基于深度学习框架融合植被与地下水记忆评估作物产量对气候变化的敏感性

《Earth's Future》:Evaluating Crop Yield Sensitivity to Climate Change Using a Deep-Learning Framework Incorporating Vegetation and Groundwater Memory

【字体: 大 中 小 】 时间:2026年08月29日 来源:Earth's Future 8.2

编辑推荐:

  作物产量整合了同期天气以及反映生态水文记忆的滞后植被和地下水位状态。然而这些控制变量仅在卫星时代被观测到,导致多十年作物产量记录之间存在时间错配,限制了数据驱动模型学习前期植被和地下水效应能力。研究人员开发了可解释时空框架,以重建历史作物产量响应并评估中国东北

  
作物产量整合了同期天气以及反映生态水文记忆的滞后植被和地下水位状态。然而这些控制变量仅在卫星时代被观测到,导致多十年作物产量记录之间存在时间错配,限制了数据驱动模型学习前期植被和地下水效应能力。研究人员开发了可解释时空框架,以重建历史作物产量响应并评估中国东北(NEC)未来气候情景影响。该框架核心为重建模块(ReGen-Net),将植被归一化差分植被指数(NDVI)和地下水存储异常(GWS-anomaly)记忆回溯至1981年,衔接卫星期观测与四十年产量记录。模型验证采用时间保留设计防止泄露并模拟预报条件。最终GATAE-TFT模型在玉米、水稻、大豆和小麦测试集R2分别达0.857、0.777、0.798和0.837,用于空间知情产量评估与未来预测。YieldTransformer作时间基线,GATAE-TFT作基于情景预测的最终空间知情模型。偏差校正ISIMIP(Inter-Sectoral Impact Model Intercomparison Project)投影(2017–2060)表明玉米、水稻和小麦产量逐渐下降,大豆在SSP1-2.6与SSP5-8.5下均保持稳定。基于SHAP的归因确定植被绿度与水文气候记忆为各作物最具影响力预测因子,作物对干旱指数与地下水异常存在特异性敏感。这些气候 conditioned 产量轨迹为评估NEC(中国主要产粮区及气候变化下国家粮食安全关键节点)作物生产水压力风险提供了物理基础且可解释的基准。
研究背景方面,气候变化通过温度、降水、干旱与大气蒸发需求变化威胁全球粮食安全,而作物产量不仅受生长季同期天气控制,还受前期植被状况与地下水位等“生态水文记忆”调节。当前区域产量建模面临三类结构性弱点:一是NDVI与地下水存储异常等关键信息仅存于卫星时代(NDVI自2000年、GRACE自2002年),与1981年起的产量记录存在时间错配;二是多数机器学习模型按日历月聚合气候变量,未对齐作物物候;三是空间依赖常按地理邻近表示,导致空间过拟合与时间泄露。中国东北(NEC)作为寒温带季风下的短生长季高产粮区,对这些弱点尤为敏感,因此研究人员开展本研究以重建前期记忆、对齐物候并嵌入水文气候空间相似性。
研究人员构建的框架包含三个关键方法。第一,ReGen-Net以静态地理属性和历史气候强迫为输入,用均方误差损失将NDVI与GWS-anomaly重构回1981–2016,并非简单插补而是使产量模型能学到全时段记忆效应;训练归一化统计仅取自1981–2004。第二,YieldTransformer将动态预测因子按作物物候五阶段(出苗、营养、生殖、灌浆、成熟)序列化为时间步,替代固定12月日历,静态土壤/土地/灌溉作辅助输入,用Transformer编码季节表征后接MLP回归产量。第三,GATAE-TFT在TFT(Temporal Fusion Transformer)中注入基于训练期水文气候指纹的k近邻(k=10)空间嵌入向量,以水文气候相似而非地理邻近约束时空学习;全框架在1981–2004训练、2005–2010验证、2011–2016独立测试的时间保留协议下评估,避免泄露。样本队列来自CMFD(1979–2020日气候)、Iizumi全球产量集(1981–2016玉米/水稻/大豆/小麦)、GRACE/GRACE-FO、CN科学数据银行NDVI、多尺度SPEI、SoilGrids 2.0及0.25°网格化物候日历。
研究结果部分,5.1节通过像素级对照证实ReGen-Net在空间上保留NDVI梯度(R2=0.907,RMSE=0.033)与地下水西南–东北异常格局(R2=0.867,RMSE=23.221 mm),干旱分层验证中技能不崩塌至气候平均。5.2节YieldTransformer在时间保留测试中对四作物校准无系统偏倚,玉米水稻高分位离散更大、大豆聚集、小麦低产年离散大,符合生态差异。5.3节GATAE-TFT引入水文气候空间嵌入后R2略低于YieldTransformer(玉米0.857、水稻0.777、大豆0.798、小麦0.837),但换得区域泛化与抗空间过拟合。5.4节扩展窗口验证显示技能不依赖单一测试段;消融表明去ReGen-Net对玉米R2降0.121、去物候对齐小麦降0.096、去空间嵌入小麦降0.113,三组件互补。5.5节年际箱线分布显示模型复现中位数与四分位距而非仅均值。5.6节用ISIMIP偏差校正SSP1-2.6/SSP5-8.5驱动GATAE-TFT至2060,管理/技术/CO2施肥效应固定为历史基线,结果显示2035年后玉米水稻小麦渐降、SSP5-8.5更低,大豆两情景均稳;模型间包络中期扩大反映强迫不确定性。5.7节SHAP蜂群显示湿度/降水/NDVI/地下水/SPEI跨作物主导,小麦对温度与SPEI-12敏感、玉米水稻受SPEI-03/06短期水分控制,土壤质地与土地利用贡献次要。
讨论部分指出,恢复前期生态水文记忆使1981–2016全段学习成为可能,ReGen-Net在干湿分层中稳定证明非退化为平均;GATAE-TFT以轻微局部R2换取空间泛化,契合知识引导时空图网络方向;未来轨迹因排除CO2施肥对C3作物(水稻、小麦、大豆)偏保守,玉米作C4受直接施肥影响小故下降信号更纯;未显式编码玉米–大豆轮作、田间灌溉量与品种更新,地下水异常仅代大规模缓冲而非根区土壤水;非平稳外推与固定物候日历经扰动测试不影响方向结论。
结论部分翻译:通过重建生态水文记忆并将产量学习对齐物候与水文气候空间结构,研究证明作物–气候关系可以时序稳健且生物物理可解释地学到。ReGen-Net在NEC保留NDVI(R2=0.907)与GWS-anomaly(R2=0.867)细尺度空间组织,将记忆回溯至卫星前使四十年产量学习成立。YieldTransformer提供物候时间基线,GATAE-TFT以空间嵌入作最终模型,时间保留测试R2玉米0.857、水稻0.777、大豆0.798、小麦0.837。SSP1-2.6与SSP5-8.5下2035后玉米水稻小麦渐降、大豆稳,情景分离2035后显化,轨迹排除CO2施肥属气候风险响应。中期模型间发散属强迫不确定性而非产量模型不稳;年际分布 fidelity 证明框架复现空间异质与年际变率。融合重构植被地下水与时空深度学习为NEC大尺度产量建模与农业水气候风险评价提供无泄露、可解释基准。该文发表于《Earth's Future》。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号