基于机器学习的柑橘园作物系数动态估算框架：提升地中海地区农业水资源利用效率

为解决地中海地区柑橘园精准灌溉和水资源高效利用问题，研究人员开发了一种结合机器学习(ML)和季节性趋势分解(STD)算法的作物系数(Kc)动态估算框架。该研究采用多层感知器(MLP)、随机森林(RF)和k近邻(kNN)三种算法预测实际蒸散发(ETa)，并通过FAO-56指南推导Kc值。结果显示RF模型表现最优，均方根误差(RMSE)仅0.13，且无需卫星影像，为智能农业中的精准灌溉提供了经济高效的解决方案。

　　

在地中海气候区，气候变化正加剧水资源短缺，而农业用水占全球淡水消耗的70%。柑橘作为该地区主要经济作物，其高耗水特性与有限水资源间的矛盾日益突出。准确估算作物系数(K_c)是优化灌溉的关键，但传统方法依赖昂贵的涡度协方差(EC)系统或复杂的卫星遥感技术，难以大规模应用。巴勒莫大学工程学院(University of Palermo, Italy)的研究团队创新性地将机器学习与季节性趋势分解相结合，开发了一套经济高效的K_c动态估算框架。

研究采用2018-2022年西西里柑橘园的田间监测数据，包括太阳辐射、温湿度、风速等气象参数和土壤含水量(SWC)。通过多层感知器(MLP)、随机森林(RF)和k近邻(kNN)三种算法预测实际蒸散发(ET_a)，再结合FAO-56单作物系数法计算K_c。创新性地引入隔离森林和季节性分解算法处理异常值和时间序列特征。

研究结果显示：

1. 模型性能比较：RF模型表现最优，预测ET_a的RMSE为0.13，R²达0.37，显著优于其他模型。

2. 季节性特征：K_c动态呈现明显季节规律，生长中期值(0.63±0.15)低于生长初期/末期，符合柑橘生理特性。

3. 杂草影响消除：通过季节性分解有效降低了杂草蒸腾对K_c估算的干扰，使2021年生长季K_c估算值降低13%。

4. 特征重要性：日序数(DOY)是最关键特征(相对重要性0.29)，其次是土壤含水量(SWC)和最高温度(T_max)。

5. 与传统方法对比：与涡度协方差(EC)和植被指数(VI)方法相比，新框架所需数据量从GB级降至KB级，且无需卫星影像。

该研究创新性地解决了传统K_c估算方法成本高、依赖专业设备的问题。RF模型结合季节性分解的策略，不仅提高了估算精度，还能有效消除杂草干扰。相比需要处理10-15GB卫星数据的VI方法，新框架仅需151KB气象数据即可实现可比精度，为边缘计算在农田中的部署提供了可能。研究结果发表于《Computers and Electronics in Agriculture》，为地中海地区乃至全球柑橘园的精准灌溉管理提供了重要技术支撑，对应对气候变化下的农业水资源挑战具有实践意义。未来研究可扩展至其他果树作物，并探索与再分析数据的结合应用。