基于可解释机器学习的欧洲马铃薯产量气候遥相关解码:六十年遥相关驱动变率研究

《The Journal of Agricultural Science》:Decoding the climate–potato link: six decades of teleconnection-driven European potato yield variability revealed by explainable machine learning

【字体: 大 中 小 】 时间:2026年10月22日 来源:The Journal of Agricultural Science 2.3

编辑推荐:

  论文摘要翻译 理解大尺度气候遥相关如何影响主粮作物产量,对于在变暖世界中预判生产风险、强化粮食安全至关重要。本研究考察了主要遥相关模态对欧洲马铃薯产量的影响,马铃薯在欧洲仍然是粮食供应的关键组成部分。为考虑种植日历的差异,研究根据马铃薯生长季时点将欧洲划分为三

  
论文摘要翻译 理解大尺度气候遥相关如何影响主粮作物产量,对于在变暖世界中预判生产风险、强化粮食安全至关重要。本研究考察了主要遥相关模态对欧洲马铃薯产量的影响,马铃薯在欧洲仍然是粮食供应的关键组成部分。为考虑种植日历的差异,研究根据马铃薯生长季时点将欧洲划分为三个区域(北部、中部、南部)。研究采用九种机器学习技术,基于1961—2023年的数据集对区域产量响应进行建模,并纳入滞后长达36个月的多项遥相关指数。在所有模型中,轻量梯度提升机(LightGBM)在每个区域均表现最佳,其中南部精度最高(R2 = 0.79),北部精度较低但依然稳健(R2 = 0.62)。基于SHapley加性解释(SHAP)的可解释人工智能表明,东大西洋(EA)与东大西洋/西俄罗斯(EA/WR)模态始终是最具影响力的预测因子,但其重要性存在区域差异。滞后EA指数尤为显著,表明马铃薯生产中存在着强烈的气候记忆效应。尽管南部预测精度最高,但该区域历史产量水平最低,可能反映了热胁迫与水胁迫的叠加效应。通过证明区域马铃薯产量受到特定遥相关模态的强烈调控,这些发现凸显了遥相关感知预测系统在气候风险管理中的价值,并强调将气候指数纳入欧洲长期农业与粮食安全规划的必要性。

论文解读

一、研究背景与问题提出

马铃薯(Solanum tuberosum L.)是全球第四大消费作物,在欧洲既是主食,也在动物饲料中发挥关键作用,是饮食结构和农业经济的重要组成部分。马铃薯对气候变率高度敏感,其产量深受天气和气候状况影响。根据政府间气候变化专门委员会(IPCC)第六次评估报告,厄尔尼诺—南方涛动(ENSO)、北极涛动(AO)、北大西洋涛动(NAO)和斯堪的纳维亚模态(SCA)等大尺度气候模态对欧洲及更广泛地区的区域气候变率和极端天气事件产生强烈影响。在全球持续变暖背景下,这些遥相关的极端相位,尤其是ENSO,其发生频率和强度预计将增加,从而放大其对农业系统和适应挑战的影响。
传统统计模型往往难以解释大尺度气候遥相关对农业生产力的非线性和复杂效应。尽管已有研究探讨了气候遥相关对欧洲不同作物的影响,例如Ceglar等人(2017)指出遥相关解释了欧洲玉米和冬小麦变率的38%和43%,但很少有研究将多年代遥相关记录、长滞后结构和可解释机器学习技术专门应用于马铃薯,在欧洲尺度上开展此类研究的更是少之又少。现有研究主要集中于其他作物(如小麦、玉米、甜菜),或时间窗口较短,且往往依赖只能部分捕捉非线性和滞后遥相关效应的传统统计模型。
传统作物产量模型依赖温度、降水、土壤湿度等局地气象变量,这些变量虽直接影响作物生长,但本质上是大尺度大气和海洋环流的局地表达。相比之下,遥相关指数描述的是上游气候变率,可能在季节至多年时间尺度上提供更早的预警信号。因此,本研究有意评估仅包含遥相关指数的预测信息,而非将其与局地气象变量结合,旨在填补这一研究空白——利用最先进的机器学习和可解释人工智能,探索1961—2023年间遥相关指数与欧洲马铃薯产量之间的关系。具体目标包括:(i)量化多个遥相关指数(含滞后效应)对欧洲北部、中部、南部三大区域马铃薯产量的影响;(ii)开发并评估一系列机器学习模型以提高区域产量预测能力;(iii)利用SHapley加性解释(SHAP)识别最具影响力的遥相关模态并评估其影响的区域差异。

