《Earth》：Seasonal Variability of Climatic Parameters and Impacts on Food Crop Yields in the Western Plateau Region of Togo
编辑推荐：
蒸气压亏缺（Vapor Pressure Deficit，VPD）是热带农业系统中大气蒸发需求与植物水分胁迫的关键决定因素。本研究应用高斯混合模型（Gaussian Mixture Model，GMM）和K-Means聚类对2021年8月至2025年9月期间从
蒸气压亏缺（Vapor Pressure Deficit，VPD）是热带农业系统中大气蒸发需求与植物水分胁迫的关键决定因素。本研究应用高斯混合模型（Gaussian Mixture Model，GMM）和K-Means聚类对2021年8月至2025年9月期间从泰国东部采集的36528个逐时气象观测数据进行分析，旨在识别与榴莲种植精准灌溉管理相关的不同大气湿度状况。评估了两种输入配置：包含气温、相对湿度、风速、太阳辐射和VPD的多变量特征空间，以及仅包含VPD的单变量输入。GMM的模型选择由赤池信息准则（Akaike Information Criterion，AIC）和贝叶斯信息准则（Bayesian Information Criterion，BIC）指导，而K-Means的表现则通过肘部法、轮廓系数、Calinski–Harabasz指数和Davies–Bouldin指数进行评估。对于多变量输入，GMM将K=7确定为最佳聚类数，这一结果得到了在该转变点AIC和BIC均出现最大单步下降的支持。对于单变量VPD输入，K=5被选为最简洁且农业上可解释的方案。从多变量GMM中导出的七个聚类被组织成四个大气湿度状况，即极低、中等、高和极高蒸发需求，捕捉了泰国东部特征性的逐日和季节性VPD变异的全谱。结果表明，基于GMM的概率聚类应用于多变量气象输入，比单变量或几何聚类方法更全面地刻画了大气湿度动态，为热带水果种植中的分层灌溉调度和干旱胁迫早期预警系统提供了实用框架。
**多哥西部高原地区气候参数季节变异性对粮食作物产量影响的论文解读**
研究背景：在全球气候变暖背景下，蒸气压亏缺（Vapor Pressure Deficit，VPD）作为衡量大气蒸发需求的关键指标，显著影响作物蒸腾、光合作用及水分利用效率。多哥西部高原地区属于热带季风气候，干湿季节分明，粮食作物（如玉米、高粱）产量受气候参数（气温、湿度、风速、辐射等）的季节波动影响较大。目前存在的问题包括：多参数联合驱动下的大气水分需求模式尚不明确，传统单一变量阈值法难以刻画复杂的昼夜和季节性VPD分布结构；现有聚类方法（如K-Means）假设球形等大小簇，无法有效处理连续环境数据的重叠分布特性；缺乏针对该区域粮食作物灌溉管理的概率型气候分区框架。为此，研究人员基于长期高分辨率气象观测，系统应用高斯混合模型（Gaussian Mixture Model，GMM）进行概率聚类，并与K-Means对比，旨在识别不同大气湿度状况，为精准灌溉和旱情预警提供数据驱动基础。论文发表在《Earth》。
主要技术方法：研究人员采用两种聚类算法——GMM（通过期望最大化算法估计参数）和K-Means（最小化簇内平方和）。输入特征分为多变量组（气温、相对湿度、风速、太阳辐射和VPD）和单变量组（仅VPD）。模型选择：GMM使用AIC（赤池信息准则）和BIC（贝叶斯信息准则）确定最优簇数；K-Means使用肘部法（WCSS）、轮廓系数、Calinski–Harabasz指数和Davies–Bouldin指数评估聚类质量。数据来源为泰国东部（12.6° N, 102.1° E）的EASTERN TECH FUSION平台，获取2021年8月至2025年9月间36528个逐时气象观测记录，经Z-score标准化处理。
研究结果：
3.1 多变量输入的最佳聚类数：对多变量输入，GMM的AIC和BIC在K=7处出现最大单步下降（ΔAIC≈24065，ΔBIC≈23937），表明该点为统计意义上的有意义转变；而K-Means的四项内部验证指标均一致支持K=2（最高轮廓系数0.4532、最高Calinski–Harabasz指数30144.87、最低Davies–Bouldin指数0.9504）。由于几何指标适用于硬分区算法而GMM适用似然准则，研究人员基于统计合理性及农业实际需求（榴莲对VPD呈非线性响应，需多级阈值），选用K=7作为多变量输入最优簇数。
3.2 多变量输入的聚类特征：GMM（K=7）识别出七个簇，可归纳为四个大气湿度状况：极低（Cluster 0和Cluster 1，近零VPD，夜间/雨季）、中等（Cluster 2，双峰分布，过渡时段）、高（Cluster 3和Cluster 4，中等蒸发需求）和极高（Cluster 5和Cluster 6，右偏分布，可达4–5 kPa，旱季白天）。时间分布图（图3）显示低VPD簇在雨季（6–10月）占主导，高VPD簇在旱季（1–3月）峰值明显。堆积面积图（图5）进一步证实这一季节性模式。
3.3 单变量VPD输入的最佳聚类数：对于仅以VPD为输入，GMM的AIC和BIC在K=9处达到统计最小值，但K=5之后边际改善不足4%，且K=5处Davies–Bouldin指数达到局部最小值（0.5208），故选择K=5为农业上更简洁可解释的解。K-Means仍偏好K=2（轮廓系数0.6581），但二簇方案不足以捕捉四年逐时数据中的VPD全谱。
3.4 单变量输入的聚类特征：GMM（K=5）给出五个簇：Cluster 0（近零VPD，高湿），Cluster 4和Cluster 3（低到中等VPD，0.3–1.5 kPa），Cluster 2（中高VPD，1.5–3 kPa），Cluster 1（高VPD，>2 kPa至4 kPa以上）。这些簇表现出季节性循环，Cluster 1在旱季比例增加（图8–10）。
讨论：研究指出，多变量GMM（K=7）相比单变量（K=5）提供了更精细的区分，例如区分夜间近零与晨间低VPD、中等与中高蒸发需求，有利于榴莲非线性的气孔响应调控。K=7方案支持分层灌溉调度和分级干旱预警，而K=2二簇分类过于粗糙。研究强调似然准则（AIC/BIC）与几何验证指标应分别用于GMM和K-Means的模型选择，这是重要方法论贡献。
结论部分：本研究证明了基于高斯混合模型（GMM）的概率聚类在热带果树种植环境中从长期高分辨率气象观测中刻画大气湿度状况的实用性。应用于泰国东部四年逐时数据，GMM框架为多变量输入识别出七个气象上独特的簇，为单变量VPD输入识别出五个簇，并组织为四个可解释的大气湿度状况（从极低到极高蒸发需求）。结果表明，具有多变量气象输入的概率聚类比几何或单变量方法更全面地表示大气湿度动态，为榴莲种植中的分层灌溉调度和干旱胁迫早期预警系统提供了数据驱动基础。本研究的主要方法论贡献在于明确区分了适用于GMM的似然模型选择准则和适用于K-Means等硬分区算法的几何验证指标。本阶段为基础气象表征阶段，所识别状况的灌溉调度实用性将通过与田间农艺数据的整合在未来实证验证。研究结果丰富了概率方法在农业气象表征中的应用文献，表明基于GMM的状况识别适用于热带气候中连续环境数据的复杂重叠分布结构。未来研究应扩展至空间分布传感器网络、探索狄利克雷过程混合模型等非参数方法，并应用于其他热带高价值作物以拓宽其精准农业的实际影响。
