因果引导的可解释机器学习显示，地下水对美国本土森林光合作用的空间影响可达干旱度的48%至101%
核心概要
该研究利用太阳诱导荧光的卫星观测，结合地下水位深度与干旱度的模型估计，并采用因果引导的可解释机器学习，量化地下水与气候干旱度对美国本土光合作用空间格局的相对作用，发现地下水对森林光合作用的相对重要性相当于干旱度效应的48%至101%，在稀树草原与灌丛为30%至58%、草地为22%至42%、农田为15%至32%。
深度剖析
地下水在调控美国本土光合作用空间格局中的相对重要性可与气候干旱度相比拟，森林中地下水效应相当于干旱度效应的48%至101%。 此前地下水对年均光合作用空间变异的贡献相对气候干旱度等已知因子缺乏量化，该研究给出了跨植被类型的相对重要性区间。 基于太阳诱导荧光卫星观测与地下水位深度、干旱度模型估计，采用因果引导的可解释机器学习进行归因；证据来自摘要所述分析框架与给出的区间数值。
地下水的重要性并非仅限于森林，在稀树草原与灌丛（30%至58%）、草地（22%至42%）和农田（15%至32%）中相对干旱度仍保持可观比例。 将地下水—光合作用关系的评估从单一植被类型扩展到多种植被类型，给出不同生态系统间的相对重要性梯度。 同一因果引导可解释机器学习框架下的分植被类型结果，摘要报告了各类型的百分比区间。
作者将上述格局解释为地下水位通过调节根区可用水量发挥作用，其效应量级与气候干旱度相当。 把统计归因结果与根区水分供给机制联系起来，为陆地—大气相互作用建模提供地下水这一维度。 属于作者基于观测与模型归因提出的机制性解释，摘要以“reflect the role of water tables in regulating the water available in the rooting zone”表述。
启示与展望
该结果面向美国本土这一研究区，适用于以太阳诱导荧光表征光合作用、以模型估计地下水位深度与干旱度的分析设定；对关注陆地—大气相互作用建模、植被水分胁迫与地下水—生态耦合的研究者与模型开发者具有直接参考价值，其因果引导可解释机器学习框架也可为其他区域或植被类型的类似归因提供思路。
摘要未交代太阳诱导荧光与地下水位深度、干旱度数据的具体时空分辨率与时段，也未说明因果引导可解释机器学习的具体实现与稳健性检验；地下水相对重要性的区间跨度较大（森林48%至101%），其上限超过干旱度效应，这一范围的来源与不确定性值得在正文中进一步确认。此外，结论基于美国本土，向其他气候与水文条件区域外推时仍需谨慎。