基于可解释Transformer框架的气候驱动青藏高原草地地上生物量建模与未来预估

《Ecological Indicators》：Climate-driven modeling and future projection of grassland aboveground biomass on the Qinghai-Xizang plateau using an interpretable Transformer framework

　　

• 基于可解释Transformer框架的青藏高原（QXP）草地月度地上生物量（AGB）建模。
• 三种可解释性方法交叉验证气候驱动因子和关键时间窗口。
• CMIP6预估揭示了到2060年不同草地类型间AGB趋势的分异。

基于可解释Transformer框架的青藏高原草地地上生物量建模与未来预估——论文解读

**1. 研究背景与问题**
青藏高原草地约占区域总面积的60%，对水分涵养、防风固沙及区域生态安全至关重要，同时也是对全球气候变化最敏感的地带之一。已有基于遥感与机器学习的地上生物量（Aboveground Biomass，AGB）估算研究多集中在年尺度或生长季尺度，将不同年份或月份的样本视为独立观测，忽略了气候因子对生物量累积的月际滞后效应。Transformer凭借多头自注意力机制可建立序列中任意两个时间步的直接关联，但其注意力权重并不能直接等同于输入特征对预测结果的实际贡献。因此，研究人员构建了可解释Transformer序列建模框架，将三种可解释性方法交叉验证，并利用CMIP6多情景气候数据预估未来草地AGB变化。

**2. 研究内容与总体结论**
该研究以2003—2023年9123个野外测量样点生成的Ranger月尺度AGB产品为训练标签，将12个月逐月气候序列作为输入，预测生长季（5—10月）逐月AGB。通过对比五种模型选出Transformer作为核心模型，结合遮挡实验、集成梯度与注意力权重识别气候驱动因子和关键时间窗口，并利用CMIP6三个共享社会经济路径（SSP126、SSP245、SSP585）驱动模型预估2024—2060年AGB时空动态。研究得出结论：降水是首要气候驱动因子，4月降水最为关键；注意力权重不能单独作为特征重要性的代理指标；未来各情景下AGB整体呈增加趋势，但存在显著的草地类型和空间分异。

**3. 主要技术方法**
研究使用9123个野外样点（其中1338个来自早期已报道实测数据）资料，每个样点每年构建一个样本，共191583个样本，按时间顺序划分训练集（2003—2017）、验证集（2018—2020）和测试集（2021—2023），以避免数据泄漏。以Transformer为骨干，与LSTM、GRU、XGBoost和随机森林进行对比，采用R²、RMSE、MAE等指标评估。可解释性分析采用三种方法：遮挡实验（逐变量或逐月置零并计算ΔRMSE）、集成梯度（Integrated Gradients，IG）（通过梯度积分量化各变量和月份的贡献）、注意力权重（提取CLS标记在各月份上的注意力分布），并经Spearman秩相关进行交叉验证。通过特征消融实验、嵌套交叉验证（5外折×3内折）和Optuna贝叶斯优化，最终确定“降水+最高气温”（pre+tmx）为最优变量组合。未来气候数据来自CMIP6的12个全球气候模式集合平均，经分位数增量映射（QDM）偏差校正后重采样至500 m。

**4. 研究结果**
**3.1 模型性能比较与Transformer选择**：五种模型在测试集上的总体RMSE差异小于5%，其中XGBoost整体R²最高（0.6190），Transformer位居第三（R²=0.6008）；但在7—8月生长旺季Transformer误差低于XGBoost，且其自注意力权重可直接提取，故被选为核心模型用于后续解释与预测，最终优化后测试集R²达0.6330。

**3.2 气候驱动因子识别**：遮挡试验显示，遮除降水后模型RMSE从345.61增至767.26 kg DW/ha（ΔRMSE=+421.65），远高于遮除温度变量的影响，R²降至?0.9677；IG分析同样将降水列为第一贡献变量（平均|IG|=295.36）。月份尺度上，两种方法均表明4月是全年最重要月份（遮挡4月ΔRMSE=+17.27），且4月降水在变量×月份联合矩阵中贡献值最高（平均|IG|=1185.20），是峰值期生物量形成的核心气候信号。

**3.3 三种