可解释机器学习揭示与欧洲山毛榉落叶相关的土壤、地形和气候因子

《Agricultural and Forest Meteorology》:Explainable machine learning reveals soil, topographic, and climatic factors linked to European beech defoliation

【字体: 大 中 小 】 时间:2026年06月29日 来源:Agricultural and Forest Meteorology 6.6

编辑推荐:

  欧洲山毛榉林日益受到环境胁迫的威胁,导致活力下降以及树木死亡。冠层落叶被广泛用作森林状况的指标,因为它综合了立地特征、气候变异性和生物压力的共同影响。尽管机器学习模型越来越多地被用于预测落叶模式,但模型的可解释性以及验证策略在评估预测性能中的作用仍未得到充分探

  
欧洲山毛榉林日益受到环境胁迫的威胁,导致活力下降以及树木死亡。冠层落叶被广泛用作森林状况的指标,因为它综合了立地特征、气候变异性和生物压力的共同影响。尽管机器学习模型越来越多地被用于预测落叶模式,但模型的可解释性以及验证策略在评估预测性能中的作用仍未得到充分探索。在本研究中,研究人员比较了传统统计模型(广义线性模型,GLM;广义可加模型,GAM)与机器学习方法,包括随机森林(Random Forest, RF)、极端梯度提升(XGBoost)和特征标记化转换器(Feature Tokenized Transformer, FT-Transformer),以及集成模型。利用地理生态和气候预测因子预测了德国石勒苏益格-荷尔斯泰因州、下萨克森州和黑森州的冠层落叶。在代表不同泛化场景的三种验证方案下评估了模型性能:随机分割、时间留出(留一年出,leave-one-year-out, LOYO)和空间留出(留一位置出,leave-one-location-out, LOLO)。随机分割验证下的预测精度最高(决定系数R2最高约0.80),时间验证下有所下降,而空间验证则产生显著更低的性能,表明空间可转移性有限。在所有验证方案中,机器学习模型的表现一致优于GLM和GAM。沙普利加性解释(SHapley Additive exPlanations, SHAP)表明,冠层落叶模式主要与立地相关的土壤性质有关,特别是容重,而前一年太阳辐射等气候预测因子则与年际变异有关。这些发现强调了评估预测模型时验证设计的重要性,并展示了数据驱动方法在森林健康监测中的潜力和局限性。
**基于可解释机器学习的欧洲山毛榉冠层落叶影响因子研究**

**研究背景与问题**

近年来,中欧森林面临严重威胁,极端天气事件频发,导致以欧洲山毛榉为代表的温带森林出现活力下降、冠层状况恶化乃至树木死亡的现象。作为欧洲温带森林的关键树种,欧洲山毛榉在2018年至2022年间的干旱事件中受到严重影响,观测到明显的冠层稀疏和落叶加剧。森林健康监测对于维持生态系统服务和生态稳定至关重要。冠层落叶作为反映树木健康和活力的重要指标,其成因复杂,受到多种环境与气候因子(如地形、土壤性质、植被、气温、辐射、蒸散等)的综合影响。当前,气候变化通过升温、长期干旱、降水模式改变和极端事件频发加剧了胁迫条件,并与立地特异性因子相互作用,导致树木活力下降的空间异质性模式。然而,由于空间异质性和复杂的非线性相互作用,厘清气候变异与立地条件的相对影响仍然具有挑战性。传统监测方法(如野外观察和统计建模)虽然发挥了核心作用,但往往依赖耗时的地面调查,且难以捕捉复杂的非线性关系。随着地理空间数据集的丰富和机器学习的进步,森林健康监测进入了精准、可扩展、预测能力强和数据驱动建模的新时代。机器学习算法能够从大型、多时相地理空间数据集中发现森林健康状况与环境驱动因子之间的非线性关系。然而,无论是传统的机器学习还是深度学习模型,常被视为“黑箱”算法,其可解释性有限,影响了对模型输出的信任。此外,模型验证对于评估其在不同环境和地理环境下的性能和泛化能力至关重要,但选择合适的验证策略仍存在争议。常用的方法(如随机k折交叉验证)往往无法考虑数据中的时空自相关性,可能导致对模型性能过于乐观的估计。因此,系统比较不同验证策略在森林健康建模中的效果,并利用可解释人工智能技术揭示关键环境因子的作用,对于提升模型的可靠性和可转移性具有重要意义。

