长江中下游单季稻多情景热危害评估的产量约束机器学习框架

《Agriculture》:A Yield-Constrained Machine Learning Framework for Multi-Scenario Heat Hazard Assessment of Single-Cropping Rice in the Middle and Lower Reaches of the Yangtze River

【字体: 大 中 小 】 时间:2026年08月29日 来源:Agriculture 4.5

编辑推荐:

  水稻是中国粮食安全的核心粮食作物。作为单季稻的核心产区,长江中下游地区在全球变暖背景下正面临日益加剧的日间和夜间高温以及复合干旱–热胁迫。因此,热危害的准确评估对于区域产量稳定和减灾至关重要。基于气象、遥感和土壤数据,以及1991—2024年间150个主产县的

  
水稻是中国粮食安全的核心粮食作物。作为单季稻的核心产区,长江中下游地区在全球变暖背景下正面临日益加剧的日间和夜间高温以及复合干旱–热胁迫。因此,热危害的准确评估对于区域产量稳定和减灾至关重要。基于气象、遥感和土壤数据,以及1991—2024年间150个主产县的县级水稻产量统计(5009个县年校准单元),研究人员首先通过整合日间有害积温(Ha)、夜间有害积温(HNa)和植被健康指数(VHI)构建了复合热损伤指数(CHI)。随后,研究人员实施了一种以产量损失作为物理约束的梯度提升决策树(GBDT)机器学习框架。该框架与卷积神经网络(CNN)、随机森林(RF)和支持向量机(SVM)模型进行了基准比较,采用沙普利加法解释(SHAP)方法进行归因分析,并采用独立的时间划分策略进行模型验证。结果表明:(1)与单一的日间热损伤指数相比,CHI将产量相关系数从0.52提高到0.63;(2)通过产量约束校准,模型达到了92.6%的平衡准确率和与历史灾害记录94.0%的一致性;(3)区域热危害呈现“内陆高、沿海低”的空间格局,抽穗–开花期为关键敏感期;(4)夜间高温约占模型相对重要性的20%,对高级别危害具有更高的判别敏感性,而水分亏缺对热胁迫的放大效应保持约16%的稳定相对重要性。本研究实现了传统评估范式与数据驱动方法的耦合优化,为精细化的分生育期热危害评估提供了方法论参考。其跨区域可移植性和独立预测有效性仍需进一步验证。
水稻是我国粮食安全的基石。全球变暖背景下,极端高温事件频发,长江中下游地区作为单季稻核心产区,正面临日益加剧的日间高温、夜间高温以及复合干旱–热胁迫。准确评估热危害对保障区域产量稳定和防灾减灾至关重要。然而,传统热危害评估体系存在两大局限:一是场景覆盖单一,多仅关注日间高温胁迫,难以整合夜间高温的独立减产效应和水分亏缺对热胁迫的放大作用;二是传统多因子综合评价多依赖主观或客观赋权,评价结果与实际灾害损失的一致性波动较大。与此同时,纯数据驱动的机器学习灾害评估模型高度依赖监督标签质量,若仅以人工分级标签训练,容易过拟合主观规则和标签噪声,且缺乏可解释性。因此,亟需构建一种融合致灾机理与数据驱动、兼顾可解释性和产量实证校准的热危害评估框架。

基于上述问题,研究人员以长江中下游单季稻为对象,基于气象、遥感、土壤及150个主产县1991—2024年的县级产量统计(5009个县年校准单元),构建了融合致灾机理、多源数据、生育期异质性和产量损失约束的机器学习评估框架。该框架首先整合日间有害积温(Ha)、夜间有害积温(HNa)和植被健康指数(VHI),利用层次分析法(AHP)构建了复合热损伤指数(CHI);随后以产量损失为物理约束,建立了梯度提升决策树(GBDT)模型,并与卷积神经网络(CNN)、随机森林(RF)和支持向量机(SVM)进行对比,采用沙普利加法解释(SHAP)进行归因分析,采用独立时间划分进行模型验证。研究发现:与传统日间热损伤指标相比,CHI使产量相关系数由0.52升至0.63;在产量约束校准下,模型平衡准确率达92.6%,与历史灾害记录一致性达94.0%;区域热危害呈“内陆高、沿海低”格局,抽穗–开花期为关键敏感期。该研究实现了传统评估范式与数据驱动方法的耦合优化,为分生育期精细化热危害评估提供了方法论参考。论文发表于《Agriculture》。

