基于机器学习、地统计学和空间验证的核桃园茎水势预测与制图

《Computers and Electronics in Agriculture》:Predicting and mapping stem water potential in walnut orchards using machine learning, geostatistics, and spatial validation

【字体: 大 中 小 】 时间:2026年10月24日 来源:Computers and Electronics in Agriculture 10.3

编辑推荐:

   -随机森林(RF)在严格的场地留一交叉验证(Site-LOSO)下实现了R2= 0.41和RMSE= 0.21 MPa的预测效果。 -验证方案的设计对机器学习表现有显著影响。 -天气预测变量解释了开心果(walnut)茎水势(SWP)日期水平变化的大部分变异。 -机器学习方法

  

-随机森林(RF)在严格的场地留一交叉验证(Site-LOSO)下实现了R2= 0.41和RMSE= 0.21 MPa的预测效果。
-验证方案的设计对机器学习表现有显著影响。
-天气预测变量解释了开心果(walnut)茎水势(SWP)日期水平变化的大部分变异。
-机器学习方法与地统计方法提供了互补的空间估计。
-高分辨率SWP制图支持了果园尺度的空间表征。

引言

高效的水分管理对于在地中海气候和集约化多年生作物系统中维持农业生产至关重要(Fernández García et al., 2020, Taghvaeian et al., 2020)。在加利福尼亚州中央谷地,供水约束增加了对高价值果园作物精准灌溉的关注(Savchik et al., 2025)。核桃、杏仁和开心果需要既能提高水分利用效率又能保护产量和品质的灌溉策略。基于植物的测量可以补充传统灌溉调度方法,直接提供树木水分状态信息(Jones, 2004, McCutchan and Shackel, 1992)。历史上,灌溉调度主要依赖于基于土壤和天气的方法(Taghvaeian et al., 2020)。这些方法为水分管理提供了基础,但在解决树木级别变异方面存在局限性(Fereres and Goldhamer, 2003)。基于天气的调度通常利用作物系数(Kc)将参考蒸散量(ETo)转换为作物蒸散量(ETc)(Knipper et al., 2024, Peddinti et al., 2020)。统一的系数可能会掩盖冠层发育、地面覆盖、灌溉和局部微气候方面的差异;实际作物系数会随这些条件而变化(Peddinti et al., 2020, García-Tejera et al., 2021)。尽管ET估计值可以量化水分损失,但它们并不能直接测量单棵树的含水状态(Li et al., 2009)。因此,即使按照计算得出的灌溉需求进行灌溉,局部滴头故障、土壤板结或根区限制仍可能导致胁迫(Yang et al., 2019)。

基于土壤的方法涉及监测土壤含水量或土壤水势,能更直接地测量根区的可供水量(Zhang et al., 2024)。从中子探针到电容传感器和张力计等技术已被部署用于指导灌溉决策(Jiang and He, 2021)。然而,这些方法也面临重大的实践和理论障碍。土壤水分可能是异质的,随土壤类型、深度和与滴头的距离而变化(Yang et al., 2019)。单一传感器读数可能无法准确代表整个根区的平均水分状态,确定传感器的最优放置位置是一项复杂任务(Corell González et al., 2020)。更根本的是,土壤水分状态只是土壤-植物-大气连续体中的一个组成部分。即使土壤水分充足,如果大气需求(饱和水汽压差,VPD)过高,植物的水分提取能力无法跟上其蒸腾损失,植物水势仍可能下降(Jones, 2004)。因此,土壤监测需要结合大气条件和植物响应进行解读。

为了克服基于土壤和天气方法的不足,基于植物的指标越来越多地被用于指导灌溉调度,正午茎水势(SWP)被公认为木本多年生作物中敏感且应用广泛的指标(McCutchan and Shackel, 1992, Shackel et al., 2021)。SWP反映了植物木质部内的水分张力,并综合了土壤水分供应、大气蒸散需求和植物对水分损失的生理调控(Plavcová et al., 2023, Tomasella et al., 2023)。测量通常按照既定规程使用压力室进行(Shackel et al., 2010)。正午观测尤为重要,因为它们在蒸发需求高的时段获取,与植物的水分生理和气孔响应密切相关(Fereres and Goldhamer, 2003, McCutchan and Shackel, 1992)。基于VPD的参考基线也已建立,用于在非胁迫树木中相对于大气条件解读SWP(Shackel et al., 2021)。尽管SWP具有重要的生理价值,但传统的SWP测量仍然是手工的、劳动密集的、对被采样叶片具有破坏性的,且空间上稀疏(Peddinti and Kisekka, 2025, Shackel et al., 2021)。测量足够多的树木以表征大型商业果园的后勤负担限制了常规的高频空间评估。自动化茎水势传感器可以减轻这一负担,但其成本和部署要求仍然限制了果园尺度的密集网络部署(Kisekka et al., 2024)。

对空间显式方法的迫切需求是由果园环境的固有异质性所驱动的。土壤质地、剖面发育、水力特性、根系深度和前期水分状态等方面的差异可能在相对短的距离内造成植物可用水分的巨大变异(Rahmati et al., 2024, Western et al., 2002)。灌溉系统可能通过压力变化、滴头流量差异、堵塞和局部润湿几何形状进一步增加空间非均匀性(Meron et al., 2025)。树木级别的因子如砧木、树势、冠层发育、作物负载和健康状况也可能改变水分需求和水分生理响应(Chen et al., 2023, Fernández-Suela et al., 2023, Lawrence et al., 2025)。与风暴露、田边和冠层结构相关的微气候差异可能在辐射和大气需求方面增加额外的变异性(Baker et al., 2021, von Arx et al., 2013)。因此,少量的SWP点测量可能无法代表果园内树木水分状态的完整分布,这促使了开发能够在量化延伸不确定性的同时将生理观测在空间上延伸的方法。

