Effects of within-season temporal aggregation of weather variables on performance and interpretability in rice yield machine learning models

尽管作物响应本质上具有阶段依赖性，但机器学习产量模型往往依赖于整个生长季聚合的天气变量。本研究评估了天气变量的季节内时间聚合如何影响基于机器学习的水稻产量建模的预测性能与可解释性。以CYGMA（Crop Yield Growth Model with Assumptions on Climate and Socioeconomics，气候与社会经济假设下的作物产量生长模型）模拟的潜在产量作为合成响应变量，我们最大限度地减少了观测噪声和管理变异性带来的混杂效应，从而能够更清晰地评估季节内天气聚合的作用。将每个生长季划分为多个等长时段后，对水稻生长期内的逐日天气变量进行平均，并采用时间独立验证对多种机器学习算法进行训练和评估。提高季节内时间分辨率可提升模型性能，直至达到中等水平，此后增益递减。利用SHAP（SHapley Additive exPlanations，沙普利加性解释）和响应诊断进行的解释一致表明，产量敏感性集中在季节的特定窗口，温度相关效应在季节早期最为显著，湿度相关效应则在后期出现。更精细的时间聚合增强了对窗口特异性非线性和阈值型响应的识别，而这些响应在粗粒度季节平均下被掩盖。总体而言，中等程度的季节内聚合在预测能力与机制可解释性之间提供了实用平衡，有助于更可靠地识别与物候相关的气象风险，以支持气候影响评估和决策支持。