基于数据和机器学习的框架，用于研究美国堪萨斯高平原地区紫花苜蓿产量对长期气候变化的响应

《Scientific Reports》：Data-driven and machine learning framework for Alfalfa yield response to long-term climate variability in the Kansas High Plains (USA)

　　

摘要

美国高平原地区的气候极端事件和日益减少的水资源供应威胁着苜蓿生产的长期可持续性。本研究提出了一个基于机器学习（ML）的建模框架，用于识别和评估1981年至2018年间堪萨斯州九个农业区苜蓿（Medicago sativa L.）产量的关键农业气候预测因子。该研究的创新之处在于整合了高维气候预测因子空间、长期历史记录以及灌溉和雨养系统的区域分层，以系统地评估气候变化与产量之间的空间差异关系。利用来自PRISM的117个气候相关变量和高盛农业部（USDA-NASS）的产量数据构建高维特征空间，应用最小冗余最大相关性（mRMR）算法对预测因子进行排序，随后通过三种非参数回归模型进行特征选择。研究评估了四种空间配置：全州范围、特定区域、灌溉区和雨养区数据集。堪萨斯高平原地区具有明显的西向东降水梯度、依赖地下水的灌溉系统以及频繁的干旱事件，为理解半干旱环境中的作物-气候相互作用提供了具有全球意义的试验平台。特征选择过程中的模型评估均方根误差（RMSE）范围为0.52至1.14吨/英亩。8月份的露点温度和季节性VPD（植被蒸散压力）指标被确定为主要预测因子，表明这些变量与夏末产量变化密切相关。雨养区更重视干旱指标（如无降水天数、VPD），而灌溉区则与温度和湿度指标的关联更为紧密。通过明确考虑不同管理方式和空间尺度下的气候敏感性，该框架为在高维农业数据集中识别稳健的、具有区域特性的气候驱动因素提供了一种可推广的方法。