通过高光谱特征融合技术对干旱核桃园中分层土壤水分进行跨尺度估算

《Agricultural Water Management》：Cross-scale estimation of layered soil moisture in arid walnut orchards via hyperspectral feature fusion

　　陈天财|耶尔哈兹·耶尔扎蒂|鲍建平|孙宇|侯继航|张瑞|张建良|夏秋豪|安秀红|王世伟
中国塔里木大学生命科学技术学院，阿拉尔843300

**摘要**
在全球气候变化的加剧下，农业水资源危机也日益严重。利用树冠光谱估算木本作物深层根区的水分状况受到根系与茎部水力耦合信号逐渐减弱的影响。为了解决这一机制性瓶颈，我们在新疆阿克苏的一个核桃园进行了多层次灌溉梯度实验，系统地阐明了根区水分状况与树冠光谱响应之间的跨尺度传递机制。研究结果表明，20–60厘米的土层是根系与茎部水力耦合的关键功能区，在该层中，水分可用性通过调节叶片结构参数和光合色素状态来影响树冠光谱反射率。基于此，我们开发了一种三波段优化光谱指数——称为“变异比与分割指数”（DIV），该指数结合了直接反映水分吸收的波段和间接反映胁迫响应的波段，显著提高了检测中间土层（40–60厘米）水分含量的灵敏度（R2提高了10.4%）。此外，我们还采用了贝叶斯优化方法将光谱指数与波段反射率信息融合，并建立了机器学习模型来估算多个土层的水分含量，对20–40厘米和40–60厘米土层的估算精度分别达到了0.7878和0.7585。Shapley加性解释（SHAP）分析揭示了随着土壤深度增加，驱动机制的系统性变化，结合t-SNE可视化技术进一步阐明了80厘米以下估算精度不高的生理原因。总体而言，本研究为从树冠光谱中获取核桃树根区水分状况定义了一个理论深度限制为80厘米，为干旱地区木本作物的精准水分监测和智能灌溉提供了跨尺度的机制性见解和技术路径。

**1. 引言**
全球气候变化正在深刻改变农业水资源的可用性，从而对全球粮食安全构成严重威胁。研究表明，中纬度地区的干旱化趋势正在加剧（Lee等人，2023年），这进一步加剧了农业用水压力（Rockstr?m，2003年）。预计到2050年，全球农业灌溉用水量将比2010年水平增加约23%–42%（Burek等人，2016年）。因此，在深根木本作物的关键根区实现精准水分管理被认为是干旱地区可持续农业发展的关键突破（Siddique等人，2011年；Xing和Wang，2024年），也成为保障全球粮食生产的核心挑战。中国是世界上最大的核桃生产国（Juglans regia L.），产量占全球总量的50%以上（Wu等人，2020年）。然而，中国北部等主要核桃生产区面临严重的水资源短缺问题（Jiang，2009年）。灌溉管理对核桃的果实品质和产量至关重要（Calvo等人，2023年）。研究表明，即使是轻微的水分胁迫也会导致产量减少超过21%，壳厚增加（Durán Zuazo等人，2025年），并负面影响果仁比例和油质（Cristofori等人，2009年），从而大幅降低市场价值和种植者的盈利能力。核桃的吸水根系主要分布在0–1米土层内，土壤含水量（SMC）对植物的生理反应具有敏感且关键的影响（Contador等人，2015年；Minaduola等人，2021年）。然而，由于植物介导的信号具有间接性以及土壤剖面水分的垂直异质性，特定深度土壤水分与树冠光谱信号之间的机制性联系仍不甚明了。这一知识空白在木本植物根区水分的光学遥感中尤为突出，使得实时、高精度监测木本作物土壤水分成为一项重大技术挑战。

