基于时滞效应校正作物水分亏缺指标以优化农田水分状况评估

【字体: 时间:2025年04月22日 来源:Agricultural Water Management 5.9

编辑推荐:

  本文研究针对作物水分亏缺指标(如 CWSI、ET、gs 等)受时滞效应影响导致与土壤含水量(SWC)相关性降低的问题,研究人员通过多种方法量化时滞效应,发现时滞互信息校正效果最佳,且 CNN - BILSTM - Adaboost 模型预测精度最高,为精准灌溉提供理论依据。

  在农业生产中,及时且准确地掌握土壤水分状况,对于农作物的健康生长、实现精准灌溉以及提高水资源利用效率至关重要。然而,目前用于监测土壤含水量(SWC)的一些关键指标,像作物水分胁迫指数(CWSI)、实际作物蒸散量(ET)和气孔导度(gs)等,虽然被广泛应用,但它们与 SWC 之间的关系却受到了一个容易被忽视的因素影响 —— 冠层温度(Tc)与环境因素之间的时滞效应。这一效应使得这些指标与 SWC 的相关性变得复杂,就好比给准确评估土壤水分状况蒙上了一层 “迷雾”,让人们难以精准判断农田的真实水分情况,从而影响到灌溉决策的科学性和有效性。
为了拨开这层 “迷雾”,西北农林科技大学的研究人员展开了一项深入研究。他们在两年时间里,针对冬小麦进行了田间实验,设置了四个不同的灌溉水平,模拟多样化的水分条件。通过一系列复杂而严谨的研究,他们得出了一系列重要结论。这些结论为准确评估农田土壤水分状况提供了关键的理论支撑,对干旱地区农田节水技术的发展有着重要意义,相关研究成果发表在《Agricultural Water Management》上。

在研究过程中,研究人员运用了多种关键技术方法。首先,通过多种传感器对冠层温度、土壤含水量、气象因素等进行长期连续监测,获取大量基础数据。接着,采用时间滞后互相关、时间滞后互信息、灰色时间滞后相关分析、时间滞后阿尔蒙(Almon)法和时间滞后偏最小二乘法(PLS) 等方法计算时滞参数。然后,利用这些时滞参数对 CWSI、ET、gs 等指标进行校正。最后,运用多种机器学习模型对校正后的指标进行预测和分析 。

下面来详细看看研究结果:

  1. 未考虑时滞效应时指标的变化规律:在 2022 年和 2023 年的 3 - 4 月,研究人员发现随着土壤水分胁迫的增加,gs 和 ET 均呈现下降趋势,且它们的日变化模式与大气温度(Ta)相符,不过 ET 达到峰值的时间比 gs 要晚。同时,理论和经验 CWSI 都随着土壤含水量的增加而降低。
  2. Tc 与气象因素间时滞效应的量化:研究表明,Tc 达到峰值的时间比土壤热通量(G)、Ta 和相对湿度(RH)要早,但比净辐射(Rn)晚。通过五种方法计算得出,时滞参数从大到小依次为:时间滞后阿尔蒙法 > 灰色时间滞后相关分析 > 时间滞后互信息 > 时间滞后 PLS > 时间滞后互相关。并且在不同水分处理下,时滞参数存在差异,在重度水分胁迫(T4)处理下变化较为明显。
  3. 考虑时滞效应后与 SWC 相关性最佳指标的筛选:研究人员分析了各作物水分亏缺指标与 SWC 的相关性,发现考虑时滞效应进行校正后,各项指标与 SWC 的相关性都有所提高。其中,时间滞后互信息对各指标相关性的校正效果最为显著,经其校正后的 gs 与 SWC 的相关性最强。
  4. 考虑时滞效应后 gs 的机器学习模型预测与插值:研究人员利用多种机器学习模型对经时间滞后互信息校正后的 gs 进行预测和插值。结果显示,在 8:00 - 15:00 期间,卷积神经网络 - 双向长短期记忆 - 自适应增强(CNN - BILSTM - Adaboost)模型的预测精度最高(R2 = 0.960,RMSE = 0.235 )。

在讨论部分,研究人员深入分析了时滞参数突然变化的原因。在重度水分胁迫下,土壤含水量低于阈值,作物会出现干旱应激反应,gs 会急剧下降,ET 也随之降低,同时 gs 对蒸气压亏缺(VPD)的敏感性增加,导致其峰值提前,这些变化综合起来使得 Tc 与气象因素之间的时滞参数发生突变。

此外,研究人员还对量化时滞效应的各种方法进行了探讨。时间滞后互相关适用于线性关系,但 Tc 与气象因素多为非线性关系,所以该方法存在一定局限性;时间滞后互信息能有效衡量变量间的非线性相关性;灰色相关系数可衡量变量发展趋势的相似性;时间滞后阿尔蒙法通过多项式规范估计分布滞后的权重;时间滞后 PLS 能处理系统建模中的多重共线性问题 。

同时,研究人员也指出了本研究存在的一些局限性。例如,不同地区和作物生长阶段,ET、gs 和 CWSI 的土壤水分阈值有所不同,时滞校正的效果也会有所差异。未来需要在更多地区开展不同灌溉水平的实验,进一步深入研究不同生长阶段 Tc 与环境因素之间的时滞效应。

总的来说,这项研究通过量化时滞效应,有效校正了作物水分亏缺指标与 SWC 之间的相关性,为准确评估农田土壤水分状况奠定了坚实的理论基础。研究中筛选出的最佳指标和表现最优的机器学习模型,有望应用于无人机热红外遥感数据的处理,从而实现更精准的灌溉管理,助力农业生产的高效发展,在提高水资源利用效率、保障农作物产量和质量方面有着巨大的潜力。

相关新闻
生物通微信公众号
微信
新浪微博
  • 急聘职位
  • 高薪职位

知名企业招聘

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号