二、主要技术方法

研究人员基于欧洲马铃薯种植日历和气候特征,将欧洲划分为北部(芬兰、冰岛、挪威、瑞典、丹麦)、中部(奥地利、比利时、捷克、德国、匈牙利、爱尔兰、荷兰、波兰、罗马尼亚)和南部(保加利亚、塞浦路斯、法国、希腊、意大利、马耳他、葡萄牙、西班牙)三个子区域。遥相关指数数据来自美国国家海洋和大气管理局(NOAA)公共数据库,涵盖19项指数;马铃薯产量数据来自联合国粮食及农业组织(FAO)数据库,时间跨度为1961—2023年。研究人员对产量序列进行线性去趋势处理以消除技术进步影响,对每个遥相关指数生成滞后至收获前36个月的特征,并采用均值插补处理缺失值、标准化特征。研究比较了决策树、随机森林、支持向量回归(SVR)、XGBoost、梯度提升、AdaBoost、CatBoost、LightGBM和Extra Trees共九种机器学习模型,采用80%训练/20%测试划分和5折交叉验证,利用Optuna贝叶斯优化框架进行超参数调优,以决定系数(R2)、归一化均方根误差(NRMSE)、平均绝对误差(MAE)和平均偏差误差(MBE)为评价指标。模型解释采用SHAP方法,包括特征重要性排序图、依赖图和力分析图。

三、研究结果

各区域机器学习模型性能
LightGBM在所有区域均一致优于其他模型,表现为最高的R2值和最低的误差指标。北部区域LightGBM的R2为0.62,NRMSE为0.20,MAE为2296 kg/ha,MBE为?1061,在寒冷气候条件下展现了较强的预测能力;CatBoost(R2=0.61)和Extra Trees(R2=0.60)紧随其后,而SVR和决策树表现较差。中部区域LightGBM表现最佳,R2为0.66,NRMSE为0.18,MAE为2118 kg/ha,MBE为?473 kg/ha;相比之下XGBoost和CatBoost的R2分别仅为0.469和0.464。南部区域模型性能最高,LightGBM的R2达到0.787,NRMSE为0.16,MAE为2049 kg/ha,为所有测试模型中最低。尽管南部预测精度最高,但其历史产量水平最低,可能反映了热胁迫和水胁迫的叠加效应;中部区域产量水平最高,北部与中部相近但略低。
北部区域SHAP分析
SHAP特征重要性排序显示,EA 8(收获年8月东大西洋指数)和EA/WR 6(收获年6月东大西洋/西俄罗斯指数)是马铃薯产量的最主要预测因子。滞后遥相关指数如EA(?2)8(收获前两年8月)和EA(?1)7(收获前一年7月)也贡献显著,表明长期气候记忆效应。SHAP值分布图显示EA 8出现三个不同点群,表明该指数在不同强度和与其他气候模态交互条件下对产量预测的影响水平存在差异。力分析图显示,EA 8、EA(?2)8、EA(?1)8、EA(?1)7和EA/WR 6的正向贡献使预测产量(26876 kg/ha)增加,而WP(?2)8产生负向影响。
中部区域SHAP分析
SHAP特征重要性排序显示EA 8是最主要预测因子,其后依次为EA(?2)8、EA/WR 6、WP(?1)8(前一年8月西太平洋指数)和EA(?1)8。其他显著指数包括PNA(?1)10、EA(?1)7和Nino3(?2)4,表明近期和多年滞后遥相关模态均对区域产量变率产生实质性影响。与北部相比,中部区域EA/WR 6、PNA(?1)10和Nino3(?2)4的分布更宽,表明其影响的变异性更大。力分析图显示,EA 8、EA(?2)8和EA/WR 6是推高预测产量(31384 kg/ha)的最主要正向贡献特征,而WP(?1)8产生负向贡献。
南部区域SHAP分析
与北部和中部类似,EA 8被识别为产量预测最重要特征,其后依次为EA/WR 6、EA(?1)8和EA(?1)7。其他显著预测因子包括EA(?2)8、Ni?o4(?1)7和Ni?o4 7,体现了短期和长期气候影响的并存。与北部和中部相比,南部区域EA指数的影响点群分布相对集中,表明这些遥相关对产量结果的影响更为稳定和直接。力分析图显示,EA 8、EA(?1)8和EA(?2)8是推高预测产量(23313 kg/ha)的最主要正向贡献特征,EA/WR 6的正向效应较小,而Ni?o4(?1)7产生负向影响。

