气象因子在调控总初级生产力（GPP）中的作用已得到广泛认可。然而，关于GPP趋势的归因研究多集中于年际尺度，可能掩盖了GPP对气象变化在季节层面的动态响应差异。本文构建了融合随机森林、极端梯度提升和深度神经网络的季节分组集成学习框架（ML-Ensemble-GPP），实现了4 km、月尺度GPP的高精度重建：月尺度区域平均PCC为0.95，年际序列PCC为0.98，为后续归因分析奠定了可靠的模型基础。依托“重建—归因”模拟框架，通过控制变量情景实验分离了温度、降水和太阳辐射对旱区GPP趋势的独立贡献。结果显示，单一的温度、降水和太阳辐射变化分别导致年均GPP以-0.02, 0.11和-0.13 gC·m^-2·y^-1的速率变化。区域整体上，太阳辐射减弱的负效应与降水增加的正效应相互抵消。温度贡献在年均尺度上较弱，主要源于显著的季节“对冲”效应：春秋增温普遍促进光合作用，而夏季高温易超过植被最适温度从而抑制生产力，季节间抵消导致年均温度效应不明显。在空间上，主导气象因子呈清晰分异：青藏高原旱区因基准温度较低、增温未超出植被最适温度范围，温度成为GPP变化的主要驱动；东北旱区受太阳辐射显著减弱及冠层对光照变化敏感的影响，辐射因子主导该区GPP下降；华北旱区因显著增湿而确立水分条件的核心控制地位，降水成为主导因子。上述结果表明，仅基于年均统计难以揭示旱区植被响应机理，须在季节与空间多维框架下识别驱动因子的真实作用。