物候期约束了可解释机器学习揭示的种植系统中土壤呼吸的可预测性

《Agricultural and Forest Meteorology》：Phenology constrains the predictability of soil respiration in cropping systems revealed through interpretable machine learning

　　

土壤呼吸(Rs)连接冠层碳同化与地下碳循环；然而其驱动因素与可预测性在作物发育过程中差异显著。多数传统的季节聚合方法隐式地将生长季视为均质，从而掩盖了物候依赖的土壤CO2排放控制。为应对该局限，研究人员采用阶段显式建模，考察免耕旱地系统中棉花(Gossypium hirsutum L.)与玉米(Zea mays L.)全生命周期内Rs可预测性与主导驱动因素的迁移。基于此框架，研究人员发现Rs可预测性与主导控制均具强阶段依赖性。具体而言，预测能力局限于特定物候阶段(R2最高达0.52)，并在生殖转换期持续崩溃，表明这些发育期内Rs与实测地表预测因子耦合减弱。在此阶段依赖机制下，植被指数(VIs)在选定物候期对Rs预测提供信息信号，而在过渡阶段预测效用衰减。相比之下，覆盖作物(CC)残效主要作为幅度滤波器，调节Rs基线强度，而不根本改变其对环境驱动因子的敏感性(?R2 ≤ 0.04)。为进一步阐释这些模式，可解释分析(SHAP/PDP/ICE)揭示了预测因子-响应关系中作物特异性非线性。最显著的是，生长季后期出现非单调VI-Rs轨迹，表明冠层绿度或覆盖增加并不始终对应作物发育后期更高的土壤呼吸。综上，结果表明Rs的支配逻辑随物候系统性变化。因此，阶段显式建模为解释土壤呼吸可预测性的物候依赖迁移及识别通量可检测性增强或降低的发育窗口提供了框架，可为物候感知数据采集与模型评估提供参考。

研究背景方面，土壤呼吸(R_s)是陆地碳循环最大且最具动态的组分之一，反映根、微生物与土壤动物联合活动，受环境与管理共同调控。传统机器学习(R_s建模)常将全生长季 temporally aggregated 训练，学习单一预测因子-响应关系，掩盖了作物发育中关系的迁移。冬季覆盖作物(CC)通过残体输入与微气候改变R_s，但效应多变且常在控温湿后减弱；植被指数(VIs)作为冠层-地下耦合代理，在生殖期或胁迫期耦合下降。研究者指出，已有模型未能显式表示物候切换，因此开展本研究以阶段显式随机森林(RF)结合SHAP与PDP/ICE诊断R_s可预测性随棉花、玉米物候的迁移。该研究发表于《Agricultural and Forest Meteorology》，意义在于为物候感知的土壤呼吸监测与特征选择提供实证框架。

关键技术方法上，研究人员在美国密西西比州立大学R.R. Foil植物科学研究中心的玉米-棉花轮作田间系统（56个固定小区，含无覆盖对照与豌豆、黑麦、萝卜及混播等覆盖作物序列）开展2020–2023年观测；使用LI-8100A便携式气室于永久PVC collar测定R_s，同步记录5 cm土壤温度(ST)与体积含水率(SM)；以UAV多光谱（红边叶绿素指数CI_rededge用于玉米、优化土壤调节植被指数OSAVI用于棉花）提取VIs；以累积生长度日(AGDD)替代日历日期分物候阶段（棉花4期：出苗、现蕾、开花、吐絮；玉米3期：营养V、早生殖ER、晚生殖LR）；对每个作物×阶段独立训练RF回归，嵌套分组交叉验证防空间泄漏，网格调参，以SHAP、PDP、ICE（基线中心化）解释，仅对R²>0.2阶段做机制解释。

研究结果部分，3.1节阶段分类与呼吸动态显示，R_s随阶段显式聚类呈生物有意义迁移：棉花自出苗至开花达峰值约6.1–6.3 μmol m^-2 s^-1后下降，玉米营养期上升、生殖后期下降，阶段划分捕获了R_s轨迹。3.2节阶段显式预测性能表明，R_s可预测性严格阶段依赖，R²最高0.52且仅存于特定阶段，生殖转换期模型技能崩溃，说明地表预测因子耦合减弱。3.3节预测因子重要性迁移中，VIs在选定营养/早生殖期贡献突出，过渡期衰减；ST与SM重要性随阶段起伏但未被完全替代；CC残效以幅度滤波为主(?R²≤0.04)，不改敏感性结构。3.4节可解释非线性响应(SHAP/PDP/ICE)揭示作物特异轨迹：棉花现蕾-开花VI-R_s近单调，晚季吐絮出现非单调——绿度升而R_s不升；玉米晚生殖期CI_rededge饱和甚至反向，印证同化物转向生殖器官致冠层-根系解耦。

讨论与结论翻译总结：研究人员讨论指出，季节聚合模型因忽视物候异质性而高估整体可预测性，阶段显式框架暴露了生殖转换作为R_s可检测性低谷的普遍特征；VIs效用受冠层-根碳运输生理耦合时限约束，CC残效属基线调节而非驱动替换。结论为：R_s支配逻辑随物候系统性切换；阶段显式可解释机器学习能识别预测技能增强或崩溃的发育窗口，证明物候感知采样与分阶段评估对农业生态系统碳平衡量化必要，未来特征工程应规避跨阶段强制共享响应函数。