---
license: cc-by-4.0
pretty_name: EcoMemory · 极端事件气候记忆
tags:
  - earth-system
  - ecology
  - gpp
  - extreme-events
  - interpretability
---

# EcoMemory · 极端事件气候记忆

> 本仓库研究极端事件之后生态系统记忆的载体、时长与管理的影响。EA-LSTM 与归因分析在此作为测量工具使用，
> 不以提高预测精度为目标。

配套：`05_logs_and_slides/progress_report_2026-10.pdf`（月度报告，源文件在 `report_src/`）

---

## 目录

```
00_literature_survey/     45 篇顶刊文献矩阵（md + xlsx），按"规律/数据/盲区"组织
                          related_work_matrix.md         45 篇文献的横向分析：共识、方法裂缝、两个空白
                          related_work_three_papers.md   三篇目标论文的引用脉络梳理
                          reproduction_three_papers.md   三篇目标论文的复现记录
01_data_pipeline/         数据清洗规则审计 + 事件识别复现 + 格点数据集构建
02_baseline_repro/        NG 2025 事件复现图、九种口径敏感性、NCC 分型移植、NEE 降水依赖复现
03_exp1_unmask_human/     探路实验 1：解锁被掩膜的农田/森林剧变区
04_exp2_memory_decouple/  探路实验 2：外源土壤水 vs 内源生理记忆（黑盒、结构重训、合成校准）
05_logs_and_slides/       月度报告 PDF/docx（report_src/ 为源）与运行日志
lib/ecomodel.py           EA-LSTM + Integrated Gradients 的最小实现
```

## 主线与状态

| 步骤 | 产出 | 状态 |
|---|---|---|
| 文献：三方向 45 篇 | `00_literature_survey/literature_matrix.{md,xlsx}` | 完成 |
| 三篇论文的相关工作 | `00_literature_survey/related_work_three_papers.md` | 完成 |
| 三篇论文的复现 | `00_literature_survey/reproduction_three_papers.md` | 完成（四级标准，见文档） |
| 清洗：规则审计 + 事件复现 | `01_data_pipeline/cleaning_rules.md`、`02_baseline_repro/figR1_reproduction.pdf` | 完成 |
| 实验 1：解锁管理土地 | `03_exp1_unmask_human/` | 完成 |
| 实验 2：内外源解耦 | `04_exp2_memory_decouple/` | 完成（否定结论） |
| 汇报 | `05_logs_and_slides/progress_report_2026-10.pdf` | 完成 |

## 关键数字（可核验）

**事件识别复现**（NG 2025，全球 0.5° 周 GPP 产品，1995–2020）

| | 复现 | 原文 | 比值 |
|---|---:|---:|---:|
| 正事件 | 113,591 | 106,983 | 1.062 |
| 负事件 | 79,187 | 67,973 | 1.165 |

九种口径敏感性：正事件数从 49,633 到 264,982，**相差 5.3 倍**。逐字实现"周尺度局部极大"会多出 43%，
只有改成日历月聚合才落到 +6.2%/+16.5%——论文没有写这一条隐含决策。

## 本月主要结果

**结果 1：管理土地的记忆更长、更强（匹配后仍成立）。**
455 个格点，EA-LSTM + IG，测试期 NSE = 0.928。农田（n=79）的前期气候占比为 66.2%，半衰滞后 7 个月；
森林（n=116）为 55.5% 与 4 个月。以滞后段擦除为独立检验，农田净效应 0.079、森林 0.044，比值 1.7。

三个替代解释逐项检验：

| 检验 | 做法 | 结果 |
|---|---|---|
| 气候背景 | 限制在干旱指数共同支撑域 [0.31, 1.25] | 0.662 vs 0.555，差 0.096，CI [0.065, 0.129]，置换 p = 0.0005 |
| 气候背景（回归） | 控制干旱指数、其对数、纬度 | 农田系数 0.116（SE 0.017）；crop×aridity 交互 0.131（t = 3.46） |
| 分母效应 | 目标改为相对月气候态的异常后重训 | 农田 0.666 vs 森林 0.512，差从 0.107 扩大到 0.154 |
| 作物类型 | C4 份额、C4/C3 主导分组 | 三项均不显著（ρ = +0.207，p = 0.067；0.652 vs 0.663，p = 0.36） |
| 灌溉/雨养 | 需外部灌溉面积 | **受阻**：LUH2 v2h 无灌溉层 |

**结果 2：记忆载体的分解不可识别（两条否定结论）。**
(1) 黑盒模型里，把前期土壤水替换为气候态，预测变化仅 0.0007；2×2 干预下 |M_water| = 0.017，
与 |M_total| 的逐样本相关只有 0.22。降水序列是土壤水的充分统计量，输入消融不构成有效干预。
(2) 按 3.6 节的结构重训（动态输入只剩桶模型土壤水，当期气象并入静态属性），NSE = 0.888；
擦除滞后土壤水得到 0.161，是黑盒擦除前期气象（0.058）的 2.8 倍，逐样本相关 0.03。

合成世界校准（真值已知，水分份额 0.441）：嵌套模型的比值给出 0.89（高估一倍多），
逐样本相关 0.008/0.125；而把内生状态设为可观测后，估计为 0.466。缺的是内生状态的可观测性，不是模型结构。