四、讨论总结与结论翻译

讨论部分总结
LightGBM的优越性能可归因于其高效处理大数据集、捕捉复杂非线性关系以及通过叶向树生长策略优化特征选择的能力。所有梯度提升模型在欧洲各区域均取得较好结果,与已有研究一致。各区域预测精度差异反映了气候条件和生长季长度的不同:北部生长季短、气候变率大,预测精度相对较低;中部气候温和、生长季较长,精度有所提高;南部生长季长且温暖、天气模态更一致,精度最高,但产量水平最低,凸显了气候可预测性与热和水相关胁迫限制生产之间的复杂关系。
EA和EA/WR模态在所有区域均为主导预测因子,凸显了北大西洋大气变率对欧洲农业的强烈影响。EA 8(8月东大西洋指数)是各区域最重要的遥相关,其气候学机制在于EA模态与欧洲夏季温度和降水变率相关,可影响干旱、热胁迫和水资源可用性;生物学机制上,8月往往与马铃薯块茎膨大、后期冠层活动或最终产量形成重叠,此阶段马铃薯产量对水分亏缺和高温高度敏感。多年代际滞后效应表明气候记忆在塑造长期农业生产率中发挥关键作用。区域差异方面,EA/WR 6在北部影响最强,与其对斯堪的纳维亚降水模态的已知影响一致;WP是中部和北部区域负向影响最大的遥相关指数,而南部区域Ni?o4(?1)7负向影响最大。
研究还讨论了实际应用价值:基于遥相关的预测可通过季节至年际农业预警系统操作化,监测EA、EA/WR和ENSO相关变量可支持灌溉分配、种植日期调整、品种选择、储存规划和作物保险风险评估等前瞻性决策。将多年遥相关指数纳入农业政策和作物保险模型可改善风险管理策略。
不确定性来源
研究指出,遥相关—产量关系的平稳性假设在加速气候变化下可能弱化;数据质量方面,FAO汇总产量记录可能掩盖各国局地管理实践、土壤条件和报告不一致性;遗漏变量如灌溉可用性、土壤持水能力、品种选择、病虫害压力和肥料管理等可能独立于遥相关变率影响产量;有意排除直接气象变量虽聚焦遥相关信号,但限制了对局地天气极端事件和农场管理效应的捕捉;36个月滞后窗口可能遗漏年代际振荡或复合极端事件。
研究结论翻译
本研究表明,LightGBM捕捉了主要遥相关模态与欧洲北部、中部和南部马铃薯产量之间的非线性和滞后关联,分别实现了0.62、0.66和0.79的R2值。东大西洋和东大西洋/西俄罗斯模态,尤其是其8月值和多年滞后值,是主导预测因子,表明区域产量变率中存在气候记忆信号。尽管南部预测技能最高,但其历史产量水平最低,可能反映了热胁迫和水胁迫;而中部和北部产量水平较高,但对气候变率和霜冻仍然敏感。将遥相关信息与可解释机器学习相结合,可支持季节至多年预警和气候知情规划,但未来工作应将这些指数与局地气候驱动因子相结合,并评估更精细的空间尺度和更多作物。
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