能、气候因素与FS之间的非线性关系，以识别关键驱动因素。(2)提出了一个集成时间序列预测模型，适用于FS，型号为RIME-CNN-LSTM-ATT。该模型整合了RIME算法，显著提升了CNN-LSTM-ATT模型的超参数搜索效率和预测准确性。它有效克服了传统方法容易陷入局部最优的局限性。(3)结合区域异质性和整合驱动因素，研究了SSP1+RCP2.6、SSP2+RCP4.5、SSP5+RCP8.5及基线情景下不同区域FS的未来演变趋势。命名法FS 粮食安全人工智能 人工智能直接谷物消费饲料谷物消耗种子谷物消耗食物损失与浪费粮食安全指数RIME Rime优化算法CNN 卷积神经网络LSTM 长短期记忆神经网络模型AT&T 注意力机制OLS 普通最小二乘法LR 逻辑回归VAR 矢量自回归KNN K-最近邻LightGBM 光线梯度增强机射频 随机森林XGBoost 极端梯度提升SCC 斯皮尔曼相关系数PSO 粒子群优化哇 鲸鱼优化算法HHO 哈里斯鹰优化英俊 Firefly算法射频 红狐优化BAU 照常营业的情景SSP 社会经济情景RCP 辐射强迫通路2. 方法与数据本研究利用涵盖2000年至2022年期间的省级面板数据，并从30个省份收集相关变量的年度数据。根据现行谷物生产和销售分区标准，本研究涉及的区域分为三大主要谷物区：主要谷物生产区（MGP）、主要谷物消费区（MGC）和谷物生产-消费平衡区（GBA），如表A1所示。研究框架如图1所示。图1下载：下载高分辨率图片（2MB）下载：下载全尺寸图片图1。研究框架。2.1. 粮食安全由于省级食品进出口数据稀缺，本研究采用粮食产量与消费的比值（不含食品进出口）来量化FS（Xu等，2025）。该方法与FAO的定义一致（FAO，1999）。食物消费涵盖四个方面：直接食物消费、畜牧饲料消费、种子谷物使用以及食物损失和浪费。直接谷物消耗（）以及饲料谷物消耗（分别用于城市和农村地区。畜牧谷物的消费包括肉类（猪、牛、羊）、家禽（鸡和鸭）、鸡蛋和牛奶。本研究参考了Zhu等人（2023）提供的谷物与动物食品转换系数。种子谷物消耗（）数据来源于国家农产品成本与效益数据汇编。根据粮农组织（FAO，2019年）的报告，本研究采用了估计的食品损失和浪费（）谷物产量的10%水平（).(1)其中以及分别是城市和农村地区的人均谷物消费量。以及代表城市和农村居民群体。以及是城市和农村畜牧业的人均谷物消费量。是播种区域，是每μ的谷粒种子数。因此，省级FS水平的测量公式如下。(2)根据中国政府发布的《国家粮食安全中长期规划（2008–2020）》，被认为是FS的阈值（Yang等，2019）。2.2. 气候变化根据现有研究（File和Derbile，2020;Oniah，2023），本研究采用年平均气温、降雨量和日照作为衡量气候变化影响的指标。每个省主要城市气象站的每日数据每月处理一次，以获得年度数据。为了进一步探讨气候变化对FS的影响，我们还考虑了极端天气因素（LTD、HTD、ERD、EDD）（Guo等，2024;Rising 等，2022）以及气候政策不确定性（马等，2023）。2.3. 人工智能由于缺乏精确定义，人工智能难以量化。根据赵等（2024）和李等（2024）的观点，本研究利用工业机器人数量作为衡量人工智能发展水平的指标。机器人由人工智能算法、机械硬件和软件系统组成，作为一个统一平台协同工作。在火种生产领域，这些产品渗透到从农场到餐桌的生产，以及食品质量和安全测试及预测（Karanth 等，2023）。因此，工业机器人的数量可以被视为人工智能水平的恰当代表。2.4. 斯皮尔曼相关系数（SCC）相关系数常用多种相关系数，包括皮尔逊相关系数（PCC）、肯德尔相关系数（KCC）和SCC。尽管PCC很受欢迎，但由于数据不正态，可能导致偏差（Sun等，2024）。与KCC相比，SCC的计算复杂度较低，且准确性足够。因此，本研究采用SCC来展示气候变化、人工智能与FS之间的相关性。SCC的计算方式如下：(3)其中以及表示两个随机变量。2.5. 确定FS的驱动因素本研究采用多种机器学习方法识别粮食安全的关键驱动因素，包括LR、VAR、KNN及基于树的模型。LR和VAR都是二元分类模型，对变量的要求较低，且能有效避免过拟合（Chen 等，2022;Jiang 等，2023）。