Machine-Learning Surrogate Modeling of SOC and N2O Responses to Diversified Crop Rotations in the Texas High Plains
Ahmed Attia · Prem Woli · Charles R. Long 等 6 人
用机器学习代理模型预测多样化轮作对SOC和N2O的影响，识别气候智能管理区域。
结合DSSAT模拟与随机森林代理模型，用SHAP分析解释关键驱动因素。
代理模型准确预测SOC和N2O变化，未来气候下SOC效益大但部分地区N2O权衡强。
可扩展至其他半干旱区域，或集成优化算法以平衡SOC提升与N2O减排的空间管理策略。
结合DSSAT与机器学习代理模型，空间预测德州高地平原多样化轮作对SOC和N2O的影响，为半干旱区气候智慧农业提供决策工具，方法新颖且结论可靠。
多样化轮作和覆盖作物日益被推广为气候智能型管理策略，旨在提高半干旱农业生态系统中土壤有机碳（SOC）含量，同时减少一氧化二氮（N₂O）排放。然而，由于在大空间和气候范围内进行过程模拟计算需求极高，区域尺度的SOC–N₂O权衡评估在计算上仍具挑战性。本研究将长期DSSAT模拟与机器学习（ML）替代模型相结合，以量化并空间预测德克萨斯高原（THP）地区多样化轮作和覆盖作物系统对SOC和N₂O的影响。使用代表多种轮作方式、气候情景和土壤条件的DSSAT输出训练随机森林模型。研究开发了两种互补的建模框架：（i）基于常规管理（BAU）的相对响应，量化相对于基线管理的SOC和N₂O变化；（ii）覆盖作物附加效应，分离多样化覆盖作物系统相对于简化无覆盖作物改良轮作系统的额外效益。模型解释采用置换重要性和SHAP分析，以识别主要的环境和管理控制因素。替代模型准确再现了DSSAT衍生的响应，尤其是BAU相对SOC和N₂O变化达到R²≈0.90，而覆盖作物附加SOC的可预测性低于附加N₂O。空间预测揭示了气候智能响应区域的强烈地理变异性，未来气候条件下通常观察到更大的SOC效益，特别是在2070年代。然而，一些地区也表现出更强的N₂O权衡效应，凸显了空间定向管理策略的必要性。研究结果表明，将过程模拟与机器学习替代模型相结合，可为半干旱种植系统的气候智能农业生成计算高效的决策支持工具。