传统的测量方法（如土壤钻探、中子探针）通常成本高昂、劳动密集且具有破坏性（Yu等人，2021年；Singh等人，2023年），不适合大规模、长期动态监测（Zhang和Zhou，2016年）。基于遥感的反演技术虽然广泛应用于一年生作物（Da等人，2025年；Wang等人，2023年），但在扩展到木本植物时存在固有局限性（Li等人，2023年）。为草本植物开发的经验模型通常基于光谱反射率、树冠水分含量和浅层SMC之间的关系，往往无法推广到树木（Yang等人，2015年；Zhao等人，2025年）。这种性能差距源于多种因素：木本植物的独特叶片结构（如更厚的角质层和蜡质层）会衰减光谱信号（Serbin等人，2014年；?ímová等人，2018年），以及深根系统和浅根系统在水分吸收模式上的根本差异（Dodd等人，1998年；Ong等人，2002年；Jiang等人，2023年；Wang等人，2022年）。

植物生理光学的研究为解决这些监测限制提供了新的视角（Aasen等人，2015年；Virnodkar等人，2020年）。越来越多的证据表明，叶片高光谱特征能够有效捕捉由深层土壤水分可用性驱动的植物生理状态变化（Burnett等人，2021年；Asaari等人，2022年；Raddi等人，2022年）。其机制遵循以下路径：根区SMC的变化直接改变植物水分状况——最明显地反映在木质部水势上，而木质部水势又受到土壤基质势的严格调控（Chone等人，2001年；Maurel和Nacry，2020年）。这一主要信号触发了一系列叶片层面的生理和结构调整。气孔导度迅速响应以平衡水分损失与碳吸收（Buckley和Mott，2013年）；细胞膨压变化和叶肉组织重组（如栅栏组织与海绵组织比例的变化以及细胞间隙的变化）改变了叶片的内部光散射特性（Jacquemoud和Baret，1990年；Jacquemoud等人，2009年）；胁迫引起的叶绿素含量下降通常伴随着保护性色素的积累，进一步改变了叶片的光学特性。这些综合变化直接体现在树冠的光谱特征中：近红外区域（约1400纳米、1900纳米和2450纳米）对叶片水分含量敏感（Dzikiti等人，2010年）；红边位置随叶绿素动态和结构变化而移动（Horler等人，1983年；Filella和Penuelas，1994年）；光化学反射指数（PRI）等指标可以捕捉光系统II效率的早期下降（Ghotbi-Ravandi等人，2014年；Wong和Gamon，2015年）。因此，叶片层面的高光谱特征为了解根区水分动态提供了潜在窗口——前提是“SMC-植物生理-树冠光谱”之间的联系既稳健又依赖于深度。

尽管近期研究在这些方向上取得了显著进展，但仍存在重要的知识空白。当前研究主要集中在一年生作物或整株植物的水分含量上（Vahidi等人，2025年；Wang等人，2025年），而对深根多年生木本植物分层根区水分动态的关注较少（Li等人，2023年；Da等人，2025年）。例如，Shi等人（2024年）成功利用多源遥感估算了大豆的地表土壤水分，但他们指出，由于信号衰减，获取更深层次的水分仍然具有挑战性。关于葡萄藤和其他果树的研究证明了光谱指数在检测水分胁迫方面的实用性（Zhu等人，2024年；Rapaport等人，2015年；Raddi等人，2022年）；然而，这些研究往往缺乏与特定土壤深度的明确联系。将深层土壤水分可用性与树冠光谱响应联系起来的机制途径仍不够明确——特别是在不同土壤深度和物候阶段这种耦合如何变化方面（Grossiord等人，2020年）。机器学习和模型可解释性的最新进展为解开这些复杂、非线性关系提供了新的机会。然而，整合优化光谱指数、特征融合和可解释人工智能的系统研究仍然较少，以同时估算分层土壤水分并阐明潜在的生理机制。