KNN是一种基于类比的学习方法，其优点是易于理解且参数较少（Janizadeh 等，2024）。基于树的方法（RF、LightGBM和XGBoost）能够捕捉数据中的非线性关系，并具备强大的分类能力（Hu 等，2024）。本研究采用了六种模型，包括LR、VAR、KNN、RF、LightGBM和XGBoost。SHAP值用于评估特征重要性并解释相关因素对FS的影响。2.6. 优化 FS 预测中 CNN-LSTM-ATT 的 RIME 算法2.6.1. 模型原理深度学习的发展为FS预测提供了技术支持。CNN擅长从农业数据中提取本地特征。LSTM网络能够捕捉降雨、日照和人工智能等时间序列变量的长期依赖关系。注意力机制（ATT）的引入进一步提升了LSTM的性能，使模型能够聚焦预测结果的关键时间点。CNN-LSTM-ATT模型由CNN、LSTM和注意力机制融合构建，具备强大的时间序列处理能力，并在FS预测领域展现出广泛的应用前景。关于CNN和LSTM相关的原理，请参阅文献（Farhangmehr等，2025;Wan 等，2023）。ATT的引入过程由以下方程描述。（4）-（6）。(4)(5)(6)关于符号的含义,,,,,以及请参见Wan等（2023）。2.6.2. RIME 优化算法RIME算法受霜冻自然形成过程启发（Su等，2023），展现出卓越的全局搜索能力和快速收敛性。它适用于优化复杂的非线性模型。本研究利用RIME算法优化CNN层的卷积核参数、LSTM层的权重和偏置参数，以及多头注意力层的参数（见图2）。RIME流程包括以下四个阶段。图2下载：下载高分辨率图片（2MB）下载：下载全尺寸图片图2。FS在中国的现状（2000–2022）。（1） 霜冻簇初始化每个代理人都会被霜冻在算法中作为搜索代理。霜寒种群由特工们。每个霜霜因子由以下组成霜冻颗粒.因此，可以定义如下：(7)(8)（2）软霜搜索（SRS）策略受其生长机制启发，SRS策略模拟粒子的随机扩散和覆盖过程。它使算法能够快速遍历搜索空间。这有效避免了陷入局部最优解。软霜的形成过程具有以下关键特征：游走、聚集、柔性连接、逃逸机制和生长受限。对应上述五个特征，霜晶颗粒的位置计算见式（9）所示。(9)其中表示更新后的立场。表示最佳霜冻颗粒。以及分别是上限和下限。,是环境因素，如方程（11）所示。表示依附程度。(10)是最大迭代次数。(11)表示四舍五入。默认值为是5，控制阶梯函数的段数。是连通系数，影响聚合概率，如方程（12）所示。(12)以及属于并用于检查粒子位置是否被更新。（3）硬霜穿刺机制（HRP）在强风环境下，硬霜的生长表现得更集中且有序，包括方向性生长、交叉穿透、结构膨胀和穿刺概率的提高。受穿刺现象的启发，我们设计了一个交互式更新机制，称为HRP机制。该机制通过引入可控的“交换节点”，实现粒子间的信息有效交换。该公式见方程（13）。(13)其中表示-选中的特工。是位于 范围内的随机数.（4）正贪婪选择机制元启发式算法通常采用贪婪选择，每次迭代只保留最优解。虽然这种方法简洁，但缺乏种群多样性，并且在探索与开发之间取得了平衡。为提升表现，本研究引入了增强型积极贪婪选择策略。算法A1提供了伪代码实现。3. 结果3.1. FS的现状从产量角度看，中国2000年至2022年间粮食总产量显著增长（见图2a），从4.621752亿吨增至6.865279亿吨，增长48.54%。自2015年以来，粮食产量增长有所减弱，逐渐显示出产量上限。从消费结构角度看，总粮食消费也呈上升趋势（见图2b），从4.3739亿26万吨增至5.4亿4029亿77万吨，增长23.53%。其中，直接粮食消费量从2.61338万吨下降至1.87165.4万吨，下降了28.3%。直接粮食消费比例已从59.71%降至34.64%（见图2c）。与此同时，饲料谷物消费持续上升，增长了1.26倍。自2015年以来，饲料谷物消费规模已超过直接粮食消费。2022年，饲料谷物消费占总谷物消费的50.21%，成为消费结构中最大的组成部分。这表明中国的粮食需求已从基础食品转向饲料粮食。根据肉类、家禽、鸡蛋和牛奶饲料谷物消费的变化，可以推断肉类一直是饲料谷物消费的主导成分（图2d）。2000年，其份额约为59.61%，2022年降至54.19%（见图2e）。尽管总消费量有所增加，但由于蛋类和家禽消费增长加快，这一比例略有下降。