基于元模型归因解析全球作物模型产量异常的气候驱动因子

《Earth's Future》:Explaining Climatic Drivers of Yield Anomalies in Global Crop Models Through Metamodel-Based Attribution

【字体: 大 中 小 】 时间:2026年10月21日 来源:Earth's Future 8.2

编辑推荐:

  全球网格化作物模型(GGCMs)是评估气候对农业影响的重要工具,但其预估存在显著分歧,限制了可解释性,且影响研究常将GGCMs视为黑箱。针对性集合敏感性分析要求高且难以迁移至不同集合。该研究对最先进GGCM集合中作物产量异常的气候与土壤驱动因子进行全面评估,以

  
全球网格化作物模型(GGCMs)是评估气候对农业影响的重要工具,但其预估存在显著分歧,限制了可解释性,且影响研究常将GGCMs视为黑箱。针对性集合敏感性分析要求高且难以迁移至不同集合。该研究对最先进GGCM集合中作物产量异常的气候与土壤驱动因子进行全面评估,以玉米为代表作物。梯度提升分类器用于检测异常,SHapley加性解释(SHAP)值用于量化特征重要性,并将方法应用于由再分析气候数据驱动的最新GGCM试验。研究发现整个集合的气候驱动因子大体相似,但特征重要性分布不同。雨养条件下低降水占主导,太阳辐射通常排名第二,突出表明干旱影响取决于大气水需求,而该因子常被敏感性分析忽略。在一些GGCMs中,过量水而非水分不足驱动异常。与来自全球产量参考数据集的气候敏感性比较表明,没有任何单一GGCM在所有气候区表现最佳。单个GGCM可能对某一气候胁迫响应良好,但对其他胁迫响应不良好,强调对GGCMs进行整体基准评估可能掩盖需要针对性改进的过程。研究人员的发现表明,评估机会性数据(即为其他目的产生的试验)可为影响研究中GGCM分歧提供关键洞见。代码已在GitHub公开,以支持未来归因分析并向广泛受众说明观测结果的驱动因子。
研究背景:全球网格化作物模型(GGCMs,按网格模拟作物生长、产量形成及农业生态过程的模型)已成为全球和大尺度农业气候影响评估、农业经济与土地利用研究及政策制定的重要工具,也是农业模型比较与改进项目(AgMIP)中模型比较和气候影响集合研究的关键组成。然而,GGCMs预估分歧显著,部分地区甚至对变化方向都缺乏一致认识;集合研究虽可统一强迫数据和情景,但仍难以解释模型过程与设置差异。既有评估多将GGCMs视为黑箱,或依赖高成本、难以迁移到不同集合和最新实验的针对性敏感性分析。因此,亟需一种可直接应用于已有GGCM实验的特征重要性归因方法。该研究以玉米为代表作物,利用13个GGCMI phase3a GGCM,评估气候与土壤因子对产量异常的驱动,并比较观测数据,旨在揭示GGCMs分歧来源并为模型改进和影响研究解释提供依据。

关键技术方法(不超过250字):研究人员将模拟产量与气候数据统一至0.5°×0.5°、1971—2015年,使用13个GGCMI(Global Gridded Crop Model Intercomparison Project)phase3a模型、GSWP3-W5E5再分析气候、Harmonized World Soil Database v1.2土壤属性、SPAM 2010 v2r0收获面积掩膜及GDHY(Global Data set of Historical Yields)观测产量(1982—2016);以雨养玉米为主,充分灌溉情景作反事实。采用LOWESS(Locally Weighted Scatterplot Smoothing,局部加权散点平滑)去趋势,将≤?15%相对产量定义为异常;按K?ppen-Geiger气候区A—E分区训练XGBoost(eXtreme Gradient Boosting)二分类器,经随机网格搜索和10折交叉验证调参;以KernelSHAP计算SHAP值及交互重要性,并归一化重要性分数;以Wasserstein距离和层次聚类比较模型响应;在美国玉米带验证方法。

