可解释降雨建模揭示亚马逊植被损失下的快速组织重组

理解植被损失如何改变降雨是气候和水文学中的重大挑战，因为植被损失通过非均匀、季节性和非线性的陆空反馈机制修改降雨。现有模型难以捕捉这些动态：对流在粗尺度上进行参数化，倾向行为约束不足，降雨-植被分析受限于多年尺度。因此，许多方法仅解决相关性，而非因果效应，限制了我们预测水文扰动的能力。我们采用神经网络模型进行小时降雨预测，结合路径诊断和灵敏度分析，考察植被扰动如何在空间、强度模式和时间尺度上重组降雨。我们评估模型是否捕获了连接植被、大气状态和降雨的物理一致依赖关系，以及持续 canopy 损失是否引发阈值行为。该模型准确预测降雨发生与强度（Spearman=0.84，F1=0.93，ROC-AUC=0.98），并学习与生态水文理论一致的时序依赖关系。灵敏度分析揭示，植被损失导致快速、非对称响应：重降雨（20-50 mm/h）下降最高可达7%，轻降雨（0.1-1 mm/h）上升4%。降雨熵增加1.3%，干季强度每减少0.5%森林覆盖提升0.3-0.5%。敏感区域在2-3个月后持续植被变化后，降雨发生区域比例出现尖锐下降。这些结果表明，数据驱动方法揭示了与生态水文相关的陆空耦合，凸显了亚马逊地区日益增长的水文脆弱性。