玉米是全球重要的粮食、饲料与工业原料作物，在保障粮食安全中具有战略地位；中国作为玉米生产与消费大国，其产量稳定直接关系到国家粮食安全与农业可持续发展。在气候变化背景下，玉米产量预测面临传统作物机理模型参数复杂、计算成本高、跨区域适用性受限，主流机器学习模型则在极端气候条件下预测精度不足的问题。本文提出一种融合物理机理的可解释机器学习框架：采用级联五阶段生长模块，每个阶段内通过自注意力机制设置8个注意力头，其中7个为专家头（分别对应高温、低温、干旱、洪涝、倒伏、综合灾害、无灾害），特征分配严格遵循农学知识，并通过阶段特异性硬性注意力掩码强制学习符合生理敏感性的胁迫响应顺序。结果表明，本模型在产量预测中能够有效捕捉极端产量值，对极端情景展现出更强的适应能力。在测试集中，决定系数R²=0.80；在独立验证集中，R²=0.79、平均绝对误差MAE=0.449（t·ha^-1）、归一化均方根误差NRMSE=0.076，均优于传统作物机理模型与主流机器学习模型。此外，在低温、高温、洪涝、干旱等极端气候情景下，本模型在所有对比模型中均保持最高且最稳定的R²值。特征置乱重要性分析显示，氮肥施用量、抽雄乳熟期的相对湿度、钾肥施用量以及关键生育期的辐射强度是玉米生殖生长的关键影响因子。本研究为构建兼具高效率、强泛化与内在可解释性的农业决策支持系统提供了可行的技术路径。

产量预测；可解释机器学习；物理机理融合；极端气候