**研究方法与技术路线**

本研究聚焦于德国石勒苏益格-荷尔斯泰因州、下萨克森州和黑森州三个联邦州,利用2016年至2022年德国国家森林状况调查(Waldzustandserhebung, WZE)获取的欧洲山毛榉冠层落叶百分比数据作为响应变量。研究筛选了504个纯山毛榉调查点,计算了每个调查点每年的平均冠层落叶值。预测变量涵盖气候、地形、土壤和植被四大类,包括前一年和当年的直接太阳辐射、标准化降水蒸散指数(Standardized Precipitation Evapotranspiration Index, SPEI)、实际蒸发量、气温、土壤湿度指数(Soil Moisture Index, SMI)、海拔、坡度、坡向、地形湿度指数(Topographic Wetness Index, TWI)、土壤容重、有机碳密度、阳离子交换容量等。所有栅格数据统一重采样至20米分辨率。研究系统比较了多种建模方法:传统统计模型(广义线性模型GLM和广义可加模型GAM)、经典机器学习模型(随机森林RF和极端梯度提升XGBoost)、深度学习模型(特征标记化转换器FT-Transformer)以及基于RF和XGBoost的混合集成模型(简单平均、加权平均和堆叠集成)。为全面评估模型性能与泛化能力,研究采用了三种验证策略:随机分割验证(80%训练,20%测试)、留一年出(LOYO)时间验证(用2016-2021年数据训练,预测2022年)和留一位置出(LOLO)空间验证(将研究区划分为30×30公里网格,每次留出一个网格作为测试集)。模型性能通过决定系数(R2)、均方根误差(RMSE)和平均绝对误差(MAE)进行评估。为增强模型可解释性,研究采用沙普利加性解释(SHAP)框架来量化各预测变量对冠层落叶预测的边际贡献,并生成SHAP重要性图、部分依赖图以及SHAP值的时空分布图,以揭示关键环境因子的非线性效应及其时空变异规律。

**研究结果**

**3.1 不同验证策略下的模型评估**
在随机分割验证下,所有机器学习模型均表现出较高的预测性能。RF与XGBoost的平均集成模型取得了最高的R2(0.7995),RF(0.7989)和加权集成(0.7968)紧随其后。XGBoost单独模型的R2为0.7767。FT-Transformer也取得了有竞争力的性能(R2 = 0.6887),明显优于线性回归模型GLM(R2 = 0.1738)和可加模型GAM(R2 = 0.549)。误差指标与R2排名一致。在留一年出(LOYO)时间验证下,模型性能有所下降但仍具解释力。XGBoost的R2最高(0.7025),RF为0.6454,集成模型R2约为0.68–0.69。FT-Transformer的R2为0.6117。而GLM(0.0561)和GAM(0.1645)表现出有限的时序泛化能力。在留一位置出(LOLO)空间验证下,所有模型的预测性能均大幅下降。基于中位数的评估显示,树模型表现出相对较强的稳健性,RF的中位R2为-0.2959,XGBoost为-0.294。尽管R2为负值,但RMSE仍处于中等范围(约13-15),表明模型保留了一定的预测能力,但无法持续优于位置特定的均值基线。FT-Transformer性能下降更为明显(中位R2 = -1.4512)。GLM和GAM的空间外推能力有限。性能从随机分割(R2 ≈ 0.8)到LOLO(中位R2 ≈ -0.3)的显著下降,凸显了空间泛化的挑战,并揭示了数据集中强烈的位置特异性效应。

**3.2 基于SHAP的预测变量重要性分析**
基于XGBoost模型(随机分割验证)的SHAP分析表明,土壤相关的立地特征与冠层落叶关联最强。细土部分容重(bulk density of the fine earth fraction)、有机碳密度(organic carbon density)、土壤阳离子交换容量(cation exchange capacity)和坡向(aspect)是影响欧洲山毛榉冠层落叶的最重要预测变量。这凸显了土壤属性在解释冠层状况中的主导作用。其他土壤性质(如粘土含量、土壤pH、氮含量)和地形湿度指数(TWI)也显示出中等程度的贡献。相比之下,动态气候预测因子的平均SHAP值普遍较低。其中,前一年的直接太阳辐射是影响力最大的气候预测因子,其次是土壤湿度指数(SMI)和标准化降水蒸散指数(SPEI)。尽管其整体重要性低于立地相关变量,但这些气候预测因子被保留在模型中,并有助于解释冠层落叶的年际变异。部分依赖图分析揭示了关键预测变量与模型预测(通过SHAP值表示)之间的非线性关系和阈值效应。例如,细土部分容重在约115 cg/cm3以下影响相对稳定,超过此阈值后对预测落叶概率的贡献急剧增加,表明存在土壤压实强烈制约冠层状况的阈值。

