《Sustainable Futures》：Identifying the most influential climate predictors for crop yield using advanced statistical and machine learning models: A case study for mango crop in India
编辑推荐：
准确识别作物产量最关键的预测因子对于开发风险管理工具至关重要。本研究利用了先进的统计技术，即d-vine copula回归中的逐步选择法与随机森林模型中的平均精度下降法，以确定影响印度泰米尔纳德邦31个地区2008年至2019年间芒果产量的关键气候变量。对应芒
准确识别作物产量最关键的预测因子对于开发风险管理工具至关重要。本研究利用了先进的统计技术，即d-vine copula回归中的逐步选择法与随机森林模型中的平均精度下降法，以确定影响印度泰米尔纳德邦31个地区2008年至2019年间芒果产量的关键气候变量。对应芒果生长季（1月至6月）的月度气候及衍生变量，从空间分辨率约为4公里的TerraClimate数据集中，根据地区边界提取。d-vine copula回归模型采用逐步选择过程来识别最简约的预测因子集合，而随机森林模型则使用平均精度下降法对变量重要性进行排序。尽管两个模型的预测因子排名存在差异，但在不同地区和物候阶段，一些一致的变量，如Palmer干旱严重程度指数(PDSI)、最低温度(tmin)和实际蒸散量(aet)被识别出来。值得注意的是，帕尔默干旱严重程度指数(PDSI)在所有芒果物候阶段均成为关键预测因子，特别是在开花和成熟期。这些发现为提高芒果生产的气候韧性提供了有价值的见解，并为开发产量预测和基于指数的保险等风险管理工具提供了一个稳健的框架。所提出的方法论在优化气候变化条件下的农业实践方面具有更广泛的应用。
芒果是全球第五大栽培水果，2016年的全球总产值达300亿美元。在过去六十年间，全球产量显著增长了422%，从1961年的1090万吨增至2021年的超过5700万吨。在印度，芒果是主要水果作物，被誉为“水果之王”，分别占该国水果总种植面积的34.9%和总产量的20.7%。印度是世界上最大的芒果生产国，贡献了全球产量的40%以上。芒果树的物候期，包括开花、坐果和成熟等关键季节性生长阶段，对决定整体产量和果实品质起着至关重要的作用。尽管芒果能够适应多种环境条件，但这些阶段对环境条件，尤其是气候因素如温度、降雨和湿度高度敏感。理解影响这些物候阶段的时间和因素对于优化芒果生产至关重要，因为它允许更好地规划灌溉、施肥和病虫害防治等干预措施。此外，准确掌握芒果物候对于开发早期产量预测系统和气候适应策略至关重要，以应对不断变化的天气模式带来的风险，确保可持续生产和市场稳定。
气候和天气条件，如温度、降雨、湿度以及衍生气候指数（如热量和水分胁迫指数），对芒果物候阶段具有主导性影响。这种影响是复杂的，可能是直接的或间接的，取决于数量、季节性模式、品种以及营养和物候阶段。例如，温度、水分胁迫和光周期是影响芒果开花的主要因素。较低的最低温度对花芽分化至关重要，而较低的最高温度则是花朵反应的更强指标。此外，低温或季节性降雨不足会导致开花不良，直接影响芒果产量，而在花前期和开花期的意外降雨可能会降低坐果率和授粉者活动。另一方面，干旱与温度胁迫的影响可能导致不同的适应和响应方法。
在全球气候变化条件下，早花和晚花正变得越来越普遍。例如，开花通常在冬季开始，但这种模式近年来有所变化。天气尺度的气候事件，如西风扰动和厄尔尼诺，通过导致反复开花和增加生物与非生物胁迫的发生率，给种植者带来了巨大挑战。然而，芒果物候期时间的变化会产生显著的经济影响，因为它们直接影响成熟时间、果实品质和产量。例如，开花阶段的转移可能使种植者在季节后期面临潜在风险，如意外天气条件、虫害和疾病。
