有机添加剂和种植方法对稻田根际真菌种群的影响 刘自奇， 王莉莉， 梁超， 汤志强

《Agronomy》：Effects of Organic Additives and Planting Methods on Fungal Populations in the Rhizosphere of Paddies Ziqi Liu, Lili Wang, Chao Liang and Zhiqiang Tang

　　

准确获取果园尺度的土壤水分信息是地中海等水资源短缺环境中多年生作物（如柑橘园）实现高效灌溉管理的关键需求，这些环境具有土壤水分、冠层结构和灌溉计划的时空变异性强的特点。本研究提出了一种混合物理-机器学习的方法来估算土壤水分，该方法集成了现场电容传感器测量、哨兵-1合成孔径雷达（SAR）观测、哨兵-2光学影像和ERA5-Land农业气候变量。首先，通过使用积分方程散射模型、基于物理的土壤介电模型和简化的植被衰减方案反演哨兵-1的后向散射，得到基于物理的土壤水分估算值。随后，这些物理推导的估算值作为预测因子，与多源遥感和气象变量一起，被纳入监督机器学习模型。研究评估了多种算法，包括正则化线性模型、支持向量回归、随机森林和梯度提升方法。采用基于独立年份预测的严格年际验证策略来评估模型的泛化能力。在此方法中，基于树的集成模型在果园尺度上实现了最高且最一致的性能，决定系数在0.55至0.76之间，在表现最佳的案例中，均方根误差通常在0.7%到1.1%的体积土壤水分之间。与纯物理基线模型的对比表明，混合方法在独立年份验证下持续降低了预测误差并提高了时间稳健性。总体而言，结果表明，物理-机器学习混合方法为使用业务化数据流监测灌溉柑橘园的果园尺度土壤水分提供了一个稳健且可扩展的解决方案，支持地中海多年生种植系统中的先进灌溉管理和精准农业应用。

基于物理-机器学习混合方法的地中海柑橘园果园尺度土壤水分估算研究解读

一、 研究背景与问题

在地中海地区，水资源短缺是农业生产面临的主要挑战之一，精准灌溉管理对于柑橘等多年生作物的可持续生产至关重要。土壤水分是调控植物水分利用、影响作物产量和品质的关键状态变量。因此，准确、及时地获取果园尺度的土壤水分动态信息，是实现精准灌溉、提高水分利用效率和保障气候韧性生产的基础。

传统的土壤水分监测主要依赖原位传感器（如电容式或频域反射仪探头），虽然能提供高时间分辨率的测量，但其空间代表性有限，且大规模部署成本高昂，难以捕捉农田内部及田块间的土壤水分空间异质性。遥感技术，特别是合成孔径雷达（SAR），因其对土壤介电特性的敏感性和不受光照、云层影响的优势，为大范围土壤水分监测提供了有力工具。哨兵-1（Sentinel-1）SAR任务的高时空分辨率数据进一步增强了业务化土壤水分监测的潜力。

然而，利用物理散射模型（如积分方程模型IEM及其高级形式AIEM、CIEM）直接从SAR观测反演土壤水分，常受模型参数不确定性、土壤-植被相互作用复杂性等因素限制。植被影响通常通过水云模型等简化方案处理，但会引入额外的、随地点和季节变化的校准参数。另一方面，纯数据驱动的机器学习方法虽能捕捉遥感观测、气象变量与实地测量之间的复杂非线性关系，但可能面临可解释性差、校准域外鲁棒性降低以及过拟合风险。

为了克服上述局限性，结合物理建模与机器学习的混合方法成为土壤水分监测的一个有前景方向。这类方法旨在融合物理模型的一致性和可迁移性，以及机器学习算法的灵活性和预测能力。尽管混合方法已在区域至全球尺度得到探索，但其在地中海条件下、以多年生树木为主的果园尺度的应用和验证仍然相对有限。与一年生作物不同，果树园在行间存在大量裸土，这种结构配置改变了土壤-植物-大气相互作用，增加了土壤组分对SAR后向散射的相对贡献，使得因地表粗糙度、植被结构和管理实践的综合效应，土壤水分反演更具挑战性。

基于此，本研究提出并验证了一种针对地中海柑橘园的果园尺度土壤水分混合物理-机器学习建模方法。

二、 研究概况与技术方法

本项研究由刘自奇（Ziqi Liu）、王莉莉（Lili Wang）、梁超（Chao Liang）和汤志强（Zhiqiang Tang）完成，并发表在《Agronomy》期刊上。研究旨在开发、评估一种混合物理-机器学习（ML）方法，用于估算地中海灌溉柑橘园的果园尺度土壤水分。研究整合了多源数据，包括2012年至2024年间西班牙巴伦西亚地区9个代表性商业柑橘园的实地频域反射仪（FDR）探头测量的土壤水分数据（作为地面真值）、哨兵-1 SAR数据、哨兵-2光学影像以及ERA5-Land农业气候再分析数据。

