中国作为全球第二大玉米生产国，在气候变化与资源约束双重压力下，维持玉米自给自足面临严峻的挑战。量化玉米可获得产量及其与农户实际产量间的可开发产量差，对于保障国家粮食安全具有重要现实意义。当前研究多受限于站点观测与区域尺度评估之间的尺度转换难题。本研究基于2001—2014年全国玉米品种区域试验的3764条可获得产量数据，结合高分辨率气象、土壤与管理协变量，并行训练多种机器学习模型，筛选性能最优的模型作为站点到格点的升尺度框架，生成中国主产区0.5°×0.5°格点化玉米可获得产量数据集，并利用SHAP方法识别主导驱动因子。在此基础上，结合CMIP6三种排放情景（SSP1-2.6、SSP3-7.0、SSP5-8.5）与静态/自适应播期管理策略，预估至2050年可获得产量的变化趋势及其可开发产量差。结果表明，在多种机器学习模型中，LightGBM模型表现最优（R² = 0.74，NRMSE = 12%）。SHAP分析显示，生育期累积太阳辐射（贡献率25.8%）、生育期长度（16.7%）、种植密度（15.4%）及气温日较差（11.4%）是驱动可获得产量空间分异的关键因子。历史重构结果显示，2001—2014年中国玉米可获得产量呈由西北向东南递减的空间格局，全国平均值为12.2 t·ha^-1，而同期实际产量仅为其36.6%，可开发产量差高达63.4%。2015—2050年，不同情景下可获得产量均呈增加趋势，低排放路径结合适应性播种策略可实现更高产量增益，但产量差仍将维持在43.6%—44.7%之间。本研究构建的站点—格点升尺度方法有效揭示了可获得产量的空间异质性，为区域尺度粮食增产潜力评估及制定气候变化适应性管理策略提供了科学依据。

玉米,可获得产量,机器学习,可开发产量差