为解决这些空白，本研究探讨了水分胁迫对核桃树生理和光谱响应的影响，旨在建立一个稳健且可解释的框架，用于估算干旱果园中分层土壤的水分含量。具体目标和我们的贡献如下：
（1）通过系统地关联不同深度的土壤水分、植物生理和光谱响应，我们阐明了根区水分可用性与树冠光谱之间的深度依赖性生理耦合关系——从而确定哪些土层作为关键的“信息桥梁”，并为分层光谱估算建立生物物理基础。
（2）通过开发优化三波段光谱指数和贝叶斯加权特征融合，我们使用机器学习构建并评估了分层土壤水分含量估算模型，证明了在水分胁迫信号最强的关键土层实现稳健估算的可行性。
（3）基于模型结果并利用基于SHAP的可解释性分析，我们探讨了木本作物根区水分树冠光谱估算的理论界限——为设计结合光谱遥感与原位土壤传感器或基于过程的水文模型的多传感器集成策略提供了关键见解。这些贡献共同推进了对深根木本作物中土壤-植物-光谱相互作用的机制理解，为解释与特定深度水分可用性相关的树冠光谱信号提供了科学依据。

**2. 材料与方法**
**2.1. 研究区域和实验设计**
甘泉镇位于中国新疆塔里木沙漠的北部边缘，行政上隶属于阿拉尔市第一农业分区。这里是新疆主要的核桃种植区之一，具有温带大陆沙漠气候特征，光照和热量条件优越。年平均气温为11.53°C，极端最高和最低气温分别为43.9°C和-28.8°C。年平均无霜期为195天，年累计温度达到4620.8°C。年太阳辐射平均为142千卡/平方厘米，年平均风速为21米/秒。年日照时间为2793.4小时，年平均降水量为73.5毫米，蒸发率为1748.75毫米/年。2022年5月至10月的详细气象条件以及实验地点的地理位置见图1。

本研究使用15年的‘Wen 185’核桃树作为实验对象，选择了生长状况良好的健康植株。根据前三年的灌溉管理经验，实施了微喷灌系统，并使用水表精确控制灌溉量。设置了六种灌溉处理（表1），共涉及72棵核桃树。为防止土壤水分横向渗漏，2022年3月初在实验区安装了120厘米深的隔水屏障（图2）。除灌溉处理外，整个研究期间其他果园管理措施保持一致。

**表1. 灌溉处理设计**
| 物候阶段 | 灌溉日期（天） | 灌溉次数 | 灌溉量（立方米/公顷） |
| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |核桃在2022年9月收获，去壳后的坚果重量通过电子秤逐棵树进行测定。使用ASD FieldSpec4便携式光谱辐射计（Analytical Spectral Devices，美国）在田间获取了光谱反射率数据。对于每棵采样的树，从树冠的四个方向（东、南、西、北）随机选择了十片健康、完全展开且成熟的叶片。用修枝剪剪下带有这些叶片的枝条，并立即用浸湿了纯净水的无尘软布轻轻擦拭叶片表面，以去除任何表面灰尘。随后，将叶片放入专为光谱辐射计设计的叶片夹具中。该叶片夹具包含一个校准过的卤素光源，提供稳定的照明并完全隔离环境光，以确保测量条件的一致性。每片叶片的三个不同位置都进行了测量，每棵树共获得了180条光谱曲线（图3）。为了确保仪器的稳定性，在每次测量前使用白色参考面板进行优化和校准，之后每30分钟重新校准一次。所有光谱数据收集都在北京当地时间10:00至13:00之间，在晴朗无风的天气条件下进行。为了减少高频噪声对光谱信号的影响，对原始光谱进行了Savitzky–Golay卷积平滑处理。应用了9个数据点的窗口大小（基于1纳米的重采样间隔，相当于大约4.5纳米的光谱宽度）和二阶多项式拟合。这种参数配置有效地去除了噪声，同时保留了关键的光谱特征，如红边位置和吸收峰。

2.3. 数据处理
在本研究中，使用Microsoft Excel 2019进行数据输入和原始数据的组织，而IBM SPSS Statistics（版本27）用于统计分析。Python 3.11.4用于执行光谱特征提取和模型构建，所有图表都是使用Origin 2021和Python 3.11.4生成的。实验流程图（图4）清晰地展示了实验数据收集和数据处理的逐步过程。

