基于CatBoost算法与Jackknife不确定性分析的玉米实际蒸散发精准估算研究

为解决农业水资源管理中玉米实际蒸散发量(AET)估算精度不足的问题，研究人员采用CatBoost算法结合气象与土壤数据，对比RF、Extra Tree等模型，通过Boruta特征选择优化输入参数，实现了AET的高精度预测(R2=0.9625，RMSE=0.5594 mm/d)，并通过SHAP分析揭示净辐射与气温为关键影响因素，为精准灌溉提供科学依据。

　　

在全球水资源日益紧张的背景下，农业灌溉用水占淡水消耗总量的70%，而玉米作为全球主要粮食作物，其生长过程中的水分利用效率直接影响粮食安全和生态可持续性。实际蒸散发量(Actual Evapotranspiration, AET)是作物耗水的核心指标，但传统估算方法如蒸渗仪(Lysimeter)成本高昂且难以推广，Penman-Monteith-FAO方程则依赖完整气象数据，在资料缺失地区应用受限。如何通过高效、低成本手段精准预测AET，成为农业水资源管理的关键科学问题。

针对这一挑战，来自未知机构的研究团队在《Computers and Electronics in Agriculture》发表了一项创新研究。该研究首次将CatBoost算法与Jackknife不确定性范式结合，利用美国得克萨斯州Bushland地区的蒸渗仪实测数据，构建了玉米AET的多场景预测模型。研究通过对比随机森林(Random Forest, RF)、极端随机树(Extra Tree)、多层感知器(Multi-layer Perceptron, MLP)和K近邻(K-nearest Neighbor, KNN)等算法，系统评估了气象与土壤参数对AET的影响机制。

研究采用四项关键技术方法：1) 基于Lasso回归和Boruta算法筛选关键特征；2) 通过五折交叉验证优化模型参数；3) 利用SHAP（Shapley Additive Explanations）可解释性分析揭示变量贡献；4) 采用Jackknife+方法量化预测不确定性。数据来源于美国Bushland地区4个蒸渗仪2018年428组玉米生长数据，包含24项气象与土壤参数。

3.1 AET与潜在蒸散发(ET_c)对比
通过FAO 56 PM方法计算的ET_c与蒸渗仪实测AET对比显示，东西部蒸渗仪数据的R²分别达0.9859和0.9792，差异仅4%，表明研究区玉米水分胁迫轻微，验证了数据可靠性。

3.2 机器学习结果
特征选择中，Boruta算法确定的净辐射(R_n)以Z值>15成为最具影响力因子。CatBoost在Boruta优化后的Comb3场景中表现最优，测试集R²达0.9625，RMSE仅0.5594 mm/d，优于Extra Tree(R²=0.9514)和RF(R²=0.9444)。而仅用气象数据的Comb4场景精度最低(R²=0.8987)，证实土壤参数对AET预测不可或缺。

3.3 不确定性分析
Jackknife+方法显示CatBoost的95%置信区间宽度最小(1.552 mm/d)，覆盖概率达92.3%，显著优于KNN(3.078 mm/d)。预测区间图证实CatBoost结果均落在合理误差范围内。

3.4 SHAP模型解释
SHAP分析揭示R_n、气温和80-mm行间土壤热通量对AET贡献最大，其正相关性与蒸散发物理机制一致。土壤温度参数（1.0米核心层与田间层）同样关键，而相对湿度(RH%)升高会降低SHAP值，符合"空气越干燥、蒸散越强"的生态学规律。

3.5 讨论延伸
研究创新性地证明：1) CatBoost的序贯提升策略能有效缓解梯度偏差，在处理非线性AET预测问题上显著优于传统算法；2) 土壤温度数据可提升模型精度约6%，未来应结合遥感技术获取空间连续数据；3) Boruta特征选择将计算时间缩短40%，为大规模农田应用提供可能。与既往研究对比，该模型精度较CNN-RF混合模型提高2.3%，比ANN模型提高1.8%，且通过SHAP分析实现了"黑箱"透明化。

这项研究为精准农业提供了方法论突破，其构建的"特征选择-模型优化-不确定性量化-机理解释"框架，可推广至其他作物和气候区。未来研究可探索融合卫星遥感土壤水分数据，并在气候变化背景下评估土壤参数的动态影响，为可持续农业水管理提供更强大的决策工具。