**3.3 SHAP值的时空评估**
空间SHAP值分布图显示,细土部分容重的影响最为清晰,在黑森州南部和西南部存在明显的正SHAP值热点区,表明该因子在这些区域对预测落叶有正向贡献。有机碳密度和阳离子交换容量的空间模式更为异质,其贡献在局部地区表现为负值,暗示可能降低了预测的落叶概率。坡向的空间模式最弱,SHAP值在整个研究区大多接近零。

时间序列SHAP分析比较了两个代表性变量:细土部分容重(静态土壤因子)和前一年直接太阳辐射(动态气候因子)。从2016年到2022年,细土部分容重的SHAP值保持稳定,显示出持续的空间梯度。相比之下,前一年直接太阳辐射的SHAP值在2018年干旱后发生了明显的时间变化。2018年之前,该预测因子的贡献普遍较弱且空间异质;从2019年开始,SHAP值的幅度和空间一致性均有所增加,南部地区更多样地显示出正SHAP值,表明其对模型预测落叶的贡献增强;而在2022年,其影响再次减弱。这表明太阳辐射的作用在干旱事件后的不同年份间存在变化。

**讨论与结论**

本研究通过系统比较验证设计,推进了欧洲山毛榉健康建模,并展示了它们如何影响模型性能和对落叶驱动因子的生态学解释。研究发现,验证策略的选择显著影响对模型性能的结论。随机分割验证由于训练集和测试集在时空分布上高度相似,可能产生过于乐观的性能估计,适用于初步评估预测变量与落叶之间是否存在关系。留一年出(LOYO)和留一位置出(LOLO)验证提供了对模型时空泛化能力更现实、更保守的评估,对于旨在预测新区域或未来条件下冠层状况的应用至关重要。机器学习模型(特别是XGBoost和RF)在捕捉冠层落叶与环境因子之间复杂的非线性相互作用方面优于传统统计模型(GLM和GAM)。然而,所有模型在空间外推(LOLO)时性能均大幅下降,凸显了森林健康建模中空间可转移性的重大挑战,这反映了研究区内显著的环境异质性以及可能未被现有预测变量完全捕捉的局地效应。

SHAP分析表明,相对稳定的立地特征,尤其是土壤性质,与冠层落叶的空间变异关联更强,而短期气候预测因子则更多地与年际变异相关。土壤容重、有机碳密度和阳离子交换容量等是关键土壤因子。部分依赖图揭示了这些关系中的非线性阈值。时空SHAP分析为森林健康监测和管理提供了动态的、位置特异性的见解。土壤性质的影响在空间上持续且稳定,而某些气候因子(如太阳辐射)的影响在极端干旱事件后表现出时间动态。这有助于识别土壤条件不利且与气候胁迫期重合的高脆弱性区域,从而为针对性监测和适应性经营干预提供依据。

本研究也存在一些局限性,包括每个地点和年份的样本量相对较小,预测变量集有限,可能限制了模型的解释力。未来研究可通过纳入更广泛的空间覆盖、更多的监测点、更长时间序列的数据以及额外的预测变量(如植被结构指标、经营历史、病虫害数据)来进一步完善。从方法论角度,未来应探索领域自适应技术以提升模型跨区域的可转移性,并开发结合深度学习、传统机器学习和生态过程模型的混合集成方法。

**结论**(Conclusion)部分指出:本研究应用了一个集成了传统统计方法(GLM和GAM)、深度学习(FT Transformers)与机器学习技术(XGBoost、Random Forest及其集成)的混合建模框架来预测欧洲山毛榉林的冠层落叶。此外,通过比较不同的验证策略,本研究强调了空间显式评估对于可靠评估模型在异质森林条件下的泛化和可转移性的重要性。研究结果强调了立地特征(包括土壤性质和地形)在解释冠层落叶中的主导影响。利用基于SHAP的可解释性,研究人员提供了关于气候和环境因子非线性及空间变异效应的细致见解,为解释欧洲山毛榉落叶提供了透明的基础。这些发现推动了森林健康监测,并支持制定气候智能型适应性经营策略,以减轻持续环境变化带来的风险。
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