基于Sentinel-2遥感数据与气象因子融合的樱桃园茎水势日变化空间预测模型研究

针对传统茎水势(Ψs)监测成本高、时效差的问题，智利Mayor大学团队创新性结合Sentinel-2多光谱数据与气象参数，采用XGBoost和随机森林算法构建预测模型，实现樱桃园Ψs空间动态监测（R2=0.76），为精准灌溉提供新范式。

　　

在全球气候变化加剧水资源短缺的背景下，农业灌溉用水效率提升成为保障粮食安全的关键课题。传统基于蒸发蒸腾量(ET)的灌溉管理方法存在空间分辨率低、无法实时反映植株水分状况等局限，而直接测量植物茎水势(Ψ_s)虽能准确表征水分胁迫，却面临耗时费力、难以规模化的困境。智利Mayor大学Hemera地球观测中心的Francisco Zambrano团队在《Agricultural Water Management》发表的研究，开创性地将Sentinel-2卫星遥感技术与机器学习相结合，为樱桃园水分精准管理提供了创新解决方案。

研究团队在智利中部两个'Regina'樱桃园开展为期两年的田间试验，通过压力室法获取898组Ψ_s实测数据，同步采集气象站数据（VPD、ET_o等）和Sentinel-2衍生的16种植被指数（如MSI、DWSI）及5项生物物理参数。采用LOESS算法重构时间序列后，对比评估了随机森林(RF)、XGBoost和支持向量机(SVM)三种模型的预测性能，并通过时空分离验证确保模型泛化能力。

3.1 预测因子与Ψ_s的关联特征

气象因子中VPD（蒸汽压差）与Ψ_s呈现显著负相关（r≤-0.75），而短波红外波段植被指数MSI（水分胁迫指数）和DWSI（病害水分胁迫指数）的空间变异与Ψ_s高度匹配。LOESS平滑处理有效解决了云层遮挡导致的数据缺失问题。

3.2 机器学习模型性能

XGBoost在随机拆分(rnd_split)中表现最优（R²=0.76，RMSE=0.24 MPa），其变量重要性分析显示ET_o、VPD等气象参数贡献度超60%。时空独立验证(tme_split)下模型性能虽降至R²=0.59，仍显著优于传统ET估算方法。

3.3 Ψ_s时空变异规律

空间制图揭示12月至次年1月水分胁迫空间异质性最显著，其中Rio Claro果园东北部存在持续低Ψ_s区域（<-2 MPa）。时序分析显示不同灌溉处理（T0-T4）的Ψ_s差异在干旱季节（2022-2023）可达0.8 MPa。

该研究首次实现大尺度樱桃园Ψ_s的日尺度空间化预测，其创新性体现在三方面：一是构建了"星-地"协同的多元数据融合框架，二是验证了SWIR波段植被指数对水分胁迫的敏感特性，三是开发了可业务化运行的预测流程。尽管模型在极端干旱条件（Ψ_s<-1.75 MPa）的预测精度有待提升，但为发展"数字果园"智能灌溉系统提供了关键技术支撑。研究结果对地中海气候区高附加值果树的水分精准管理具有重要借鉴价值，未来可通过纳入更多品种和立地条件进一步优化模型普适性。