蛋类谷物总消费量逐年增加，比例从2000年的15.55%上升到2022年的17.49%。家禽谷物消费份额从9.72%上升到12.93%。牛奶消费量稳步增长，比例略有增加，从15.15%降至15.39%。这种增长相对稳定。这些发现表明，中国居民的饮食消费结构正逐渐从传统的主食转向兼顾主食和肉类的模式。就四种食物的消费量而言（见图2f），无论是肉类、鸡蛋、家禽还是牛奶，它们的消费量都显著增加。这反映了居民向动物饮食结构的转变。这一增长反映了中国居民对动物蛋白需求的上升，受经济发展、收入增长和饮食习惯变化的推动。肉类依然是主要主导，但家禽、鸡蛋和牛奶的增长速度正在加快，表明人们的饮食选择变得更加多样化。这一趋势与经济增长、生活水平提升以及居民对高质量营养需求的增加密切相关。在研究期间（见图2h），中国整体FS水平始终保持在0.95以上，实现了“粮食基本自给，主食绝对安全”。然而，在省级层面，FS水平存在显著差异，约有10个省未达到0.95的标准。这些城市包括北京、上海、浙江、广东、福建、海南、青海、天津、重庆、广西和贵州。这些省份具有明显的区域特征，主要位于MGC和GBA。值得注意的是，北京和上海的FSI指数（FSI）极低，2022年分别仅为0.07和0.12。过去23年平均年FSI仅为0.16和0.19。这表明这些超级大城市对本地粮食生产的依赖极低，且严重依赖外部进口食品供应。导致这一现象的关键因素如下：一方面，农业在这些地区并非主导产业，土地资源主要用于工业、服务和城市建设，导致当地粮食生产能力极低。另一方面，人口高度密集导致粮食需求持续增长，加剧了供需失衡。在空间维度方面，FS的状况表现出区域性变异（见图2h）。具体来说，MGP的FS水平呈缓慢上升趋势，2000年至2022年平均值为1.75。这表明农业生产效率在MGP地区持续提升。GBA的生产和销售表现相对稳定，整体波动较小，长期保持良好平衡，平均值为1.11。粮食供需关系无显著变化。MGC的FS水平持续下降直到2021年，2022年略有回升。平均值为0.43，表明MGC外部供应趋势正在加剧。3.2. 气候变化与人工智能的发展趋势图3展示了2000年至2022年中国八大气候因素与人工智能的发展趋势。在此期间，中国年均气温保持在13至15°C之间，但整体呈上升趋势，尤其是过去十年变暖速度显著加快。日照时长呈缩短趋势，主要在2000至2100之间。降雨量在850至950毫米之间波动，2013年、2016年和2021年均超过1000毫米。LTD有所下降，而HTD显著增加（2022年接近70天）。ERD持续上升，2016年超过50天。相比之下，EDD表现不稳定，2011年和2013年出现两次显著峰值。此外，气候政策不确定性指数每年都在上升（到2021年将达到3.075）。在人工智能领域，自2013年以来，中国的人工智能技术经历了爆炸式增长。到2022年，工业机器人数量已达到这些单位比十年前增长了九倍。总之，从2000年到2022年，中国面临着气候变暖、日照减少、降雨不规律、极端天气事件增加以及气候政策不确定性上升等挑战。与此同时，人工智能技术经历了快速发展和广泛应用。图3下载：下载高分辨率图像（984KB）下载：下载全尺寸图片图3。气候变化与人工智能的发展趋势（2000–2022）。3.3. SCC测试结果SCC用于研究气候变化与人工智能对FS的相关性。为了结果的准确性，计算过程中还包含了额外的变量（表A2）。表1展示了16个因子与FS之间的SCC检测结果。结果显示，气候变化和人工智能对FS都有显著影响。具体来说，阳光、降雨和温度与FS呈显著负相关。研究表明，这些因素的改善可能有助于FS水平的升高。与此同时，气候政策不确定性、有限责任公司（LTD）、欧洲石油发展（ERD）、卫生发展（HTD）和经济发展发展部（EDD）也对FS产生负面影响。这进一步强调了政策稳定性的重要性，并指出极端气候事件会加剧对FS的威胁。此外，我们发现人工智能在保障金融服务方面发挥积极作用。表1。影响因素的相关分析。