2.3.1. 光谱指数计算和优化
植被指数（VIs）是通过特定波段的反射率进行数学组合构建的定量指标，利用了它们的选择性吸收和散射特性。这些指数旨在表征具有明确物理、生理或生化基础的关键植被参数。基于以往的相关研究，表2汇总了23个与植物生理、生化和水分状态密切相关的VI及其相应的计算公式。

表2. 本研究中基于以往报告选择的VI
| VI | 公式 | 参考文献 |
|--------------|-------------------------------------------------------------------------------------------------------------------------|---------------------------------------------------------------------------------------------------------------------------|
| 水分胁迫指数 | MSI= R820/ R1600 | Hunt, Rock, 1989 |
| 归一化差异水分指数 | NDWI= (R860- R1940)/ (R860+ R1940) | Wu et al., 2009 |
| 红边归一化比率 | NR red edge= (R750 –R710)/ (R750 + R710) | Gitelson and Merzlyak, 1996 |
| 叶绿素指数 | CI= (R880/ R590) ? 1 | Shiratsuchi et al., 2011 |
| 绿色叶绿素指数 | CI green1= (R750/ R550)–1 | Gitelson et al., 2005 |
| CI green2 | CI green2= (R730/ R530) ? 1 | Shiratsuchi et al., 2011 |
| 红边叶绿素指数 | CI red-edge1= (R750/ R710)–1 | Gitelson et al., 2005 |
| CI red-edge2 | CI red-edge2= (R850/ R730) ? 1 | Shiratsuchi et al., 2011 |
| Gitelson比率绿色 | GRg= (R800/ R550)-1 | Gitelson et al., 2003 |
| 全球植被水分指数 | GVWI= [(R820+0.1)-(R1600+0.02)]/[(R820+0.1)+ (R1600+0.02)] | Ceccato et al., 2002 |
| 色素敏感成熟监测指数 | PRMI= (R750? R678)/ R550 | Nagy et al., 2016 |
| 修改后的归一化差异植被指数 | MNDVIRE= (R750-R705)/(R750 + R705-R445) | Sims and Gamon, 2002 |
| 红边拐点 | REIP= R700 + 40 × [(((R670 + R780)/2) ?ρ700)/(R740 ? R700)] | Guyot and Baret, 1988 |
| 修改后的叶绿素吸收反射指数 | MCAR= [(R700 ? R670) ? 0.2 × (R700 ? R550)] × (R700/ R670) | Daughtry et al., 2000 |
| 双重差异指数 | DD1= (R749 ? R720) ? (R701 ? R672) | Le Maire et al., 2004 |
| DD2 | 2R1530 - R1005- R2055 | Wang and Li, 2012 |
| 曲率指数 | CUR= (R675*R690)/ R6832 | Zarco-Tejada et al., 2002 |
| 比率水分带指数和归一化差异植被指数 | WBI/NDVI= (R900/ R970)/ [(R800 ? R680)/(R800 + R680)] | Penuelas et al., 1997 |
| 修订后的转换叶绿素吸收指数 | RTCARI= 3((R750- R705)-0.2(R750- R550)*(R750/ R705) | Wu et al., 2008 |
| 优化土壤调整植被指数 | OSAVI= (1 +0.16)× (R800? R670)/(R800+R670+0.16) | Rondeaux et al., 1996 |
| 短波红外转换反射率 | STR= (1?R2230)2/(2R2230) | Sadeghi et al., 2015 |
| 叶绿素吸收反射指数 | CARI= (R700?R670) ? 0.2 × (R700+R670) | Song, Wang, 2023 |
| 水复合比率优化指数 | WCROI= (R900/R970)/ [(R750/R560)-1 | Erhua et al., 2020 |