鉴于这些敏感性，芒果作物对气候变率高度脆弱，即使这些气候因素的微小变化也可能破坏物候阶段，导致产量降低和果实品质下降。这使得早期产量预测和财务风险转移工具，如农业指数保险，对于在不断变化的环境条件下管理风险和维持芒果生产至关重要。然而，芒果产业目前面临着可靠预测产量的重大挑战。为了开发准确的预测模型，识别芒果产量的关键气候驱动因素是至关重要的一步。同样，在指数保险产品中，基础风险是指受保作物产量与触发赔付政策的预定指数之间的不完美相关性。因此，了解驱动芒果产量的指数对于最小化保险合同设计中的基础风险至关重要。
传统上，通常进行简单的线性相关分析来检验产量与多个输入变量之间的关系，以识别显著的预测因子。然而，该技术可能无法捕捉芒果产量与预测因子之间适当的复杂相互作用。其他已发表的研究通常侧重于超参数调整机器学习模型和机器视觉、比较不同模型性能以及简单参数统计建模等技术来估计各种作物的产量。只有少数研究使用非参数机器学习方法进行了芒果产量预测。在机器学习模型中，随机森林通常能产生更好的结果。研究指出随机森林模型应用于估计不同灌溉方案下的芒果产量，并确定了降雨和灌溉时间对产量估计的重要性。最近的数据驱动方法，如机器视觉，已在芒果的果实负载和产量估计以及产量测绘方面进行了探索和改进。然而，关于从各种气候和衍生变量中选择不同物候阶段芒果产量最佳预测因子的研究仍然有限。
已开发出各种技术，包括逐步分析和特征重要性，并将其集成到许多统计和数据驱动的预测模型中，以提高其性能。逐步分析经常被用作变量选择算法，以克服涉及多个变量的回归模型的过拟合和多重共线性问题。例如，集成到多元线性回归模型中的逐步分析可以更好地解释天气条件对芒果产量的影响。特征重要性通常在机器学习方法中使用，通过保留对响应变量影响更大的预测因子并排除相关性较低的预测因子来简化模型。该技术有效地移除了不必要和无关的特征，而不会损害数据完整性。特征选择通常分为三类：过滤器、包装器方法和嵌入式技术。过滤器技术简单且计算效率高，基于数据内部关系对特征进行排序，而包装器技术则使用学习算法评估特征子集，计算成本较高。嵌入式技术将特征选择直接集成到学习算法本身，在训练过程中根据算法特定的标准选择特征。例如，岭回归中使用脊正则化，或随机森林中使用置换重要性。因此，嵌入式方法具有多个优势，包括同时执行特征选择和模型训练的能力，从而可能得到更高效和准确的模型。
本研究旨在识别影响芒果产量预测的最重要的气候和衍生变量，并评估先进的统计模型和机器学习模型中使用的逐步分析与特征选择技术之间的一致性。本研究重点关注泰米尔纳德邦，该邦是印度第二大芒果出口邦。该邦的芒果出口价值为1052万美元。逐步分析通过统计d-vine copula回归进行，而特征重要性则在随机森林框架内通过基于置换的平均精度下降法来衡量。
Copula是建模各种复杂相关变量之间依赖结构的最稳健的多元方法。特别是，藤copula允许灵活的结构来捕捉高维随机变量中存在的非对称和尾部依赖性特征。另一方面，平均精度下降是随机森林模型开发过程中测量变量重要性的几种方法之一，类似于节点不纯度平均下降。虽然节点不纯度平均下降的计算速度快，但该度量并不总是能给出重要性的准确图景。因此，研究人员使用了平均精度下降机制，它是置换重要性的一个具体实例，侧重于评估当特征值随机置换时模型精度的下降。
