2022-nc-Widespread increasing vegetation sensitivity to soil moisture

balabalahoo

已于 2022-07-17 17:34:27 修改

阅读量316

点赞数

CC 4.0 BY-SA版权

分类专栏：文献文章标签： LAI soil moisure remote sensing

于 2022-07-17 16:56:44 首次发布

本文链接：https://blog.csdn.net/m0_46268055/article/details/125828666

文献专栏收录该内容

38 篇文章

订阅专栏

该研究通过可解释机器学习方法，特别是随机森林和SHAP值分析，揭示全球植被叶面积指数（LAI）对土壤湿度的敏感性在半干旱和干旱地区显著增加。这项工作超越了简单的相关性分析，通过隔离影响因素，深入理解水文气候变量如何影响植被。数据包括多源卫星LAI和土壤湿度观测，以及模型模拟数据。结果强调了在气候变化背景下，理解植被响应土壤湿度变化的重要性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

今日分享马普所一篇nc期刊

Widespread increasing vegetation sensitivity to soil moisture
https://doi.org/10.1038/s41467-022-31667-9

全球植被的空间分布对全球土壤水的敏感性

explainable machine learning
observation-based leaf area index
hydro-climate anomaly data

在半干旱和干旱地区，LAI对土壤水的敏感性快速增加
LAI的敏感性趋势与多变量的水文气候及气象数据有关

可解释神经网络

Molnar, C. Interpretable Machine Learning: A Guide for Making Black Box Models Explainable (2021). github 免费看.

应该使用的random forest方法，然后可解释性主要体验在用了the Shapley Additive Explanations (SHAP) method

我们的结果是通过可解释机器学习得出的，它可以从本质上隔离土壤湿度对LAI的影响与其他相关驱动因素的影响，从而超越纯粹的基于相关性的分析。

敏感性分析

the Shapley Additive Explanations (SHAP) method

有分析实例code-论文附件

import os
import numpy as np
import sys
# Drawing plots is not supported in sensi.yml environmental
# import matplotlib
# import matplotlib.pyplot as plt
# import statsmodels
# import cartopy.crs as ccrs
import statsmodels.api as sm
from sklearn.ensemble import RandomForestRegressor
import shap
from pathos.multiprocessing import ProcessingPool as Pool
from sklearn.linear_model import LinearRegression, TheilSenRegressor
import regressors
import regressors.stats as regressors_stats
import time
import warnings
warnings.filterwarnings('ignore')

# limit number of threads
os.environ["OMP_NUM_THREADS"] = "1"
os.environ["MKL_NUM_THREAD"] = "1"
os.environ["NUMEXPR_NUM_THREADS"] = "1"

# plt.rcParams.update({'font.size': 6})

overall sensitivity 全局敏感

the overall and the 3-year block sensitivities

out-of-bag

five long-term satellite-derived LAI datasets and ERA5-Land soil moisture reanalysis24, as well as modeled data from offline simulations from 9 TRENDY LSMs.