在关键技术方法方面,研究人员主要采用了以下环节:(1)多源数据整合:融合气象、遥感、土壤与产量观测数据,以4 km分辨率栅格为基本单元,并以150个县1991—2024年5009个县年单元作为产量约束校准样本;(2)复合指数构建:基于AHP加权集成Ha、HNa和VHI构建CHI,并进行等级划分与敏感性检验;(3)物理约束机器学习:以CHI等级为分类标签,将县级去趋势气象产量减产率作为辅助损失(约束系数0.2)嵌入GBDT、CNN、RF和SVM模型,其中对GBDT采用自定义目标函数实现约束梯度分解;(4)模型优化与解释:采用粒子群优化(PSO)和麻雀搜索算法(SSA)进行超参数优化,并用SHAP方法量化特征贡献;(5)验证策略:采用1991—2000年训练、2001—2010年独立测试的时间划分,并结合历史灾害记录对比和空间迁移性检验。

研究结果方面,首先,关于单季稻多情景热损害的时空变化特征,研究发现日间热损害强度呈每十年递增趋势;夜间热损害强度在1991—2010年上升,2011—2024年下降;水分亏缺加剧的热损害在30年间持续上升。湖北省各生育期夜间热损害均较严重,江苏和浙江仅在抽穗期有轻度夜间热损害。其次,对于CHI与热危害评估结果的合理性验证,研究人员利用总初级生产力(GPP)数据对指数合理性进行检验,1990—2024年CHI与关键生育期累积GPP的平均相关系数为0.55,显著高于Ha与GPP的0.36,证实CHI对热危害的识别能力优于单一日间指标。在模型性能比较方面,模型精度测试表明性能排序为GBDT>CNN>RF>SVM,经SSA优化后GBDT总体准确率达94%;GBDT在分类性能、空间迁移性和泛化能力上均最优。渐进式与单组分消融实验显示,从单独Ha评估到CHI多情景综合评估,产量相关系数从0.52提升至0.63,历史灾害记录匹配率提高10个百分点;引入产量约束后,模型产量相关系数达0.70,历史记录一致性达94.0%,期望校准误差降低15.3%,而平衡准确率仅小幅下降1.1个百分点;单组分消融表明,VHI是CHI的核心组分,夜间高温对实际产量损失具有更强边际解释力,SSA优化稳定带来1.5个百分点准确率增益。基于SHAP的模型解释与分析表明,抽穗–开花期特征对模型输出贡献最高;日间高温相关特征重要性最高,夜间高温次之;夜间高温平均相对重要性超过20%,对高等级危害具有更强判别敏感性;水分亏缺对高温的放大效应相对重要性稳定约16%。

讨论部分主要指出:在GBDT与CNN的适用性比较中,树模型更适应中等规模表格型栅格特征,可避免深度学习的过拟合;产量约束通过统计正则化和生理合理性双重机制增强模型泛化能力,以野外产量损失为锚点校正了AHP主观赋权导致的特征权重偏差;夜间高温对高等级灾害具有强边际判别能力,其生理基础在于夜间增温加剧暗呼吸碳消耗、抑制灌浆,导致千粒重下降;区域热危害的空间分异是气候调节、播期与高温重叠度、土壤保水能力和灌溉管理等多因素综合作用的结果。研究也指出局限性:产量分离无法完全排除病虫害和洪涝干扰,CHI基础权重仍带经验性,多源数据空间分辨率限制了对局地短期极端高温的刻画,模型跨区域推广需重新校准参数。

研究结论部分可翻译为:为解决传统水稻热危害评估中主观权重偏差大、纯机器学习模型物理基础薄弱等普遍问题,本研究构建了一个融合致灾机理知识、多源数据、生育期异质性和产量损失约束的机器学习评估框架。该框架实现了对日间高温、夜间高温和水分亏缺加剧的高温热胁迫三类热危害情景的综合评估与驱动机制分析。通过长江中下游地区的独立验证,本研究证明:(1)与日间热危害评估相比,基于CHI计算的危害值将产量相关系数从0.52提高到0.63,历史灾害记录匹配度从80%提高到90%。(2)与未施加产量约束的基准GBDT模型相比,完整模型的产量相关系数提高了0.11(0.59±0.03→0.70±0.03),与历史记录的一致性提高了7.0个百分点(87%±1.1%→94.0%±1.0%),代价是平衡准确率下降了1.1个百分点(93.7%±1.2%→92.6%±1.2%),在继承传统评估框架核心逻辑的前提下提高了评估结果的实证一致性和泛化可靠性。(3)长江中下游单季稻热危害的空间格局总体遵循“内陆高、沿海低”和“西高东低”的分布规律;湖北省全生育期热危害最高;安徽省抽穗期热害强度最高,且该生育期高温因子的相对重要性高于其他时期,与研究区单季稻产区总体情况最为一致;江苏和浙江热害最低,但水分亏缺加剧的高温危害相对重要性在四省中居首,且抽穗期高于其他生育期。(4)日间高温是全场生育期的主导致灾因子,在抽穗–开花期模型重要性最强;夜间高温对灾害分级更敏感,相对特征重要性约占20%,在孕穗期和灌浆期表现最突出;水分亏缺对高温的放大效应相对重要性稳定在约16%,在孕穗期最为显著。
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