观潮 · 模式预报与气象 AI 观察
随机森林把江苏水稻涝渍监测精度提到 91.04%：气象因子占 0.8，下垫面与生育期合计 0.2
> 传统水稻涝渍监测主要靠气象数据，精度低、时效差。这篇把气象、地形、土壤类型和水稻生育期多源信息一起喂进随机森林，构建江苏全省的水稻涝渍灾害监测模型，并用像元尺度光谱匹配提取的水稻种植范围把非种植区剔掉。总体精度 91.04%，比传统有效降雨量模型提升 11.84 个百分点；因子重要性里气象因子合计贡献 0.8，高程、坡度、生育期和土壤类型合计占 0.2——引入下垫面与生育期因子的增量就在这 0.2 上。时空结果的结论是 2001—2020 年间江苏涝渍发生频率和持续时间都在增加，灾害多集中在播种—分蘖期，强度中心从西北向东南移动。作者明确留了一条边界：当前分析尚未考虑人工排涝、农田水利工程调控及防汛抗旱应急措施等人为干预因素。
缺的是哪一块
全球气候变化背景下极端降水频发，农田涝渍灾害呈现频率增加、范围扩大、灾情复杂化的趋势。江苏降雨时空分布不均、地势低平，水稻极易受涝渍胁迫。
传统方法的短板在两处：一是主要依赖气象数据，二是空间细节不足。作者把问题的症结概括为——现有指标较少考虑多元影响因子之间的关系，对下垫面异质性在涝渍灾害发生与发展过程中的影响机制关注不足，从而限制了模型的精度与泛化能力。
数据与模型怎么搭
项 · 设置
气象数据 · 用于构建传统有效降雨量模型与本文对照基准
灾情数据 · 用于样本统计与灾情分级
下垫面数据 · 土壤类型数据、高程数据（坡度由高程派生）
生育期 · 按水稻生育期划分样本时段
模型 · 随机森林
重要性分析 · MDI 与 PI 两种方法并列，交叉检验因子重要性排序
空间精细化 · 像元尺度光谱匹配算法提取水稻种植空间分布
精度评价 · 混淆矩阵
基准模型是有效降雨量模型，用来量化「多源信息融合」到底带来多少增量。
结果数字
检验项 · 结果
随机森林总体精度 · 91.04%
相对有效降雨量模型 · 提升 11.84 个百分点
气象因子贡献度 · 合计 0.8
高程、坡度、生育期、土壤类型贡献度 · 合计 0.2
水稻种植范围提取 · 像元尺度光谱匹配，减少非种植区干扰
时空特征（2001—2020 年）方面，原文给出几条可核验的结论：
维度 · 结论
总体趋势 · 涝渍灾害发生频率和持续时间增加，区域风险持续加剧
生育期分布 · 灾害多发生于播种—分蘖期；此后随生育进程推进，强度与范围逐渐收缩；至抽穗—成熟期，中度和重度灾害年均不足 1 天
强度分级 · 由轻到重频率递减；轻度灾害广泛高发，强度中心从西北部向东南移动
中度灾害 · 区域差异明显，例如徐州北部发生频率可达 50%，南部仅为 20%，整体呈西弱东强，东部为相对高发区
重度灾害 · 呈集聚分布特征
原文图
图1 模型输入所用的江苏省气象观测站点分布，覆盖全省 13 个设区市。
图2 2001—2020 年重度涝渍受灾频率空间分布：暖色为高发区，集聚在省域西北部，与轻度灾害广泛高发、重度集聚的结论一致。
作者承认的限制
限制 · 原文口径
未考虑人为干预 · 当前分析过程**尚未考虑人工排涝、农田水利工程调控及防汛抗旱应急措施等人为干预因素**
结论绑定江苏 · 研究对象是江苏省，模型在该区域 2001—2020 年数据上训练与检验
重度灾害样本稀疏 · 抽穗—成熟期中度和重度涝渍年均发生天数仅 0～1 天，多表现为局地短时事件，样本量少会限制该分级的判别稳定性
一句话判断
11.84 个百分点的提升来自把下垫面与生育期纳入模型——气象因子仍然占绝对主导（0.8 对 0.2），但这 0.2 决定了能不能把灾害定位到具体田块。剩下没解决的是人为干预：排涝和水利工程一启动，模型算出的「灾害」未必真的成灾。