这些特性使两种方法都比普通最小二乘回归更适合捕捉此处存在的非线性气候-产量关系，并克服多重共线性问题。尽管这两种方法本身都不是新的，但它们在区域尺度上和跨物候阶段的产量-气候依赖性分析中的联合应用是新颖的。两种方法之间的分析结果增强了识别稳定且可解释的气候预测因子的信心，这对于设计基于指数的保险至关重要。因此，科学贡献在于综合框架及其在保险相关背景下的应用，而非算法创新。
研究人员使用了d-vine copula回归中的逐步选择法和随机森林中的平均精度下降法两种关键技术方法。研究区域为印度泰米尔纳德邦的31个地区，产量数据来源于2008年至2019年的官方农业报告。
研究背景方面，芒果是印度重要的经济作物，但其产量对气候条件高度敏感，容易受到气候变化的影响。目前存在的挑战是，尽管已有研究探索了气候对芒果产量的影响，但大多数使用简单的线性方法，且缺乏对不同物候阶段关键气候驱动因子的系统性识别，这限制了产量预测和风险管理工具（如指数保险）的发展。因此，本研究旨在利用更先进的非线性模型，识别影响印度泰米尔纳德邦芒果产量的最关键气候预测因子，并验证不同方法之间结果的一致性，从而为气候韧性农业管理提供科学依据。
研究结果部分，首先，论文对31个地区2008-2019年的芒果产量趋势进行了分析。通过线性回归模型去除了产量时间序列中的长期趋势，得到残差序列用于后续分析，这些残差反映了气候变率的影响。结果显示，大多数地区（27个）的芒果产量呈现下降趋势，部分地区的趋势在统计上是显著的。
其次，论文识别了最关键气候预测因子。研究分别应用d-vine copula回归的逐步分析和随机森林模型的平均精度下降法，分析了12个月度气候变量对去趋势后产量残差的影响。结果发现，不同地区和不同月份的最关键预测因子存在差异。总体而言，Palmer干旱严重程度指数(PDSI)被识别为最具影响力的预测因子，尤其在开花和成熟阶段，在许多地区和月份都排名靠前。实际蒸散量(aet)在6月（成熟后期）也被多个地区识别为关键因子。最低温度(tmin)和水汽压(vap)等在某些月份也显示出重要性。两种方法在关键预测因子的识别上表现出较高的一致性，尤其是在3月和4月。
第三，论文进行了敏感性分析。通过留一法交叉验证，评估了不同年份气候条件变化对模型选择最关键预测因子的影响。结果表明，虽然年份间的气候变化可能导致预测因子选择发生轻微变化，但一些预测因子（如PDSI、tmin、aet）的一致性仍然较高，证明了其稳健性。
讨论与结论部分总结如下：本研究证实了先进统计技术在识别影响芒果不同物候阶段的关键气候及衍生变量方面的重要作用。通过综合应用d-vine copula回归的逐步分析和随机森林的平均精度下降法，研究确定了印度泰米尔纳德邦31个地区芒果产量的最重要预测因子。结果揭示，帕尔默干旱严重程度指数(PDSI)、最低温度和实际蒸散量等气候变量在不同物候阶段，特别是在开花和成熟期，对芒果产量具有显著影响。两种方法的联用实现了对变量重要性的稳健分析，表明某些预测因子（如PDSI）在不同模型和阶段始终具有影响力。研究结果强调了关键气候驱动因子在不同地区间的变异性，凸显了在开发产量预测模型和基于指数的保险产品时考虑空间和时间因素的重要性。从实践角度看，本研究为芒果产业提供了重要启示。通过识别产量预测的最关键变量，该研究为开发早期预测系统和财务风险转移工具（如基于指数的保险）奠定了基础，这对于管理与气候变率相关的风险至关重要。此外，研究结果可以支持农业实践中的更好决策，包括灌溉管理、收获物流和远期营销策略，最终有助于提高芒果产业的韧性和生产力。尽管本研究提供了有价值的见解，但未来的研究可以探索更精细的模型，以解决小样本量和预测因子相互作用复杂性相关的局限性。此外，将该方法扩展到其他地区和作物，有助于推广研究发现，并进一步增强这些模型在气候敏感农业系统中的适用性。
