《Agricultural Water Management》:Simulating ecosystem water and carbon fluxes by integrating remote sensing indices with multiple machine learning models
编辑推荐:
准确量化水碳通量对于评估半干旱生态系统的水文气候脆弱性至关重要。然而,传统数据驱动模型在捕捉环境约束下复杂的非线性通量响应方面往往缺乏透明度。在本研究中,研究人员采用了五种机器学习算法(XGBoost、CatBoost、随机森林(Random Forest)、
准确量化水碳通量对于评估半干旱生态系统的水文气候脆弱性至关重要。然而,传统数据驱动模型在捕捉环境约束下复杂的非线性通量响应方面往往缺乏透明度。在本研究中,研究人员采用了五种机器学习算法(XGBoost、CatBoost、随机森林(Random Forest)、LightGBM和NGBoost)结合SHapley Additive exPlanations(SHAP),通过整合卫星衍生的太阳诱导叶绿素荧光(SIF)和叶面积指数(LAI)与当地气象和土壤变量,模拟特定半干旱站点的每日总初级生产力(GPP)、蒸散发(ET)、净生态系统交换(NEE)和生态系统呼吸(Reco)。整合多源遥感数据显著提高了模型在捕捉GPP和ET时空变异性方面的性能(R2 = 0.72–0.80),使GPP模拟的居中均方根差(CRMSD)降低了约20%。在评估的算法中,CatBoost对GPP和Reco实现了最高精度,而XGBoost对ET和NEE表现最佳。然而,Reco和NEE的整体预测精度仍低于GPP和ET。SHAP分析并未推断未观测到的生态生理机制,而是提取了定量基准,揭示了强烈的预测互补性:SIF成为GPP的首要功能预测驱动因子,高于0.24?W?m?2 μm?1 sr?1的零交叉阈值;而LAI作为基本结构约束控制ET,在1.32?m2 m?2的严格阈值处转变为促进作用。此外,样本级聚类分析客观地表明,极端高通量事件由特定的SIF和LAI定量组合非线性共同决定。最终,本研究展示了可解释机器学习在解析功能和结构植被指数非线性作用方面的潜力。所得到的定量基准为评估站点特定生态系统对水文气候胁迫因子的响应提供了严谨的数据驱动框架。
半干旱生态系统对全球气候变化高度敏感,其水碳循环的准确量化对于评估区域水文气候脆弱性至关重要。然而,传统数据驱动模型在捕捉环境约束下复杂的非线性通量响应方面存在透明度不足的问题。为解决这一研究空白,本研究以中国河北省邢台市柳林生态水文观测站(Liulin Eco-hydrological Observation Station)为研究站点,该站点位于半干旱向半湿润过渡的气候区,主要土地利用为农田(小麦和玉米)。研究人员基于2021-2023年生长季(4-9月)的涡度相关通量观测数据、气象土壤数据以及卫星遥感数据(太阳诱导叶绿素荧光SIF和叶面积指数LAI),开展了水碳通量模拟研究。研究人员采用了五种机器学习算法(随机森林RF、XGBoost、CatBoost、LightGBM和NGBoost),并耦合SHapley Additive exPlanations(SHAP)可解释性方法,独立模拟了每日总初级生产力(GPP)、蒸散发(ET)、净生态系统交换(NEE)和生态系统呼吸(Reco)。通过严格的6折时间块交叉验证评估模型性能,并利用多种指标(如决定系数R
2、泰勒技能评分TSS等)和复合排名指数(CRI)确定最优模型。随后,基于最优模型进行敏感性分析和SHAP解释,提取非线性阈值和聚类模式。研究发现,整合多源遥感数据(SIF和LAI)显著提升了GPP和NEE的模拟精度,GPP的CRMSD降低了约20%。CatBoost在GPP和Reco模拟中表现最优,XGBoost在ET和NEE模拟中表现最优。然而,Reco和NEE的预测精度仍然低于GPP和ET,反映出数据驱动模型在模拟地下碳过程方面的局限性。SHAP分析揭示了SIF和LAI的非线性驱动作用:SIF对GPP的促进作用在超过0.24?W?m
?2 μm