环境传感、遥感和数据分析的融合为将点尺度SWP测量与空间连续的果园信息联系起来提供了一条途径。机器学习方法很适合这一任务,因为它们能够在不需要完全指定的机制模型的情况下表示大气、土壤和冠层预测变量之间的非线性交互作用(Minasny et al., 2024, Meyer et al., 2018)。集成树方法能够捕获复杂的预测变量交互作用(Breiman, 2001, Peddinti and Kisekka, 2025),高斯过程模型在预测空间中提供灵活的非线性回归(Rasmussen and Williams, 2006),基于核的方法如支持向量回归(SVR)可以在预测变量适当缩放和调整时表示非线性响应面(Smola and Sch?lkopf, 2004)。遥感和机器学习框架在果园水分状态和相关的根区过程的空间表征方面已显示出前景(Kisekka et al., 2022, Savchik et al., 2025)。然而,其实用价值取决于性能在模型开发期间未代表的空间位置或时间段是否需要预测时是否仍然保持。

将重复的树木级别SWP测量转化为可靠的果园尺度空间预测,需要反映预期预测任务的验证方案。在重复的时空数据集中,可以从相对少量的固定空间位置收集大量观测值;因此,时间重复不应被视为等同于独立的空间重复。当来自邻近或相关位置的观测值仍保留在训练数据中时,随机或弱结构的交叉验证可能会高估可迁移性(Roberts et al., 2017, Meyer et al., 2018)。这一区分尤为重要,因为气象预测变量对于给定测量日期的所有树木都是共有的,而植被指数、土壤含水量、土壤特性和地理位置等变量在空间上变化。在这些条件下,整体模型性能可以同时反映再现果园范围时间变化的能力,以及更困难的再现日期内空间异质性的能力。分别评估这些组成部分,并结合明确的空间统计基准,可以更有条理地评估模型预测是否能推广到果园未测量的部分。

本研究开发和评估了一个机器学习框架,用于预测和空间制图商业核桃园的日正午SWP。研究目标为:(1) 表征三个生长季的SWP季节性和空间模式;(2) 比较随机森林(RF)、XGBoost、支持向量回归(SVR)、高斯过程回归(GPR)和堆叠集成模型在测试单树迁移、空间组迁移、整个监测点迁移和年份迁移的验证方案下的性能,使用严格的Site-LOSO作为对未见场地空间推广能力的主要评估;(3) 在分离日期水平预测技能和日期内空间技能的同时评估预测变量的贡献;(4) 比较协变量驱动的机器学习方法与反距离加权(IDW)、普通克里金(OK)、通用克里金(UK)和回归克里金(RK);(5) 在从2020年高分辨率Ceres影像划定的冠层域上应用拟合模型,量化空间制图结构和预测变量空间支持,并评估精细尺度解释的局限性。三年地面数据集(2019–2021)用于推广性分析,冠层网格制图仅限于2020年,因为2019年和2021年没有可用的可比高分辨率Ceres影像。

研究区域与数据采集

本研究在加利福尼亚州北萨克拉门托谷地特哈马县科宁附近的一个商业核桃(Juglans regia)园开展(图1)。该果园由成熟的、满产的切拉核桃树组成,嫁接在健壮的商用杂交砧木上。树木树龄约15年,以南北方向排列种植,株行距为7.3 m × 7.3 m(24 ft × 24 ft)。灌溉采用双线地表滴灌系统供应,果园管理遵循标准操作规程。

测量茎水势的季节性和园内变异性

2019–2021生长季期间,测量的日正午SWP在不同监测点之间变化显著(图2)。在整个记录期内,数值从水分相对充足条件下的约?0.20 MPa变化到最强胁迫时期的约?1.60 MPa。同一站点内的树木通常遵循共同的季节性变化轨迹,但树木和站点之间的偏差随测量日期变化,表明在园内空间变异性之上叠加了强烈的共享时间信号。

季节动力学与生理解释

三年SWP记录中包含了一个叠加在树木和站点特定变异性之上的强季节分量(图2)。这与日正午SWP作为土壤-植物-大气连续体的综合响应而非单一环境驱动因子响应的认识一致。SWP反映了从根区到蒸腾叶片维持水分运输所需的水势,因此同时响应大气需求和水分供应(Jones, 2004, McCutchan and Shackel, 1992)。

结论

本研究使用2019–2021年10个站点30棵树的核桃SWP数据,比较了机器学习和空间统计方法。在严格的Site-LOSO下,RF具有最高的汇集点估计(R2= 0.41;RMSE= 0.21 MPa),而同日田间辅助IDW具有相似误差(R2= 0.39;RMSE= 0.22 MPa)。预测能力强烈依赖于留一交叉验证设计:Tree-LOTO性能更高,因为同一站点的邻近树木可以保留在训练中,而LOYOCRediT——

作者贡献声明

Srinivasa Rao Peddinti:初稿撰写、验证、软件、方法论、形式分析、数据整理、概念构思、可视化、审稿与编辑。Isaya Kisekka:审稿与编辑、指导、调查研究、资金获取、概念构思。

利益冲突声明

作者声明不存在已知的可能影响本文所述工作的竞争性财务利益或个人关系。

致谢

本研究由美国农业部国家食品与农业研究所(USDA NIFA)资助,项目编号# 2021-68012-35914,以及加利福尼亚核桃协会资助,项目编号# D-0421-28。感谢Allan Fulton和Robert Mahoney在数据收集方面的协助,以及Esteve Ranch管理处提供果园访问权限。

Srinivasa Rao Peddinti | Isaya Kisekka
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号