Quantifying Seasonal Vegetation Anomalies in an Arid Ecosystem: A Reproducible, Leakage-Free Machine Learning Framework with Dynamic Climate Predictors and Quantified Uncertainty

方法

MODIS NDVI与NASA POWER气候数据，GAM与随机森林，空间块交叉

发现

随机森林优于GAM，动态气候变量主导，气候外推区不确定性显著升高。

机会点

可将无泄漏基线框架推广至其他旱区，并结合野外验证提升异常预警可信度。

摘要 干旱生态系统中的植被胁迫是荒漠化和农业风险的关键早期预警指标，但其建模在方法学上仍具挑战性：气候强迫具有高度随机性，而标准的异常值处理流程常将未来信息泄漏到历史基线中，从而虚增表观预测能力。本研究提出了一个可复现的开源机器学习框架，用于模拟巴基斯坦乔利斯坦沙漠的季节性植被异常，采用MODIS NDVI数据（MOD13Q1；250 m，16天；2018–2024年）。与传统基于静态气候常年值的工作流程不同，我们从NASA POWER档案中提取时变季节性预测因子（降水、滞后一季降水作为前期水分状况的代用指标以及温度），并结合SRTM地形衍生数据和MODIS土地覆盖数据（MCD12Q1）。为确保诚实的评估，季节性异常基线（像元和季节特定的均值与标准差）严格基于2018–2023年训练期估计，整个2024年被留出。广义加性模型（GAM）和随机森林（RF）在4折空间块交叉验证（n = 30,646个有效像元–合成观测，分配至气象季节）和时间留出验证（n = 4,179个来自2024年留出集的有效像元–合成观测）下进行比较。RF始终优于GAM（空间交叉验证均值 = 0.261 vs. 0.180；2024年留出集 = 0.156 vs. 0.100），季节性温度、季节性降水和滞后降水在变量重要性中占主导，支持使用动态气候预测因子。以GAM–RF分歧作为代理的预测不确定性在2024年气候条件超出训练分布的区域显著升高，透明地揭示了预测构成外推的区域。该框架为气候变率加剧背景下的旱地植被监测提供了无泄漏模板，并确定了有针对性的野外验证优先时空域。