基于机器学习与遥感技术的西瓜作物系数优化及水分利用效率提升研究

本研究针对埃塞俄比亚阿尔巴门奇地区西瓜生产中土壤水分、实际蒸散量(ETa)和生物量预测精度不足的问题，开发了NDVI调整作物系数(Kcaj)回归模型。通过比较随机森林(RF)和人工神经网络(ANN)算法性能，发现ANN模型预测精度更高(R2=0.75-0.92)，同时证实秸秆覆盖使土壤储水量提升5.1%-10.9%。该研究为半干旱地区农业水资源精准管理提供了创新解决方案。

　　

在灌溉农业领域，准确预测土壤水分、作物蒸散量和生物量对于提高水资源利用效率至关重要。特别是在半干旱地区如埃塞俄比亚阿尔巴门奇，水资源短缺严重制约着农业生产。西瓜(Citrullus lanatus)作为耐旱作物，虽然能够适应有限的水分条件，但其生产过程中仍面临灌溉水利用效率不高、作物系数标准化不足等问题。传统的FAO作物系数未能充分考虑当地气候条件和田间管理措施的影响，导致灌溉决策缺乏精准性。

在此背景下，Birara Gebeyhu Reta等研究人员在《Journal of Agriculture and Food Research》上发表了最新研究成果，通过整合机器学习算法和遥感技术，开发了基于归一化植被指数(NDVI)的调整作物系数(Kc_aj)回归模型，为西瓜生产的精准灌溉提供了科学依据。

本研究采用了多种技术方法：通过田间试验设置了四种灌溉处理（100%灌溉、100%灌溉+秸秆覆盖、50%灌溉、50%灌溉+秸秆覆盖）；利用时域反射计(TDR)监测土壤水分；采用土壤水分平衡法计算实际蒸散量(ET_a)；通过Google Earth Engine平台提取Sentinel-2影像数据计算NDVI；应用随机森林(RF)和人工神经网络(ANN)算法建立预测模型；并采用多种统计指标（R²、RMSE、NSE、MAPE、MedAE）评估模型性能。

3.1. 特征重要性和热图分析

研究发现，在无覆盖处理中，灌溉是预测土壤水分、ET_a和生物量的最主要因素（贡献度>60%），温度次之（>30%）。在秸秆覆盖处理中，灌溉的重要性略有下降但仍占主导（>45%），秸秆覆盖本身成为第三重要因素（>10%）。热图分析显示灌溉与各输出变量呈强正相关（>0.78），而温度与土壤水分呈负相关（-0.71）。

3.2. 机器学习性能指标

3.2.1. 土壤水分

ANN模型在预测土壤水分方面表现优于RF，整体R²为0.75，RMSE为0.31%，NSE为0.80。T4处理（50%灌溉+秸秆覆盖）的预测精度最高，表明秸秆覆盖在缺水条件下能有效维持土壤水分稳定性。

3.2.2. 实际蒸散量(ET_a)

ANN模型预测ET_a的整体R²为0.78，RMSE为8.18 mm，NSE为0.78。T3处理（50%灌溉无覆盖）的预测误差最小，说明适度水分胁迫下蒸散量变化更易于模拟。

3.2.3. 生物量

ANN模型在生物量预测中表现最佳，整体R²达0.93，RMSE为0.81 ton/ha，NSE为0.94。秸秆覆盖使西瓜生物量提高了19.10%-27.90%，证实了覆盖措施对作物生长的促进作用。

3.3. NDVI与Kc_aj的关系

研究发现NDVI与Kc_aj之间存在显著的二次多项式关系。全灌溉处理(T1)的NDVI值范围0.14-0.75，Kc_aj范围0.41-1.10；而50%灌溉+覆盖处理(T4)的NDVI和Kc_aj分别比无覆盖处理提高10%和25%。秸秆覆盖显著改善了作物冠层状况和水分利用效率。

该研究通过系统评估机器学习算法在农业水文参数预测中的应用效果，证实了人工神经网络模型在预测精度上的优越性。开发的NDVI-Kc_aj回归模型为基于遥感技术的作物系数估算提供了可靠方法，避免了传统方法中需要大量田间监测和昂贵仪器的局限性。研究结果对半干旱地区农业水资源管理具有重要实践价值，为精准灌溉决策提供了技术支撑，有助于提高水资源利用效率和作物生产力。

这项研究的创新之处在于将先进的机器学习算法与遥感技术相结合，针对特定作物和地区开发了定制化的作物系数模型。该方法不仅适用于西瓜作物，其技术路线也可推广到其他作物和地区，为全球农业水资源可持续管理提供了可借鉴的解决方案。未来研究可进一步探索更多环境变量的整合以及更先进的机器学习算法，以提升模型的预测能力和适用范围。