机器学习算法在不同灌溉环境下高粱相对含水量估算中的性能评估与比较

【编辑推荐】针对高粱水分胁迫症状延迟表达导致的监测难题，研究人员通过RF、XGboost、SVM和PLS四种机器学习算法，基于320–1100 nm光谱反射数据构建高粱相对含水量（RWC）估算模型。结果表明，SVM在灌溉条件下表现最优（R2 =0.94），XGboost在雨养环境下相对稳健（R2 =0.70），为半干旱区精准农业水分管理提供了技术支撑。

　　

在全球气候变化背景下，高粱因其耐旱特性被誉为“骆驼作物”，成为半干旱地区粮食安全的重要保障。然而，这种作物对水分胁迫的耐受性反而导致其生理症状延迟显现，给及时干预带来挑战。传统水分监测方法难以满足大规模精准农业需求，亟需开发快速、非侵入式的技术手段。印度作为全球第五大高粱生产国，其北部地区将高粱用作饲料，南部则兼作粮食，凸显了该作物在区域农业系统中的关键地位。相对含水量（RWC）作为评估作物水分状况的核心指标，其精确估算对优化水资源管理至关重要。

针对这一科学问题，CCS哈里亚纳农业大学的研究团队在2023-2024年雨季期间开展了一项创新研究。通过设置灌溉与雨养两种水分处理，结合7个高粱品种的田间试验，采集320–1100 nm波段的光谱反射数据，系统比较了随机森林（RF）、极端梯度提升（XGboost）、支持向量机（SVM）和偏最小二乘（PLS）四种机器学习算法在RWC估算中的表现。研究发现，不同水分环境下高粱的光谱特征存在显著差异：灌溉条件下600–700 nm叶绿素吸收区的反射率更低，而雨养植株在近红外波段表现出独特响应。

【关键技术】研究采用分区分裂设计田间试验，利用光谱仪获取植物反射光谱，通过特征选择优化后，分别构建RF、XGboost、SVM和PLS预测模型，采用决定系数（R²
）、均方根误差（RMSE）和均方误差（MSE）评估模型性能。

【光谱特征差异】对比分析揭示，灌溉与雨养条件下高粱的光谱曲线在可见光和近红外波段均呈现显著分异，特别是红边区域（600–700 nm）的反射率差异为模型构建提供了重要依据。

【模型性能比较】在充分灌溉条件下，SVM展现出最优预测能力（R²
=0.94，RMSE=1.457），XGboost和RF次之，PLS表现最弱。转入雨养环境后，所有模型精度普遍下降，但XGboost仍保持相对优势（R²
=0.70，RMSE=3.707），而PLS的误差显著增大（MSE=30.505）。

【结论与意义】该研究首次系统评估了机器学习算法在不同水分环境下高粱RWC估算的适用性。SVM在理想水分条件下的卓越表现，为精准灌溉决策提供了可靠工具；XGboost在雨养环境中的相对稳健性，则对水资源受限地区的作物监测具有特殊价值。研究成果发表于《Journal of Arid Environments》，为半干旱区智慧农业的发展提供了方法论支持，同时也揭示了当前模型在极端缺水场景下的局限性，为后续研究指明了改进方向。由S. Divya Dharshini和Anurag领衔的研究团队特别指出，未来需整合多源遥感数据和生理参数，以增强模型在复杂环境下的泛化能力。