基于机器学习的粮食产量大省净初级生产力未来趋势模拟

来源：环境科学杂志2025年第1期北京时间：

作者：解德威,刘健,魏俐宏,丁馨,郑昭佩

单位：山东师范大学地理与环境学院, 济南 250358,北京师范大学地理科学学部灾害风险科学研究院, 北京 100875,山东师范大学地理与环境学院, 济南 250358,山东师范大学地理与环境学院, 济南 250358,山东师范大学地理与环境学院, 济南 250358

摘要：净初级生产力（NPP）是衡量生态系统健康的重要指标，直接影响全球碳循环和气候调节. 在全球气候变化背景下，粮食主产区净初级生产力的时空变化及驱动因子的研究较少，故选择粮食产量大省河南省和黑龙江省为研究区，探究两省2001~2020年NPP时空变化和驱动因子的差异性，采用多种机器学习算法估算NPP并模拟共享社会经济路径（SSPs）未来气候情景下两省NPP的演变趋势. 结果表明：①相比于单一算法，将AdaBoost和XGBoost算法的预测结果加权融合可以更准确地估算两省NPP. ②2001~2020年河南省NPP呈增加趋势，空间上西部和南部高，北部低；该时间段内黑龙江省NPP也呈增加趋势，高值区出现在北部、中部和南部的林区，低值区出现在西部城镇化率高的地区. ③河南省NPP变化最重要的气候驱动因子是降水，且较低的温度和较弱的潜在蒸散发的交互作用能增强降水对NPP的正向作用；黑龙江省NPP变化最重要的驱动因子是潜在蒸散发，较弱的潜在蒸散发和较低的年平均温度有助于黑龙江省NPP的增加. ④SSP245和SSP585情景下两省NPP均呈减少态势，且SSP585情景下两省NPP减少的幅度更大，这与温度的持续升高显著相关，未来应采取人为手段积极应对NPP减少带来的负面影响.

关键词：机器学习,模型融合,净初级生产力（NPP）,共享社会经济路径,产粮大省,