回归树算法在新型过程作物模型校准中的应用与机理探究

【编辑推荐】本研究创新性地将回归树（Regression Trees）算法引入作物模型（AgS）校准领域，通过构建参数集与模拟误差的映射关系，揭示了RZDGR、Kcmax等关键参数的交互补偿机制。相比传统试错法（trial-and-error），该方法显著提升模型可解释性，并与Wallach校准协议形成互补，为作物模型参数优化提供了可视化分析新范式。

　　

Highlight

回归树在提升模型参数理解方面的作用

当前针对作物模型理解的研究主要通过敏感性分析或替代模型（如emulators）评估输入影响（Chapagain等，2022），或通过模型间比较（Kimball等，2023）解析结构特征。而对于参数值如何影响输出的研究，则多集中于优化算法或贝叶斯方法（Gao等，2020）。本研究首次系统化地将回归树作为"解释性工具"嵌入校准流程，其树状结构直观呈现了RZDGR（根系生长速率）与Kc_max（最大作物系数）等参数的协同效应——例如当Kc_max＞1.05且PG_max（最大光合速率）＜0.85时，模型误差可降低23%。

Conclusion

回归树的双重校准价值

本研究证实回归树兼具参数解释与校准优化的双重价值：

1）作为"模型翻译器"，其决策路径稳定识别出所有数据子集中导致低误差的参数组合规律，包括Kc_start（初始作物系数）与I50A_maxW（水分胁迫阈值）的补偿关系；

2）作为校准方法，其规则筛选策略在生物量、蒸散发等指标上达到与Wallach协议相当的精度，但对参数值跨数据集变异性的控制仍需改进。未来结合协议的标准参数确定与回归树的可视化验证，将形成更强大的校准框架。