基于机器学习的反演方法及其在萱草栽培中土壤湿度敏感性分析的应用

《Agricultural Water Management》：Machine learning-based inversion and sensitivity analysis of soil moisture in Hemerocallis cultivation

精准监测与预测土壤水分对鸢尾花产量影响及机器学习模型优化研究。

　　
该研究聚焦于唐山市永济区作为唐菖蒲主产区，通过整合土壤湿度传感器、多源遥感数据及气象数据，构建机器学习模型，揭示土壤湿度动态规律及其对产量的影响机制。研究采用分层抽样法在5个种植年限不同的采样点布设TSM640传感器，监测0-100cm土层湿度动态，结合Sentinel-1/2卫星影像及气象数据，建立BPNN、RF和SVM三类模型，系统评估不同数据源与模型的协同效应。

在数据预处理方面，采用Savitzky-Golay滤波器对传感器数据进行平滑处理，并计算其一阶导数以捕捉湿度变化速率。卫星数据处理涉及ENVI平台提取NDVI、EVI等15种光谱指数，SNAP工具进行辐射校正和地形校正。气象数据通过ANUSPLIN插值生成空间分布图，验证显示降水（R2=0.99）、平均温度（R2=0.94）等参数的空间代表性良好，但风速数据误差较大（R2=0.76）。

模型构建过程中，BPNN采用三层架构（输入层40维、隐层2层），经1000次迭代训练，其0-60cm土层湿度预测模型在训练集（R2=0.65）和测试集（R2=0.64）均表现稳定，RMSE稳定在2.6-2.9之间。多源数据融合显著提升精度，当整合Sentinel-1（VV/VH极化）与Sentinel-2（B2/B3/B4/B8波段）数据后，BPNN模型R2提升18%，RMSE降低22%。值得注意的是，气象数据单独建模效果欠佳（R2<0.33），与SM的滞后响应特性相关。

在产量预测方面，随机森林（RF）模型展现出最优性能，其训练集R2达0.76，测试集R2仍保持0.51。特征重要性分析揭示关键生长阶段： bolt期（0.42）、squaring期（0.32）、filling期（0.28）和seedling期（0.25），其中bolting阶段对产量影响最为显著。空间产量分布显示，Jule（东田铺）和Beijiazao（柏老庄）单产达3465kg/ha，显著高于Fengyu（丰裕）等区域，这与bolting期土壤湿度维持在15-20%的高值区密切相关。

研究创新性体现在：1）首次建立0-60cm土层湿度动态模型，通过一阶导数量化水分变化速率；2）发现Sentinel-1与Sentinel-2数据融合可使BPNN模型R2提升0.18；3）揭示唐菖蒲对土壤湿度的阶段特异性响应，bolting期需水量占全生育期总需水量38.7%，显著高于其他阶段。

在区域应用层面，研究提出分层灌溉策略：在0-20cm土层实施滴灌（灌溉量3.2m3/亩·d），20-40cm采用漫灌（灌溉量2.1m3/亩·d），40-60cm维持自然渗透（灌溉量1.8m3/亩·d）。田间试验显示该策略可使bolting期土壤湿度稳定在17-19%，较传统灌溉提升22%，产量增加14.3%。值得注意的是，60-100cm深层土壤湿度波动小于1.5%，对产量贡献度不足8%，建议未来研究可聚焦0-40cm核心层。

该成果为唐菖蒲主产区建立智慧灌溉系统提供理论支撑，其模型在类似半干旱地区（年均降水389mm）的适用性已通过晋中市8个乡镇的验证，模型泛化能力达R2=0.58-0.67，RMSE<3.5m3/ha。研究建议在播种期（4月下旬）实施基肥灌溉（200m3/ha），bolting期（6月上旬）进行精准滴灌（4.5m3/ha）， squaring期（7月中旬）实施水肥一体化（3.2m3/ha），可有效提升水分利用效率达34.7%。

该研究为华北地区唐菖蒲等多年生作物建立水分管理标准提供了科学依据，其构建的BPNN-Sentinel多源数据融合模型已应用于晋中市12个乡镇的精准灌溉示范项目，覆盖种植面积2.3万亩，平均增产15.8%。后续研究计划纳入无人机多光谱数据（30m分辨率）和土壤墒情实时监测系统，进一步优化模型的空间分辨率至5m，时间分辨率提升至小时级。