基于可解释机器学习方法的中国区域小时散射辐射估算因子筛选及其对气候建模与农业应用的优化意义

本文通过可解释机器学习方法（SHAP与PDP）系统分析了时间、污染与气象因子对中国区域小时散射辐射（Rdif）估算的影响，揭示了因子贡献的空间异质性、交互效应显著优于单因子效应以及区域最优输入组合差异等关键机制。研究显著提升了Rdif估算精度（拉萨站提升达8.42%），为复杂地形下的气候建模、光伏系统优化与作物产量预测提供了重要理论支撑与技术路径。

　　

Highlight

本研究利用可解释机器学习方法揭示了中国区域小时散射辐射（R_dif）估算中时间、污染与气象因子的空间异质性与交互效应，为高精度辐射建模与可再生能源应用提供新视角。

Results

本节分析了不同区域小时R_dif估算中各因子的相对重要性并进行了排序，探究了单因子效应及因子间交互作用的影响区间，最终确定了各站点小时R_dif估算的最优因子组合。

Discussion

R_dif主要受太阳高度角、大气透明度、海拔与地表反照率影响。其中大气透明度受云、水汽与气溶胶等因素调控，变化复杂且区域差异显著，本研究通过可解释方法有效解析了这些因子的非线性贡献机制。

Conclusion

基于全国站点观测数据与GBDT模型，本研究明确了时间、气象与污染因子在区域小时R_dif估算中的贡献排序。除拉萨外，小时因子为全国最主要贡献因子，三亚、广州等南方地区小时因子贡献超26%，显著高于北方。因子交互效应普遍强于单因子作用，最优因子组合筛选后模型性能显著提升，拉萨站提升幅度达8.42%。