因果启发的县域玉米产量可解释预测——以引黄灌区为例OA

针对西北干旱半干旱引黄灌区玉米产量受遥感、气象、土壤及灌溉环境等多源因素共同影响,变量间普遍存在共线性、冗余信息和潜在伪相关,限制了传统相关性驱动模型的预测稳定性与解释能力的问题。本研究构建了融合因果森林、时序卷积网络和时间注意力机制(Causal forest-temporal convolutional network-temporal attention,CF-TCN-TA)的估产方法。该方法首先利用因果森林估计多源变量对玉米产量的潜在影响,筛选出具有较强解释意义的关键驱动因子,以降低冗余变量和潜在伪相关对模型训练的干扰;进而将筛选后的关键变量输入时序卷积网络,提取玉米生长季内的时序变化特征,并通过时间注意力机制自适应增强关键月份的信息贡献。基于宁夏回族自治区2019—2023年县域玉米产量及多源遥感、气象和土壤数据开展验证,结果表明:CF-TCN-TA模型获得了最优预测性能,决定系数(Coefficient of determination,R²)为0.8303,均方根误差(Root mean square error,RMSE)为882.54 kg/hm²,平均绝对误差(Mean absolute error,MAE)为706.60 kg/hm²,平均绝对百分比误差(Mean absolute percentage error,MAPE)为10.80%,整体优于传统机器学习模型和常规深度学习模型。因果效应评估结果显示,土壤pH、深层田间持水量、气温及光合有效辐射吸收比例(Fraction of photosynthetically active radiation,FPAR)、增强型植被指数(Enhanced vegetation index,EVI)等遥感指标是影响研究区县域玉米产量差异的重要驱动因子。因果启发式特征筛选与时序注意力建模的融合,能够在提高估产精度的同时增强模型解释性,可为西北干旱半干旱引黄灌区县域玉米产量监测与农业生产管理提供方法参考。