基于机器学习的不同灌溉制度下茄子作物水分胁迫指数（CWSI）估算研究

《Agronomy》：Machine Learning-Based Estimation of Crop Water Stress Index in Eggplant Under Different Irrigation Regimes

　　

本研究调查了2015年至2017年在土耳其巴夫拉（Bafra）田间条件下种植的茄子（Solanum melongena L.）的水分胁迫。研究人员评估了五种灌溉处理，并设三次重复：充分灌溉（I1）、75%灌溉（I2）、50%灌溉（I3）、25%灌溉（I4）和雨养条件（I5）。研究人员对每种处理计算了作物水分胁迫指数（CWSI）。采用五种人工智能算法——自适应神经模糊推理系统（ANFIS）、模糊逻辑（FL）、基因表达式编程（GEP）、支持向量回归（SVR）和随机森林（RF）——来估算计算得到的CWSI。模型使用冠气温差（T_c ? T_a）、饱和水汽压差（VPD）和太阳辐射（R_s）的组合进行训练，在七种输入组合下共生成35个模型。研究人员还单独使用自组织映射（SOM）来探索各输入变量与CWSI之间的拓扑关系。在评估的模型中，基于T_c ? T_a和VPD的ANFIS4产生的估算值与计算得到的CWSI值最为接近。由于参考CWSI本身由T_c ? T_a和VPD推导而来，该结果应被解读为在试验条件下对经验CWSI关系的准确再现。该方法可为传感器辅助的灌溉决策支持提供基础，但在实际应用之前仍需进行独立验证。

论文解读：基于机器学习估算茄子不同灌溉制度下的作物水分胁迫指数

淡水短缺、跨部门用水竞争和气候变化对灌溉农业的水分利用效率提出了更高要求。及时、准确地检测作物水分胁迫是优化灌溉决策、减少产量损失的关键，尤其对于水分敏感的蔬菜作物。传统的植物水分状况测定方法，如叶水势和气孔导度，虽信息丰富，但常耗时费力且依赖专用设备。基于红外热成像的冠层温度测量和作物水分胁迫指数（CWSI）提供了一种快速、非破坏性且空间代表性强的替代方案。CWSI依据冠气温差（T_c ? T_a）与饱和水汽压差（VPD）的经验上下基线计算，已在多种作物中得到应用。机器学习（ML）能够直接从训练数据中学习非线性关系，适合处理多变量、非平稳的农业系统。然而，已有研究较少在相同输入组合和同一田间数据集下，对不同结构机器学习算法估算CWSI的能力进行直接比较；同时，采用减少且常规可获得的输入组合能否准确重现CWSI也仍未得到充分解答。为此，研究人员利用土耳其巴夫拉2015—2017年三年茄子田间数据，系统比较五种算法和七种输入组合，探讨预测性能与输入需求之间的权衡，旨在为传感器辅助灌溉决策支持提供科学依据。

在研究方法上，研究于巴夫拉黑海农业研究所试验站（41°36′10″ N, 35°55′09″ E）开展，采用随机完全区组设计，三次重复，供试品种为Aykara F1茄子。试验设置五种灌溉处理：充分灌溉（I1）、75%灌溉（I2）、50%灌溉（I3）、25%灌溉（I4）和雨养条件（I5）。中子探针用于监测0–60 cm根区土壤体积含水量；Testo 875-2i手持热像仪在晴天10:00–14:00测量冠层温度，结合气象站数据计算T_c ? T_a、VPD和太阳辐射（R_s），并按Idso经验法建立上下基线计算CWSI。最终数据集包含160条观测记录，按67%/33%随机分为训练集（107条）和测试集（53条）。研究人员对五种算法——自适应神经模糊推理系统（ANFIS）、模糊逻辑（FL）、基因表达式编程（GEP）、支持向量回归（SVR）和随机森林（RF）——分别采用七种输入组合构建模型，并以多元线性回归（MLR）作为基准模型；另用自组织映射（SOM）进行探索性分析。模型性能以决定系数（R²）、均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）评估。

主要结果如下。模型评估方面，各算法在七种输入组合下的表现显示，包含T_c ? T_a的配置普遍优于仅含VPD或R_s的配置；向T_c ? T_a中加入VPD可显著提高精度，而加入R_s的增益较小。SOM分析表明，CWSI与冠层温度等微气候变量存在空间关联，但关系并非均匀，支持多变量评估；结合K-means和轮廓系数，数据被划分为7个聚类。ANFIS中，输入为T_c ? T_a和VPD的ANFIS4在训练和测试数据集均获得接近1.0的R²和低误差，被选为最优配置。FL中，FL4表现最好（测试R²=0.95），但在充分灌溉和轻度胁迫处理下偏差较大。GEP中，包含全部三个输入的GEP7误差最低（测试RMSE=0.02），但其对R_s的依赖可能限制其应用。SVR比较了线性、多项式、sigmoid和径向基函数（RBF）四种核函数，RBF核最佳；SVR4（T_c ? T_a+VPD）测试R²≈0.99，与SVR7相当，因此被选中。RF经超参数优化后，RF4（T_c ? T_a+VPD）测试R²=0.966，略高于RF7。MLR基准中MLR4测试R²=0.972、RMSE=0.043，表明预测精度很大程度来自CWSI计算本身对T_c ? T_a和VPD的数学依赖；非线性模型仅带来适度改进。

人工智能模型比较与预测分布方面，泰勒图显示，与参考点接近程度依次为ANFIS4、GEP7、SVR4、RF4、FL4。与MLR基准对比，RBF-SVR4（R²=0.99）优于线性核SVR4（R²=0.97），说明非线性建模可带来一定增益，但不应视为对植物水分胁迫的独立生理验证。由于训练/测试集按记录级随机划分，同一天不同灌溉处理共享VPD和R_s，可能导致测试性能偏乐观，需要谨慎解读。

模型性能评价方面，分灌溉处理看，ANFIS4在I3处理相关最强（r=1.00），在I4、I5也保持较高一致性；SVR4、GEP7和RF4对I3表现良好；FL4相关性最低（r=0.78）。在严重水分胁迫（I5）下，除ANFIS4外多数模型相关性下降，RF4仅为中等相关（r=0.57）。在水分充足或轻度胁迫（I1、I2）下，各模型在CWSI接近下限时误差较大。总体误差指标并不能代表全部水分胁迫范围内的同等预测精度。

讨论部分指出，由于参考CWSI本身由T_c ? T_a和VPD计算得出，模型的高预测精度应理解为对地点特定经验CWSI关系的再现，而非独立生理验证。本研究缺乏叶水势或气孔导度等独立生理参照，也未采用完全时间独立的验证方案；未来需通过留一年验证、多地点多品种测试评估时空可迁移性。研究结论可概括为：本研究比较了35个CWSI估算模型（5种算法×7种输入组合）。SOM分析提供了变量关系的探索性表示。包含T_c ? T_a和VPD的配置与计算CWSI一致性最强，仅用VPD或R_s的配置表现较差。基于T_c ? T_a和VPD的ANFIS4在训练和测试中总体一致性最好，且无需R_s。沿灌溉梯度，I1–I2误差较大，I3–I4一致性普遍改善，I5多数模型性能下降但ANFIS4仍保持较强一致性。该方法显示出传感器辅助CWSI估算和灌溉决策支持的潜力，但在实际应用前需进行时间与空间独立的验证。