比较基于数据驱动和机械模型在落叶阔叶林中预测物候的研究
内容提要
该文综述机器学习在气候与环境预测中的应用，涵盖土壤温度与植被物候的SHAP分析、NeuroClim气候仿真框架、基于神经网络编码季节性气候预测的供应链需求预测改进、AutoODE动态系统预测、结合宏观气象与局部观测的混合模型、NeuralGCM高效天气气候预测、短期疾病预测中统计时间序列模型与机械模型的对比、结合遥感生成全球叶片特征图、Pangu-Weather准确性评估，以及用树模型预测光伏发电。
延伸解读
机器学习与物候研究：土壤温度是关键变量
文章指出，研究利用机器学习与SHAP值分析土壤温度、气象变量与植被表型学的关系，发现土壤温度与季节开始和高峰显著关联，气象变量也影响年际变化。这提示在预测物候时，土壤温度可能比单纯的气象指标更具解释力，SHAP方法有助于识别变量贡献，为亚北极草地管理提供依据。
混合建模与统计模型的实用启示
文章提到，结合宏观气象模型与局部观测的混合模型，在观测数据很少时也能胜过部分基准模型；而短期疾病预测中，统计时间序列模型至少与机械模型同样准确，且更好捕捉波动性。这说明领域知识并非总能提升短期预测，数据驱动方法在有限数据下可能更实用，选择模型需权衡数据条件与预测目标。
机器学习预测的准确性与物理一致性需分开看
针对Pangu-Weather的评估发现，机器学习模型在准确性指标上的优势部分源于其独特性，且与传统数值天气预报输出具有协同作用，计算成本极低。读者应注意，准确性高不等于物理一致，实际应用中可将机器学习预测作为额外信息来源，而非完全替代传统模型。
Q&A
土壤温度对亚北极草地的植被物候有什么影响？
研究发现土壤温度与植被物候的季节开始和高峰有显著关联，气象变量也对植被物候的年际变化产生影响。
NeuroClim框架是做什么的？
NeuroClim是一个采用脑神经算法设计气候混合仿真的框架，提供平台、数据集和量化评估方法，以促进人工智能与气候研究的交叉。
如何利用季节性气候预测改进供应链需求预测？
通过一种新颖的建模框架有效编码季节性气候预测，利用模块化神经网络架构学习潜在表示，在多个实际数据集上将需求预测误差降低了约13%至17%。
AutoODE方法相比深度学习模型在动态系统预测中有什么优势？
AutoODE是一种基于自动微分的物理模型学习方法，能有效解决数据分布变化导致的性能下降问题，在COVID-19等动态系统中，相比深度学习竞争对手，将预测误差减少了57.4%。
NeuralGCM在天气和气候预测方面有什么特点？
NeuralGCM是首个结合大气动力学求解器与机器学习组件的GCM模型，能生成确定性天气、集合天气和气候预测，预测能力与最佳机器学习和基于物理的方法相当，同时计算节省数量级。
统计时间序列模型和机械模型在短期疾病预测中哪个更准确？
研究发现统计时间序列模型整体上至少与机械模型预测同样准确，并且更好地捕捉波动性，表明机械模型中融入的领域知识并不能提高短期预测能力。
Pangu-Weather机器学习模型在预测准确性上的优势来源是什么？
研究发现，相比基于物理模型的预测，Pangu-Weather在准确性指标上的优势主要是由于其独特性而产生的，并且在实际应用中计算成本极低，可作为预测信息的额外来源。