研究采用的核心技术方法路径如图所示（流程图概括了整体方法）。其主要步骤包括：

1. 1.
   数据预处理与整合：利用谷歌地球引擎（Google Earth Engine, GEE）平台处理哨兵-1和哨兵-2数据。将哨兵-1后向散射系数（σ⁰，VV和VH极化）和局部入射角，以及从哨兵-2计算的多种光谱指数（如归一化差异植被指数NDVI），在果园边界内进行空间聚合。将各类数据与FDR探头的每日土壤水分时间序列在时间上对齐。
2. 2.
   物理建模：首先，采用基于物理的散射模型（积分方程模型IEM）结合介电混合模型（Mironov模型）和植被衰减模型（水云模型WCM），对哨兵-1 SAR观测进行反演，得到初步的、物理上一致的土壤水分估算值。该步骤将雷达后向散射信号中的土壤表面散射与植被衰减贡献分离开来。
3. 3.
   机器学习建模：将上一步得到的物理反演土壤水分估算值，与哨兵-1/2的衍生变量（如后向散射系数、光谱指数）、ERA5-Land气象变量（如温度、降水、潜在蒸散）等作为预测因子，输入到多种监督机器学习算法中，以FDR测量的土壤水分为目标变量进行训练。评估的算法包括正则化线性模型、支持向量回归（SVR）、随机森林（RF）和梯度提升方法（如XGBoost）。
4. 4.
   验证策略：采用严格的“留出年份”交叉验证策略，即使用某些年份的数据训练模型，在独立的、未见过的年份上进行测试，以评估模型的泛化能力和时间稳健性。

三、 研究结果

2.1. 研究区域

研究在西班牙巴伦西亚自治区中部约600平方公里范围内的9个商业柑橘园进行，这些果园代表了地中海灌溉农业的特点。研究区域位置如图所示。该地区土壤多为石灰质（碱性），质地多变（砂壤土至粘壤土），持水能力通常为中低水平，存在微量元素问题，这种异质性支持了采用物理信息机器学习（physics-informed ML）和严格年际验证的建模策略。

2.6.1. 积分方程模型

通过使用积分方程模型描述粗糙土壤表面的雷达后向散射系数，将其表达为土壤复介电常数、地表粗糙度参数和雷达入射角的函数。在研究中，地表粗糙度参数采用了适用于耕作农业土壤的有效典型值，遵循类似校准IEM的参数化方案。

2.6.2. 基于Mironov模型的介电建模

采用Mironov等人提出的基于矿物学的介电模型，将土壤的复介电常数表达为体积土壤水分、频率和温度的函数，该模型特别适用于C波段SAR应用。这为物理散射模型提供了从土壤水分到介电常数的关键转换关系。

机器学习模型性能与比较

研究结果表明，在评估的各种机器学习算法中，基于树的集成模型（随机森林、梯度提升）在果园尺度上实现了最高且最一致的预测性能。在最佳情况下，决定系数（R²）范围在0.55至0.76之间，均方根误差（RMSE）通常在0.7%到1.1%的体积土壤水分之间。与仅基于物理反演的基线模型相比，混合物理-机器学习方法在独立年份验证中持续降低了预测误差，并显著提高了时间稳健性。这表明整合物理先验知识有效增强了纯数据驱动模型的泛化能力。

变量重要性分析

对机器学习模型的变量重要性分析显示，从哨兵-1反演得到的物理土壤水分估算值是关键的预测因子。此外，哨兵-1的后向散射系数（特别是VV极化）、哨兵-2衍生的植被指数（如NDVI）以及ERA5-Land的气象变量（如潜在蒸散）也对模型性能有重要贡献。这证实了多源数据融合在捕捉土壤水分动态复杂驱动因素方面的价值。

四、 讨论与结论

讨论：

研究讨论指出，混合方法成功地将物理模型的机制理解与机器学习的数据拟合能力相结合。在果园尺度应用该方法的主要优势在于其能够处理地中海柑橘园特有的空间异质性和植被-土壤混合像元问题。物理反演步骤提供了对SAR信号的基本解读，而机器学习步骤则修正了物理模型中的残余误差，并融入了光学和气象信息所反映的植被状态和气候背景。严格的年际验证策略确保了所开发方法在应对不同气候年份时的鲁棒性，这对于支持实际的灌溉决策至关重要。研究也承认了局限性，例如对土壤粗糙度等物理参数采用了有效值假设，以及点位测量与像元尺度聚合之间的尺度不匹配问题，未来可通过结合更高分辨率数据或分布式传感器网络加以改进。

结论：

本研究成功开发并验证了一种用于地中海灌溉柑橘园果园尺度土壤水分估算的混合物理-机器学习方法。该方法整合了原位传感器、哨兵-1 SAR、哨兵-2光学和ERA5-Land气候数据。主要结论如下：

1. 1.
   基于树的集成机器学习模型（如随机森林、梯度提升）在本研究框架中表现最佳，在独立年份验证中实现了R²为0.55-0.76，RMSE为0.7-1.1%体积土壤水分的预测精度。
2. 2.
   在机器学习模型中纳入基于物理反演的土壤水分估算值作为预测因子，相比于纯物理基线，显著提升了预测性能和时序稳健性。
3. 3.
   多源数据的融合（SAR、光学、气象）对于准确捕捉果园尺度的土壤水分动态至关重要。
4. 4.
   所提出的混合方法为利用业务化遥感数据流实现果园尺度、高时空分辨率的土壤水分监测提供了一个稳健、可扩展的解决方案，能够支持地中海地区多年生作物系统的精准灌溉管理和可持续水资源利用。

总之，该研究展示了物理模型与机器学习协同在解决农业遥感实际应用问题中的巨大潜力，为提升灌溉水管理效率提供了重要的技术途径。