干旱区植被空间格局相变预测神经模型：方法与挑战

干旱区植被生态系统受外力易发生临界转变，空间格局使动态更复杂。研究探索神经模型在空间格局相变的早期预警信号（EWS）检测中的成效与不足，发现训练测试数据互换影响模型性能，为模型泛化标准提供新视角。

　　

已知干旱区植被生态系统在受到外部胁迫时易发生不同稳定状态间的临界转变。这类转变常通过分岔理论框架讨论，但干旱区特有的植被空间格局会导致比局部分岔更复杂多样的动态。早期预警信号（EWS）检测的最新方法进展，尤其是深度神经网络，在识别即将发生的临界转变的动态特征方面显示出潜力。然而，基于合成数据训练的机器学习模型，只有能有效迁移到实际感兴趣的测试案例中才有实用价值。这类模型在分岔转变中的泛化能力已得到验证，但在高维相变中的特征尚不明确。本文探讨了神经 EWS 检测在空间格局相变中的成功与不足，并展示了如何利用这些模型深入了解 EWS 相关信息在时空动态中的编码位置及方式。通过几个典型测试系统，从多方面探究此类模型的能力，特别关注了若干已提出的 EWS 统计指标的性能，以及区分突变与连续转变的补充任务。结果表明，当训练和测试数据源互换时，模型性能常发生显著变化，这为模型泛化标准提供了新见解。