因素 太阳 人工智能 雨 温度 气候政策的不确定性 有限公司 HTD 厄尔德SCC −0.294（0.003***） 0.517（0.000***） −0.42（0.000***） −0.571（0.000***） −0.49（0.000**） −0.071（0.484**） −0.239（0.017**） −0.358（0.000**）因素 EDD 初级产业的附加值 胶片使用 农业技术 能耗 农药使用 人均GDP 灌溉区SCC −0.245（0.014**） 0.439（0.000***） 0.408（0.000***） 0.461（0.000***） 0.507（0.000***） 0.377（0.000***） −0.802（0.000***） 0.451（0.000***）注：***、**、*分别代表1、5和10的显著水平。3.4. 驱动因素的识别FS的驱动因素在不同区域之间常表现出显著异质性。以更深入地理解并准确识别三个区域（MGP、MGC和GBA）的FS特征。本研究采用了六个分类模型进行特征选择，并评估其重要性和准确性（见图A1）。均方根误差（RMSE）和确定系数（R²）用于比较模型性能。可以发现XGBoost的准确率和R²最高。因此，XGBoost模型被选用于特征重要性分析。图4展示了不同地区各种因素对FS的贡献。基于SHAP值，我们得出了一个耐人寻味的结论。AI在三个地区SHAP值排名第五，贡献比例分别为2.6%、6.9%和5.9%。值得注意的是，所有SHAP对人工智能的数值均为积极，进一步证明人工智能在实现FS中的潜力正在崛起，并成为应对复杂农业挑战的核心工具。此外，极端天气因素（有限天气、地球发展、气候发展和环境发展）和气候政策不确定性对FS的影响较低。图4下载：下载高分辨率图片（1MB）下载：下载全尺寸图片图4。SHAP特征重要性图。在MGP（图4a-b）中，温度是最重要的影响因素，SHAP值为0.5633。这一数值远高于灌溉面积、薄膜使用、能耗和人工智能等指标。值得注意的是，温度的SHAP值集中在负区，这一因素占影响的58.6%。这表明温度是MGP中FS的主要威胁。在MGC（图4c-d）中，气候变量的重要性相对较低，这意味着气候变化对FS的影响很小。这是因为作为粮食需求中心，MGC主要通过购买力和进口能力保障FS，这一趋势充分体现在人均GDP的重要性上。在大巴尼亚地区（图4e-f），降雨是主要驱动因素，SHAP值为0.1215，日照也占据显著位置。降雨和日照占大湾区FS影响的40.1%。此外，降雨和日照与FS呈负相关。这表明大湾区的粮食生产依赖于充足的降雨和适当的阳光条件，这种依赖源于自然条件的天赋。以重庆为例，其年日照时长在980至1580小时之间，是中国日照时间最少的地区之一。这无疑对作物生长构成了挑战。同样，贵州省降水分布不均对粮食生产构成严重威胁。总之，我们可以得出结论，气候变化对FS的影响在MGP和GBA中更为显著，而对MGC中FS的影响则不显著。人工智能在应对气候变化的农业中展现出巨大潜力。3.5. FS预测结果本研究选出每个地区的五大驱动因素以预测FS趋势。以MGP为例，投入层包括农业技术、GDP、初级产业、灌溉面积和人工智能，而产出层是FS。训练集使用2006年至2020年的数据，测试集使用2021年至2022年的数据。这种划分是因为AI数据的起始年份是2006年。列车成绩见图5。适应度曲线（图5a）、损失曲线（图5b）、RMSE曲线（图5c）和特征图（图5d）都表明模型在训练过程中实际上收敛了。它展示了顺畅的模型优化过程和不断提升的预测能力。最终显示的低误差为0.0386（见图5e），表明模型能够准确预测FS水平，误差在可接受范围内。图5下载：下载高分辨率图像（653KB）下载：下载全尺寸图片图5。RIME-CNN-LSTM-ATT 模型的训练结果。为了进一步展示RIME-CNN-LSTM-ATT模型的性能，我们同时引入了四个深度学习模型，分别是CNN、CNN-LSTM、RIME-CNN-LSTM和CNN-LSTM-ATT。此外，我们还将RIME与其他优化技术如PSO、WOA、HHO、FA和RFO进行比较，以验证RIME优化算法在FS预测任务中的优势。模型性能通过MAPE、RMSE和R²等指标进行评估。实验结果详见表A2。如表A3所示，各种深度学习模型在模拟MGP、GBA和MGC的FS方面通常取得了良好效果。然而，RIME-CNN-LSTM-ATT 模型展现出最佳的整体预测准确率，RMSE 最低（0.76、0.85、0.84），MAPE 相对较低（3.80%、8.21%、8.47%），R² 表现优异（88.06%，86.74%，86.91%）。