研究结果:
3.1 Occurrence of Maize Yield Anomalies in GGCMs:通过统计各GGCM和气候区产量异常发生比例并与GDHY比较,发现异常率在模型内和模型间差异大,约3%至近50%;半干旱气候中位异常率最高,热带最低;CYGMA1p74和SIMPLACE最高,LPJmL、LPJ-GUESS和ISAM最低。空间上集合成员多在相同地区产生异常;与观测匹配率在冷区最高(平均81%)、热带次之(80%)、半干旱最低(63%),CROVER总体最高(80%)、SIMPLACE最低(67%);半干旱区假阳性较多,提示观测与GGCM响应存在差异。
3.2 Location-Specific Evaluation:通过美国玉米带2012年热旱和1993年冷湿事件的个例验证,发现子区域重要性模式与全球结果相近;2012年多数GGCM重现异常,低降水和最高温重要性高,观测元模型更强调温度;1993年冷湿事件较难重现,仅在训练数据反映该事件的模型中预测到异常,低温和高降水、低辐射成为重要因子。
3.3 Global Drivers of Yield Anomalies Within the GGCMI Ensemble:通过全球SHAP归因,发现雨养玉米产量异常主要归因于生长季降水总量偏低,太阳辐射在热带和温带排名第二、其他地区第三,最高温排名第二或第三,最低温最低;CYGMA对过量水更敏感;土壤属性总体贡献小,有效持水量(AWC,Available Water Capacity)最低。充分灌溉情景消除水分亏缺后,太阳辐射升至热带和温带首位,低辐射主要通过降低光合作用驱动异常;AWC对SIMPLACE及EPIC类模型仍重要。
3.4 Alternative Climate Features:通过以生长季内超过阈值的日数比例构建极端特征并与生长季聚合特征比较,发现二者余弦相似度高(均值0.93,范围0.82—0.99);强降水日成为所有气候区最重要特征,热日(heating degree days)是温度相关最重要特征,killing degree days影响有限;冷区霜日对EPIC-IIASA和ISAM重要,极区总体最重要;土壤特征仍处低排名。
3.5 Clustering of Model Responses:通过以SHAP值和对应特征值构成双变量分布、计算Wasserstein距离并进行层次聚类,发现降水在热带形成两类响应,CYGMA和DSSAT-Pythia因响应形态或特征范围被单独区分;辐射响应在温带和冷区呈平坦、上升或下降等不同趋势;温度响应总体较弱且聚类噪声较大,CYGMA温度敏感性最突出;没有GGCM在所有区域和特征上持续最接近GDHY。
3.6 Differences Among Model Crops:通过大豆与玉米对比,发现大豆总体模式与玉米可比;雨养条件下特征排序大体一致,但大豆未出现玉米中过量水重要性上升;充分灌溉下高温影响在更多GGCM中显现,半干旱和冷区低温影响更突出;聚类显示多数模型较同质,CYGMA、PROMET、LPJ-GUESS、SIMPLACE等响应较独特;DSSAT-Pythia无大豆模拟结果。
3.7 Quantified Crop-Climate Sensitivities in the Context of Earlier Research:通过与前人研究对照,发现GGCMs温度敏感性仍差异大,从平坦响应到明显阈值响应并存;过量水过程表示异质,但本集合多数模型对过量水响应有限;美国玉米带中低降水略高于最高温成为异常驱动,而观测更敏感于温度和部分辐射;太阳辐射此前少受敏感性分析关注,可能通过潜在蒸散(PET,潜在蒸散)影响大气水需求。
3.8 Synthesis of Yield Anomaly Occurrence and Climate Responses:通过综合异常匹配与聚类距离,发现重现观测异常的能力与气候响应一致性之间无明显对应;SIMPLACE异常匹配最低,但在半干旱区降水响应接近观测,其差异更多来自温度响应;CYGMA和DSSAT-Pythia在辐射、降水及部分温度上与观测距离较大;LPJmL虽异常匹配较高,但在半干旱区响应距离未必低。仅用产量数据评估模型技能不足,需补充气候响应分析。
3.9 Limitations and Outlook:通过方法局限分析指出,生长季聚合特征会丢失亚季节和日内信息,并忽略生长季前土壤湿度;所用数据为机会性实验而非因子设计,不能直接外推至CO2升高和气候预估情景;模型结构、参数和物候期差异影响解释;未来需发展更贴近过程模型结构的子季节元模型、开展过程诊断和田间尺度合作,并谨慎解释聚类结果。

讨论部分总结:该研究讨论强调,降水是GGCM集合中负产量异常的主导驱动,太阳辐射和温度相关特征次之;辐射同时影响光合作用和大气水需求,是理解干旱和模型不确定性的关键变量,应在因子敏感性分析和影响研究解释中纳入。温度响应高度异质,部分模型对低温也敏感;过量水过程在模型中表示不一,且全球尺度条件难以充分表达。方法可识别特定气候条件下模型的特异响应,辅助模型开发和集合成员选择;将机会性样本归因与结构化GGCM模拟及智能采样结合,可提升过程理解和模拟效率。

研究结论翻译:该分析识别降水为影响GGCM集合中负产量异常的主导变量,太阳辐射和温度相关特征排名第二。辐射迄今在气候归因中关注有限,尽管其在驱动光合作用和大气水需求中处于中心地位。研究发现GGCMs在将辐射归因为产量异常驱动因子方面差异强烈,突出其在理解作物产量模拟中模型诱导不确定性方面的核心作用。因此,在可扩展至过程层面以进一步了解模型响应机制的因子敏感性分析以及影响研究解释中,均应考虑这一点。类似地,研究发现对最低和最高温度的响应高度多样,包括一个模型亚组在低值下异常概率更高,这可为未来迄今聚焦变暖的分析提供温度范围信息。最后,所提方法可识别特定气候条件下具有非常特定响应的GGCMs,可为进一步模型开发和特定应用集合成员选择提供信息。总体而言,结果表明该重要性归因方法提供了一种利用再分析强迫或气候影响研究等现有实验数据定量评估GGCM主导特征的手段。相较早期研究,该方法还纳入了与非气候GGCM输入(如土壤质地)的交互作用,这些交互可催化气候影响。未来研究可将本方法应用于机会性样本,并与早期研究使用的结构化GGCM模拟结合,且可通过智能采样方法最终缩减模拟量。研究人员还预期该方法对通常不进行重要性归因的GGCM实验分析有价值,例如核冬天、地球工程和洋流扰动引起的冷却与增湿。
相关新闻
生物通微信公众号
微信
新浪微博

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