摘要 : 孢粉是定量重建过去气候变化的重要代用指标,在中国已开展了大量基于孢粉数据的气候定量重建研究。然而,只有少数研究采用机器学习算法来建立孢粉-气候重建模型,不同机器学习算法的可靠性尚需验证。本研究采用3种机器学习算法(包括随机森林、增强回归... 展开 孢粉是定量重建过去气候变化的重要代用指标,在中国已开展了大量基于孢粉数据的气候定量重建研究。然而,只有少数研究采用机器学习算法来建立孢粉-气候重建模型,不同机器学习算法的可靠性尚需验证。本研究采用3种机器学习算法(包括随机森林、增强回归树和人工神经网络算法),基于青藏高原及其周边地区现代孢粉百分比数据,及由其计算而来的植物功能型得分数据,建立气候定量重建模型;同时用两种常规方法(现代类比法和加权平均偏最小二乘法)建立的模型作为对比,检验机器学习算法基于孢粉数据开展气候定量重建的可靠性。结果显示5种方法基于孢粉百分比和植物功能型得分数据建立的最暖月平均降水量和最冷月平均温度重建模型,从均方根误差(RMSE)和决定系数(R2)两个评价指标来看,都有较高可靠性。3种机器学习算法中,随机森林和增强回归树的可靠性比人工神经网络算法高,二者建立的模型性能非常接近,尤其在建立植物功能型-最冷月平均温度重建模型时,二者表现是所有方法中最好的;常规方法中,加权平均偏最小二乘法在大多数情况下表现明显不及3种机器学习算法,而现代类比法的可靠性稍优于3种机器学习算法,但考虑该方法对空间自相关较为敏感,其表现有高估的风险。本研究所用的机器学习算法极有潜力用于青藏高原地区的古气候定量重建,尤其是随机森林和增强回归树算法。针对特定地区特定气候因子,不同方法基于孢粉数据建立气候重建模型的适用性可能不同,开展具体工作时有必要对比多种方法,选取其中可靠性最高的方法建立孢粉-气候模型。 收起