基于机器学习的中国六十年降水稳定同位素重建及其水文气候意义

本文推荐：研究者采用机器学习方法（XGBoost/MLP/SVM）重建了中国1961-2020年月尺度降水氢氧稳定同位素（δ2H/δ18O）数据集C-Isoscape PreTS（空间分辨率0.5°×0.5°），通过7000余月观测数据训练模型，确立全国大气水线（LMWL）为δ2H=7.7δ18O+4.0，为水文过程研究和同位素气候模型验证提供新工具。

　　

Highlight

机器学习方法对比

三种机器学习方法中，XGBoost在预测降水同位素方面表现最优：氧同位素交叉验证R²=0.71，氢同位素R²=0.73，显著优于多层感知机(MLP)和支持向量机(SVM)。

与现有产品的改进对比

C-Isoscape PreTS相较全球同位素产品（如IsoGSM、RCWIP）展现出更优性能，特别是在中国复杂地形区（如青藏高原），其时间序列重建能力填补了传统地统计方法在ENSO等大尺度气候信号分析中的空白。

结论

本研究通过XGBoost算法构建的中国首套长时序降水同位素网格数据，不仅更新了具有长期代表性的大气水线公式，更为水文气象现象的空间异质性研究提供了高精度数据支持，助力古气候重建与现代水循环研究的衔接。

（注：翻译部分严格遵循原文学术表述，保留δ¹⁸O等专业符号，未包含文献引用标识）