基于可解释机器学习的近端遥感在潜热通量估算中的价值量化研究

本研究针对农业系统中潜热通量(LE)估算的挑战，创新性地结合气象数据和近端遥感(NDVI/LST)指标，通过系统构建64种机器学习模型组合，揭示了仅需2-3个关键参数（如PAR+NDVI）即可解释81%的LE变异，为缺乏涡度协方差设备的区域提供了高精度、低成本的蒸散发监测方案，对精准农业水资源管理具有重要意义。

　　

在全球气候变化加剧和农业水资源短缺的背景下，准确估算作物潜热通量(LE)对优化灌溉决策至关重要。传统基于过程的模型依赖生长季变化的植被参数，而卫星遥感存在时空分辨率不足的缺陷。近端遥感虽能提供高频植被生物物理数据，但其在LE估算中的量化价值尚未系统评估。

美国爱荷华州立大学可持续先进生物经济研究农场(SABR)的研究团队在《Agricultural Water Management》发表研究，通过2021-2022年大豆生长季的半小时分辨率气象和涡度协方差数据，结合NDVI和LST近端遥感观测，构建了包含64种变量组合的深度神经网络(DLNN)模型。研究采用100次随机分割的交叉验证框架，结合SHAP可解释性分析，首次明确了近端遥感在LE预测中的增效机制。

关键技术包括：1) 基于SABR农场的多传感器同步监测网络获取PAR、VPD、T_a、U等环境变量及NDVI/LST遥感数据；2) 采用超参数优化(神经元数16-518、学习率0.0001-0.001)的DLNN建模；3) 通过SHAP算法解析变量交互效应。

【潜热通量预测与模型复杂度】
研究发现四环境变量+双遥感变量的六参数模型可解释88%的LE变异(R2=0.88)，但精简的[PAR,NDVI]两参数模型仍达77%解释力。三参数组合[PAR,LST,NDVI]实现性能-复杂度最佳平衡(R2=0.81)，证明近端遥感可有效补偿气象数据的 phenological 信息缺失。

【近端遥感的价值体现】
SHAP分析揭示NDVI通过表征冠层发育阶段修正PAR的利用效率：在NDVI<0.5时，纯气象模型误差达120 W/m²，而加入NDVI后误差降低60%。LST则在高值(>35°C)时指示气孔关闭，其与VPD>2.5 kPa的协同效应被模型准确捕获。

【模型可解释性发现】
交互图显示PAR的SHAP贡献随NDVI增加而强化，证实植被覆盖度对辐射利用的调节作用。LST在[PAR,LST,NDVI]模型中呈现双相效应：20-40°C时正贡献，>40°C时因蒸腾抑制转为负贡献，这一发现与植物生理学理论高度吻合。

该研究为近端遥感在精准农业中的应用提供了量化依据，其提出的精简模型(PAR+NDVI)尤其适合发展中国家推广。通过可解释AI技术，首次揭示了遥感变量在能量分配预测中的生物物理机制，为开发动态灌溉决策系统奠定了方法论基础。研究强调将作物 phenology 信息纳入机器学习框架，可显著提升极端气候下的蒸散发预测鲁棒性。