利用GeoDetector和集成机器学习模型，结合环境和气候因素，评估基于卫星数据的时空土壤水分异质性的可预测性

《Journal of Hydro-environment Research》：Assessing predictability of spatio-temporal soil-moisture heterogeneity with satellite-data using GeoDetector and ensemble machine learning models considering environmental and climatic factors

本研究分析了2016-2024年气候变化对Kangsabati上游集水区土壤湿度的影响，揭示了温度、降水和植被指数的复杂相互作用，并构建了XGBoost模型，其预测精度最高，尤其在旱季和雨季表现优异，但对冬季预测效果中等。

　　土壤水分（SM）是地球表面生态系统中一个至关重要的要素，它不仅影响地表径流、蒸发、植被生长等自然过程，还与气候变化和人类活动密切相关。随着全球气候变化的加剧，土壤水分的动态变化变得愈加复杂，传统的统计方法在预测和分析其变化方面面临一定挑战。因此，近年来，科学家们越来越多地采用回归模型、数据融合以及数据驱动的方法来研究土壤水分的时空变化特性。本研究聚焦于印度西孟加拉邦的Kangsabati上流域（KAUC），旨在分析2016年至2024年间气候变化对土壤水分的影响，探讨环境与气候因素之间的交互作用，评估关键预测变量，并构建基于机器学习（ML）的土壤水分时空估算模型。

KAUC地处热带草原气候区，其气候特征在季节间表现出明显的波动性。该区域的地理条件、降水模式以及温度变化均对土壤水分的分布和变化产生重要影响。研究表明，土壤水分的变化不仅受到降水的直接影响，还与植被状况、地表温度（LST）、最小温度（T_min）、最大温度（T_max）等变量密切相关。在冬季和季风后，NDVI（归一化植被指数）、T_min和蒸散发（ET）均呈现出上升趋势，而LST则持续下降。这些变化揭示了不同季节中土壤水分与气候因素之间的复杂关系，其中T_min对土壤水分的影响尤为显著，无论在哪个季节都表现出较强的关联性。

在环境与气候因素的交互作用分析中，T_max和季风后降雨被识别为预测土壤水分变化的关键变量。研究发现，T_max和T_min对土壤水分的影响具有明显的季节差异，尤其是在冬季和季风后。此外，NDVI作为土壤水分的重要影响因子，其变化趋势与土壤水分之间存在正相关关系。然而，NDVI的变化也可能通过持续的蒸腾作用导致土壤水分减少，因此在不同季节和不同地理区域，NDVI对土壤水分的影响可能会有所不同。

为了更准确地预测土壤水分的变化，本研究采用了一种基于机器学习的模型，即XGBoost模型。与其他模型如决策树（DT）和极端树回归（ETR）相比，XGBoost在不同季节的土壤水分估算中表现出更高的准确性。特别是在季风前和季风后，XGBoost模型在估算土壤水分的异质性方面表现尤为突出。然而，在冬季，其性能相对较低，仅为73%。这表明，不同季节的土壤水分变化特性存在显著差异，需要针对特定季节调整模型参数以提高预测精度。

在研究过程中，我们发现土壤水分的动态变化不仅受到单一变量的影响，还与多个变量之间的交互作用密切相关。例如，降雨、温度、植被状况、地表温度等变量在不同季节对土壤水分的影响方式各不相同。这种复杂性使得建立一个全面的土壤水分估算模型变得尤为重要。通过采用XGBoost模型，我们能够更有效地捕捉这些变量之间的非线性关系，从而提高土壤水分预测的准确性。

此外，本研究还揭示了气候变化对生态系统和经济活动的潜在影响。土壤水分的变化不仅影响植被的生长状况，还可能对农业生产和水资源管理产生重要影响。随着气候变化的加剧，某些地区的土壤水分可能变得更加不稳定，这可能会对当地的农业生产造成威胁，进而影响经济和社会发展。因此，政府机构和相关管理部门需要密切关注土壤水分的变化趋势，制定相应的政策和措施，以应对气候变化带来的挑战。

综上所述，本研究通过分析气候变化对土壤水分的影响，揭示了土壤水分与多种环境和气候因素之间的复杂关系。采用XGBoost模型，我们能够更准确地预测不同季节的土壤水分变化，特别是在季风前和季风后。然而，在冬季，由于土壤水分的变化特性较为复杂，模型的预测能力相对有限。这些发现为政府机构和相关管理部门提供了重要的参考，有助于更好地理解和应对气候变化对水资源管理的影响。未来的研究可以进一步探讨不同地理区域和气候条件下的土壤水分变化规律，以提高预测模型的适用性和准确性。