利用通用且低计算成本的机器学习模型,预测全球农业生态系统中一氧化二氮浓度激增发生的时间与原因

《Agricultural and Forest Meteorology》:Predicting when and why N2O hot moments occur across global agroecosystems with a generalizable, low-input machine learning model

【字体: 大 中 小 】 时间:2026年06月30日 来源:Agricultural and Forest Meteorology 6.6

编辑推荐:

  Ryan Ackett|Haileab Hilafu|Ilya Gelfand|Emine Fidan|Debasish Saha美国田纳西州诺克斯维尔市田纳西大学,生物系统工程与土壤科学专业摘要农业生态系统中的土壤一氧化二氮排放量具有时间变化性。由局部气候条件及养分供应的突然变

  
Ryan Ackett|Haileab Hilafu|Ilya Gelfand|Emine Fidan|Debasish Saha
美国田纳西州诺克斯维尔市田纳西大学,生物系统工程与土壤科学专业

摘要

农业生态系统中的土壤一氧化二氮排放量具有时间变化性。由局部气候条件及养分供应的突然变化引发的短暂“高排放期”会对年度总排放量产生显著影响。若能准确预测此类时间动态及高影响事件,尤其是在复杂多样的新环境中,将有助于集中减缓措施,并提升全球模型中对高排放期的刻画精度。我们采用了分类机器学习模型,以简化高时间分辨率下的高排放期预测。得益于这种简化设计,这些模型仅需较少管理、环境及气候数据即可运行,提升了其应用可行性。我们在经过时间和空间分层处理的多个数据集上对模型进行了严格评估,包括在未观测年份以及全球29个不同农业试验中的新型测试地点进行预测。在所评估的五种机器学习模型中,XGBoost展现了最佳的预测能力和泛化性能(马修斯相关系数约为0.45),它能够识别出来自未观测年份和测试地点的关键排放事件,这类事件的排放量约占总排放量的一半,且排放通量率通常是正常水平的2倍左右。通过对高排放期的统计异常检测,可快速获得高质量且可重复的训练数据,与手动标注的训练数据相比,其在构建更大规模模型方面具有相当的性能优势且更具实用性。模型行为与已知的N2O排放驱动因素一致,高排放期的预测尤其受湿润事件、肥料类型与施用速度以及温度的影响。这些结果表明,利用机器学习改进土壤N2O通量预测是一种实用且易于推广的方法,有助于全球土地管理者更有效地实施农业温室气体减排策略。

章节节选

术语表

??
统计术语缩写
中位数绝对偏差MAD
最小协方差决定因子MCD
四分位距IQR
极端梯度提升算法XGBoost
随机森林算法RF
K最近邻算法KNN
多层感知器MLP
支持向量分类算法SVC
马修斯相关系数MCC

多样化农业生态系统数据库的收集与描述

我们通过Google Scholar和Connected Papers进行了文献检索。使用“农业”“田间试验”“N?O排放”等关键词在Google Scholar上查找相关文献,然后根据以下标准筛选:(1)土壤N?O排放数据来源于农业田间试验;(2)论文中提供了每日平均N?O通量值以及相关的土壤温度、土壤湿度和降水量数据,并以表格或图表形式呈现。

模型性能

通过马修斯相关系数评估的模型在未观测年份的性能介于0.13到0.44之间,在未观测地点的性能则介于0.02到0.47之间(见表1)。总体而言,XGBoost和SVC模型的性能优于其他模型架构,尤其是在未观测地点。与在相同地点的替代年份数据上训练所得的预测结果相比,RF、MLP和KNN模型在未观测地点的预测性能往往会有显著下降。平均而言,基于统计方法生成的数据训练的模型

讨论

为提高农业温室气体排放估算的准确性并推动减排工作,有必要提升高时间分辨率和高空间分辨率下土壤N?O通量模型的精确度与易用性,尤其是在排放量变化剧烈的高排放期。我们的研究结果表明,即便不进行针对特定地点的校准,机器学习分类模型也能在广泛且真实的场景中准确预测高排放期的出现情况。我们的数据集因其全球范围内的覆盖范围以及

结论

我们的研究结果表明,机器学习在预测和缓解实际场景中的每日土壤N?O排放方面取得了显著进展。我们所设计的模型具有时间精度高、所需数据量少等优点,它将复杂的N2O通量预测问题简化为最实用的判断形式:即排放量是处于正常水平还是异常偏高?回答这一问题对于土地管理者制定有效的温室气体减排策略至关重要,同时

资金支持

本研究得到了美国-以色列双边农业研究与发展基金(BARD)的支持(资助编号:US-5434-21)。

数据获取方式

用于重现文中表格和图表的全部数据及Python代码均可在以下地址获取:https://doi.org/10.5281/zenodo.20831117

CRediT作者贡献说明

Ryan Ackett:概念构思、正式分析、研究实施、方法设计、软件开发、结果可视化、初稿撰写。Haileab Hilafu:方法设计、研究指导、论文审阅与编辑。Ilya Gelfand:资金筹集、研究实施、研究指导、论文审阅与编辑。Emine Fidan:研究指导、论文审阅与编辑。Debasish Saha:概念构思、资金筹集、资源协调、研究指导、论文审阅与编辑。
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