与一类深度学习模型相比，所提出的模型结合优化策略，显著降低了预测误差，适用于更复杂的FS预测场景。尽管SCA和FA的R²值略高，但RIME-CNN-LSTM-ATT在RMSE和MAPE方面更具优势。这表明其预测更接近实际数据。因此，RIME-CNN-LSTM-ATT 在 FSI 预测任务中展现了良好的预测能力。与传统深度学习模型及结合优化算法的模型相比，它能够提供更低的误差、更高的R²和更准确的预测结果。因此，该模型将用于三个区域（2023–2035年）的FS时间预测。本研究首先利用BP神经网络对关键驱动因素进行预测分析。随后，2023年至2035年间这些驱动因素的预测数据被输入到RIME-CNN-LSTM-ATT模型中。通过这一步，我们可以获得各区域FS的预测结果，这些结果构成了我们的照常营业情景（BAU）。结果见图6a-b。总体来看（见图6a），MGP中大多数省份的FS水平从2023年到2030年呈现稳定上升趋势。特别是河南和江西省实现了显著的增长。一些省份（如河北和湖南）增长率较低。2030年后，FSI进入稳定水平的平衡状态。从三大地区来看，2035年MGP的平均FSI为2.089，较2022年增长14.95%。这显示出明显的上升趋势。GBA的FSI会略有波动，整体略有上升，这表明GBA中FS的发展稳定。预计到2035年，FSI将保持在1.15左右。然而，MGC中的FS水平呈下降趋势，较2022年下降了13.6%。这表明机动中央政府的外交局将继续面临挑战。图6下载：下载高分辨率图片（1MB）下载：下载全尺寸图片图6。基于RIME-CNN-LSTM-ATT，对FS的未来价值预测和情景预测。3.6. 情景预测结果利用CMIP6数据中的BCC单键CSM2-MR模型（https://esgf-node.llnl.gov/search/cmip6/），我们全面考虑了结合三种社会经济情景（SSP）与辐射强迫通路（RCP）的情景：SSP1+RCP2.6、SSP2+RCP4.5和SSP5+RCP8.5。对于这些情景，会设定各种相关因素的年度变化率（参见表A4）。基于这些年度变化率，我们计算了2023年至2035年每个情景框架内每个驱动因素的预测值。预测数据会被输入经过训练和验证的RIME-CNN-LSTM-ATT模型。这使我们能够获得不同场景下不同区域FSI的趋势和波动范围（如图6c-f所示）。在BAU四个情景下，SSP1+RCP2.6、SSP2+RCP4.5和SSP5+RCP8.5，FSI表现出几乎相似的趋势。具体来说，在SSP1+RCP2.6、SSP2+RCP4.5和BAU的情景中，MGP和GBA的FSI均呈稳步上升趋势，2030年前增长更快，之后趋于稳定（见图6c和图6e）。在SSP1+RCP2.6情景下，FSI的增长率高于其他情景。相比之下，MGC的FSI在所有情景下均下降，但在SSP1+RCP2.6情景下FSI的下降相对较小（见图6d）。在SSP5+RCP8.5情景中，所有地区的FSI显著下降，尤其是面临严峻粮食安全挑战的MGC地区。总体来看（见图6f），BAU、SSP1+RCP2.6和SSP2+RCP4.5的情景均预测，2023年至2035年期间，中国整体粮食安全将分别提升2.30%、2.93%和2.37%。然而，在SSP3+RCP8.5情景下，中国整体粮食安全下降了−6.68%。与BAU情景相比，SSP1+RCP2.6情景表现最佳，对所有地区的FS产生积极影响。这表明绿色低碳发展是保障未来金融设施的重要且有效途径。相反，SSP5+RCP8.5的情景对FS影响最大。这进一步说明，中国不同地区的火力供应在高排放情景下面临严峻挑战。4. 讨论本研究显示，中国整体粮食自给水平总体上实现了“粮食基本自给和粮食配给绝对安全”，这一结论与朱等（2025）的研究发现一致。基于此，本研究进一步运用机器学习方法系统分析FS的关键驱动因素，并构建了RIME-LSTM-CNN-ATT预测模型，以实现未来FS水平的动态预测。此外，通过建立多种情景，本研究探讨了在不同气候和政策冲击下应对粮食危机的最佳策略，并为相关政策的制定提供理论支持。与Zhu等（2025）的研究相比，本研究在方法论上更具创新性。我们不仅整合多种深度学习结构以提高预测准确性，还引入情景模拟技术，提升研究的实际应用价值。