大尺度气候因子驱动与多机器学习算法比较的高寒牧草物候与生长特征模拟OACHSSCD

针对传统高寒牧草模型多依赖局地气象因子、缺乏算法系统性评估问题,通过融合大尺度气候驱动因子与多种机器学习算法提升青海省高寒牧草发育期与生长特征的模拟精度。基于青海省4个站点1989—2020年牧草物候期和生长特征实测数据,结合局地气象数据、大尺度海温指数和大气环流指数,应用8种机器学习算法进行模拟,并采用均方根误差(RMSE)、综合误差指标(CEI)等统计量评估性能。结果表明:(1)大尺度气候驱动因子间高度相关,证实其对区域环境的协同影响;牧草指标在时空上分异显著,但各性状强相关,体现生长发育的系统性。(2)最优算法因指标而异,反映算法机理与生态过程的匹配性,RF在模拟返青期(CEI为1.37%)、黄枯期(CEI为1.10%)等表现最佳;XGBoost在株高(CEI为12.01%)、鲜重生产力(CEI为16.06%)等优势明显;LSTM则在含水量(CEI为3.07%)、鲜重密度(CEI为10.94%)独具优势。(3)XGBoost和RF等集成学习算法和LSTM算法整体优于传统线性模型和简单神经网络,其中XGBoost综合表现最稳健(CEI为9.38%),被推荐为高寒牧草生长模拟首选算法。综上所述,融合大尺度气候指数与机器学习能显著提升模拟精度,多算法系统性比较为模型选择提供科学依据,为高寒草地生态系统动态监测与适应性管理提供可靠技术工具。