## 三篇论文的复现与移植

| 论文 | 做到什么程度 | 主要结果 |
|---|---|---|
| Qiu et al. 2025 NG | 事件识别严格复现；EA-LSTM + IG 方法级复现 | 事件数 +6.2% / +16.5%；归因数值未复现（输入表未公开） |
| Liu et al. 2025 NCC | 干旱分型移植到自建数据（数值未复现） | 8,575 个事件，50.9% 次年 3 月前恢复；恢复型次年春季 GPP +1.8%，未恢复型 −2.4% |
| Zhang et al. 2026 NEE | 构念复现（全文与代码已公开，原文数值未复现） | 降水依赖度：农田 0.054 > 其他自然 0.043 > 森林 −0.003 |

后者给出第三条独立证据线：农田的降水依赖最强，森林接近零，与实验一的方向一致。

## 复现什么、不复现什么（重要）

| 项目 | 状态 |
|---|---|
| 极端事件识别（阈值、峰值、计数、空间分布） | **严格复现**（+6.2% / +16.5%） |
| EA-LSTM + IG 的方法流程 | **方法级复现**（自建 455 格点数据重训） |
| 原文归因数值（38.2%、42.2% 等） | **未复现**：训练输入表、静态属性表、全球驱动场均未公开 |
| NCC 2025 的干旱遗产数值 | **未复现**：GIMMS/GLEAM/PEP725 需注册；改为把分型口径移植到自建数据 |
| NEE 2026 的原文数值（0.47、0.65 对 0.29、42.0%） | **未复现**：全文、代码与源数据均已公开，重跑整套蒸腾与动态线性模型超出本月工时；已做构念复现 |

## 数据来源

| 数据 | 来源 | 用途 |
|---|---|---|
| 全球周 GPP（0.5°, 1980–2022） | Qiu et al. 2025, figshare 29941082 | 目标变量、事件识别 |
| 日尺度气象（9 变量, 1981–2022） | NASA POWER API（MERRA-2） | 动态输入 |
| 农田/森林比例（0.25°, 1980/2015） | LUH2 v2h states.nc | 分层与掩膜 |

## 运行

```bash
# 1) 下载数据（约 2.2 GB + 6.2 GB）
python 01_data_pipeline/fetch_power.py        # 455 格点，约 6 分钟

# 2) 事件识别复现
python 01_data_pipeline/repro_monthly_maps.py  # 约 3 分钟
python 02_baseline_repro/fig_repro.py
python 02_baseline_repro/repro_B_event_types.py    # Liu 分型移植
python 02_baseline_repro/repro_C_precip_dependence.py  # NEE 构念复现

# 3) 构建格点数据集
python 01_data_pipeline/build_dataset.py

# 4) 实验 1
python 03_exp1_unmask_human/exp1_analysis.py && python 03_exp1_unmask_human/fig_exp1.py
python 03_exp1_unmask_human/exp1b_matching.py      # 共同支撑域重估、OLS 交互
python 03_exp1_unmask_human/exp1c_anomaly.py       # 分母效应
python 03_exp1_unmask_human/exp1d_croptype.py      # 作物类型

# 5) 实验 2
python 04_exp2_memory_decouple/exp2_analysis.py && python 04_exp2_memory_decouple/fig_exp2.py
python 04_exp2_memory_decouple/exp2b_structural.py && python 04_exp2_memory_decouple/fig_exp2cd.py
python 04_exp2_memory_decouple/exp2c_synthetic.py

# 6) 汇报（docx → pdf，需 LibreOffice）
python 05_logs_and_slides/report_src/build.py
soffice --headless --convert-to pdf 05_logs_and_slides/progress_report_2026-10.docx \
        --outdir 05_logs_and_slides
```

环境：Python 3.12，numpy / scipy / rasterio / h5py / xarray / torch(CPU) / matplotlib / cartopy

注意：`04_exp2_memory_decouple/exp2b_structural.py` 中从 checkpoint 恢复的模型必须调用 `.eval()`。
`GPPModel` 含 `Dropout(0.3)`，漏掉这一步会让推理时 dropout 生效，擦除效应被噪声污染（本项目曾因此得到
错误的 0.118 与负相关）。

## 引用

三篇原文的完整条目（GB/T 7714-2015）：

- QIU J, ZHANG Y, CAI M, et al. Large contribution of antecedent climate to ecosystem productivity anomalies during extreme events[J]. Nature Geoscience, 2026, 19(1): 25-32. DOI:10.1038/s41561-025-01856-4.
- LIU Y, ZHANG Y, PEÑUELAS J, et al. Drought legacies delay spring green-up in northern ecosystems[J]. Nature Climate Change, 2025, 15(4): 444-451. DOI:10.1038/s41558-025-02273-6.
- ZHANG H, ZHANG Y, MIRALLES D G, et al. Increase in plant reliance on past precipitation associated with greening and drying[J]. Nature Ecology & Evolution, 2026, 10(4): 689-699. DOI:10.1038/s41559-026-02997-4.

本项目的全部引用条目见两处：报告末页的编号表（`05_logs_and_slides/progress_report_2026-10.pdf`，顺序编码制），
以及 `00_literature_survey/related_work_three_papers.md` 与 `reproduction_three_papers.md` 文末的著者-出版年表。
所有条目的作者、题名、卷期页与 DOI 均按 Crossref 记录核对。
文章 A 于 2025 年 11 月在线发表，纸本为 2026 年第 19 卷第 1 期，条目按纸本著录。