基于过程-数据双驱动混合模型的滨海农田地下水埋深精准预测研究

本研究针对滨海农田地下水埋深(GWD)预测难题，创新性地结合过程驱动模型DRAINMOD与数据驱动模型NARXε，构建了混合预测模型。通过黄河三角洲冬小麦-夏玉米轮作田实验验证，该模型使GWD预测的R2提升6.7-10.2%，NRMSE降低17-47.9%，显著优于单一模型，为滨海农田排水系统设计提供了可靠工具。

　　

在滨海农田生态系统中，地下水埋深（GWD）的精准预测一直是农业水资源管理的核心难题。过浅的地下水会引发土壤盐渍化，阻碍作物根系发育；而过深的排水又可能导致水资源浪费。传统物理模型DRAINMOD虽能模拟水平衡驱动的GWD变化，但对复杂环境因素的响应存在局限；纯数据驱动方法虽能捕捉非线性关系，却缺乏物理机制支撑。这种矛盾在黄河三角洲这类典型滨海农业区尤为突出——该地区冬小麦-夏玉米轮作田面临季节性水位剧烈波动，现有模型难以同时满足精度与泛化性需求。

针对这一挑战，中国科研团队在黄河三角洲开展了为期两年的田间实验（2019-2021），创新性地提出DRAINMOD-NARX_ε混合建模策略。该研究通过物理模型与神经网络的深度融合，既保留了DRAINMOD对排水系统参数（沟深、间距）的物理响应能力，又利用非线性自回归外生输入网络（NARX_ε）动态修正日尺度模拟误差。关键技术包括：基于水平衡的DRAINMOD过程模拟、NARX_GWD数据驱动建模、误差校正模块NARX_ε的集成，以及跨作物季（冬小麦-夏玉米）和跨土地利用类型（相邻棉田）的模型验证。

研究结果显示三个关键突破：

1. 精度显著提升：混合模型在两种轮作季的GWD预测中，R²较DRAINMOD和NARX_GWD分别提高6.7%和10.2%，归一化均方根误差（NRMSE）降低47.9%和17.0%，尤其在初始水位差异大的时段优势更明显。
2. 误差可控性验证：证实NARX_ε的误差修正不会引入系统性偏差，其不合理估计可通过模型自调节机制控制，解决了数据驱动方法常见的"黑箱失控"隐患。
3. 跨场景泛化能力：混合模型成功预测了相邻棉田的月均GWD，证明其能继承DRAINMOD对排水管理参数的物理外推能力，这是纯数据模型无法实现的。

这项发表于《Pedosphere》的研究，通过机理与数据的协同创新，建立了首个兼具物理可解释性和机器学习精度的GWD预测框架。其重要意义在于：为滨海农田排水系统设计提供了可量化不同沟深/间距组合效果的虚拟实验平台；提出的误差校正机制为其他环境模型优化提供了范式；所揭示的物理-数据模型互补规律，对智慧农业中的数字孪生技术发展具有启示价值。该成果尤其适用于中国东部沿海快速发展的盐碱地改良工程，为保障粮食安全与水资源高效利用提供了关键技术支撑。