机器学习模型评估土壤水分亏缺与补充灌溉对俄亥俄州玉米和大豆产量的影响及其优化策略

本研究针对气候变化下俄亥俄州雨养农业面临的水分胁迫问题，利用土壤水分平衡方程和机器学习模型（如Random Forest），评估了土壤水分亏缺（SWD）及补充灌溉情景对玉米和大豆产量的影响。研究发现，玉米产量主要受7月SWD、9月最高温和8月降水影响，而大豆则对5月和8月降水更敏感；补充灌溉（50.8 mm/月）可显著提高玉米产量（平均增加598 kg/ha）并降低年际变异，但过量灌溉无额外增益。该研究为区域灌溉策略优化和气候韧性农业提供了数据支撑和决策依据。

　　

在全球气候变化背景下，极端天气事件频发，干旱和高温压力对农业生产的稳定性构成严峻挑战。位于美国东北部的俄亥俄州，农业以雨养为主，灌溉面积不足总农田的1%，但近年来干旱年份（如2012、2022和2024年）导致玉米和大豆产量显著下降。尽管农民通过调整播期、采用保护性耕作和耐旱品种等方式应对，这些措施在持续或反复干旱条件下的效果有限。因此，探索补充灌溉作为适应性策略，以缓解干旱和高温对作物产量的负面影响，具有重要的现实意义。

为了系统评估土壤水分亏缺（SWD）和气象因素对作物产量的影响，并量化补充灌溉的潜在效益，Rajveer Dhillon等研究人员在《Agricultural Water Management》上发表了题为“Assessing the impact of soil water deficit and supplemental irrigation scenarios on Ohio’s maize and soybean yields using machine learning models”的研究论文。该研究结合土壤水分平衡方法和机器学习模型，分析了俄亥俄州1991–2022年县级尺度的月降水、温度、SWD及补充灌溉情景对玉米和大豆产量时空变异的影响，并识别了最受益于灌溉的区域。

研究主要采用了以下关键技术方法：基于土壤水分平衡方程计算月尺度SWD，整合了实际蒸散发（ETa）、地表径流（Q）、地下排水（TD）和降水等参数；利用Parameter-elevation Regressions on Independent Slopes Model（PRISM）气象数据和USDA-NASS产量数据；应用多种机器学习算法（包括Support Vector Machine、Elastic Net、Random Forest和Gradient Boosting）进行产量预测和特征重要性分析；采用SHAP（SHapley Additive exPlanations）进行后 hoc 解释分析；设计了两种灌溉情景（50.8 mm和101.6 mm月灌溉量）评估潜在产量增益；并通过ANOVA和Tukey HSD检验进行统计显著性评估。

2.1. Description of the study area

研究区域为俄亥俄州，位于美国中西部，属湿润大陆性气候，农业是该州主导产业之一，主要作物包括玉米和大豆。地形从西北平原向东南丘陵过渡，海拔139–472米，降水充足但时空分布不均。

2.3. Soil water deficit (SWD) calculation

通过土壤水分平衡方程估算SWD，关键组分包括ETa（采用Thornthwaite方法计算）、Q（基于SCS-CN曲线数法）、TD（基于排水比率法）和固定深渗漏（12.7 mm/月）。结果显示，玉米生长季平均SWD为275 mm，大豆为156 mm，7月SWD最高（115 mm），6月最低。

3.1. Analysis of weather parameters and SWD components

1991–2022年间，俄亥俄州生长季（5–10月）降水呈明显年际波动，2011年最高（1469 mm），1994年最低。ETa在7月最高（145 mm），10月最低（47 mm），西南部县份ETa较高。地表径流（Q）和地下排水（TD）在湿年（如2003、2011年）显著升高，与降水 pattern 一致。

3.2. Soil water deficit (SWD) results

SWD时空变异显著，玉米SWD最高值出现在Clermont县（370 mm），最低在Lake县（237 mm）。大豆SWD空间 pattern 类似，但整体低于玉米。相关性分析表明，玉米产量与7–9月SWD和高温呈负相关，而与8月降水正相关。

3.4. Evaluation of machine learning models and outputs

Random Forest模型在预测玉米和大豆产量方面表现最优，玉米的RMSE为0.60 Mt/ha、R2为0.77，大豆的RMSE为0.21 Mt/ha、R2为0.64。该模型被选用于后续SHAP分析和灌溉情景预测。

3.5. Post hoc SHAP analysis results

SHAP分析揭示，玉米产量最关键驱动因子为7月SWD（deficit_c_7）、9月最高温（avg_maxT_9）和8月降水（tot_precip_8）；大豆则以8月和5月降水为核心因子，7月SWD（deficit_s_7）影响力相对较弱。高温和水分胁迫在生殖期对玉米产量负面影响尤为突出。

3.6. Irrigation scenarios results

3.6.1. Yield response to supplemental irrigation

补充灌溉（50.8 mm/月）使玉米产量从8.669 Mt/ha显著提高至9.267 Mt/ha（p<0.05），但101.6 mm灌溉无额外增益。大豆产量增益不显著（仅 dry years 有效），但灌溉显著降低了年际变异（p<0.01）。

3.6.2. Effect of irrigation during dry, wet and normal years

干旱年份灌溉对玉米产量提升最大（从6.888增至9.097 Mt/ha），正常年和湿年增益较小。大豆仅在干旱年响应显著（2.472至2.862 Mt/ha）。

3.6.3. Effect of irrigation on hot, cold and normal September years

9月高温条件下，灌溉对玉米产量提升有限（7.99至8.5 Mt/ha），而冷9月年份增益显著（8.2至9.3 Mt/ha）。大豆对灌溉响应较弱，仅冷9月年份有显著改善。

3.6.4. Temporal patterns of yield response to supplemental irrigation

灌溉效益在干旱年份（如2012年）最高，玉米产量增益可达43.1%，大豆为11.8%。多年平均显示，灌溉有效平抑了产量波动。

3.6.5. Spatial patterns of yield response to supplemental irrigation

空间上，俄亥俄州西南部县份（如Butler县）玉米灌溉增益最高（22.6%），大豆增益较高县份分散（如Summit县9.2%）。灌溉频繁受益县份（如Ashtabula）在30年中有28年玉米产量提升。

4. Discussion

本研究通过机器学习和土壤水分建模，明确了SWD和气象因子对俄亥俄州玉米和大豆产量的驱动机制。玉米对水分胁迫更敏感，尤其在生殖期，而大豆表现出较强韧性。补充灌溉（50.8 mm/月）可有效提升玉米产量并稳定生产，但过量灌溉不经济。结果强调了基于区域气候特征和作物需求的精准灌溉策略的重要性，为缓解气候变化下农业水资源管理提供了科学依据。研究局限性包括未考虑土壤养分、病虫害等混杂因子，以及灌溉效率假设为100%，未来需整合更多变量并开展田间验证。