为了开发更具竞争力的VI来监测核桃园的土壤水分，使用全光谱范围（350–2500 nm）内的波段组合构建了双波段和三波段VI（表3）。在公式中，Ri、Rj和Rk分别代表波长i、j和k处的反射率值。对于kNDVI的计算，通过进行对数尺度搜索来确定使与目标参数的相关系数最大化的σ值（Wang et al., 2023）。

表3. 优化的光谱指数波段组合和公式
| 类型 | 公式 | |
|-------------|-------------------------------------------------------------------------------------------------------------------------|---------------------------------------------------------------------------------------------------------------------------|
| 优化双波段光谱指数 | RI= Ri/Rj | |
| | DI= Ri-Rj | |
| | NDVI= (Ri-Rj)/(Ri+Rj) | |
| | SAVI= 1.16*(Ri-Rj)/(Ri+Rj+0.16) | |
| | RDVI= (Ri-Rj)/√(Ri+Rj) | |
| | KNDVI= tanh( (Ri - Rj)/(2σ))2 | |
| 优化三波段光谱指数 | DIV= Ri/(Rj*Rk) | |
| | Ratio= (Ri-Rj-Rk)/(Ri+Rj+Rk) | |
| | VSID= 1-[(Ri-Rj)+ (Rk-Rj)] | |

2.3.2. 光谱特征选择
光谱特征选择有助于减少无关信息的干扰，从而提高预测准确性、模型鲁棒性和计算效率。在这项研究中，建立了两条平行的特征探索路径。在第一条路径中，使用全波段光谱反射率作为唯一特征源，并采用了四种具有互补原理的算法——竞争性自适应重加权采样（CARS）、连续投影算法（SPA）、无信息变量消除（UVE）和投影中的变量重要性（VIP）——分别选择与不同土壤层土壤水分相关的特征波段子集。这是为了检验光谱-水分关系的鲁棒性，并确定每个土壤层的最佳机器学习算法。在第二条路径中，将一组光谱指数作为核心特征，光谱反射率作为补充特征。鉴于深层土壤水分的响应信号极其微弱且分布分散，为了避免过早排除任何特征源可能导致的潜在信息损失，这条路径中没有独立选择这两种特征类型。相反，直接将它们融合，通过贝叶斯优化自动分配权重，并采用递归特征消除（RFE）进行降维。这样，有效地提取了来自弱信号的有效信息，同时保留了光谱指数的物理属性。特征工程的详细步骤在流程图（图4）中展示。

(1) CARS是一种通过蒙特卡洛采样和指数衰减函数动态更新波段权重的特征选择方法，采用自适应重加权策略进行特征选择，最终通过交叉验证确定最优子集（Ji et al., 2020）。
(2) VIP基于PLSR算法量化每个光谱带在偏最小二乘投影中的重要性，并评估其对模型预测的贡献（Zhang et al., 2023）。公式如下：VIPk=pΣh=1Hssh?∑h=1Hssh?ωhk2，其中SSh表示第h个潜在光谱变量解释的平方和，hk表示第h个潜在组件中第k个变量的权重标量，p是原始光谱带的总数。VIPk值反映了变量对模型的贡献程度及其解释能力。在本研究中，保留了VIP值大于1.2的独立变量。
(3) UVE方法通过引入蒙特卡洛模拟生成的随机噪声变量来评估原始光谱带的稳定性（Cai et al., 2008）。该算法计算每个原始光谱带的回归系数，并通过设定上下限来确定特征变量，然后提取相应范围内的变量。
(4) SPA是一种从单一波长开始的前向迭代搜索方法，每次迭代逐渐添加一个新变量，直到选定的变量数量达到预定值N（Su et al., 2024）。SPA的目标是选择信息冗余最小的波长，以解决多重共线性问题。这种方法能够从全波长光谱中过滤掉信息冗余最小的光谱变量，从而提高多变量校准模型的数值稳定性。
(5) 递归特征消除（RFE）是一种广泛使用的基于包装器的特征选择方法（Yan et al., 2015）。在这项研究中，采用了基于SVR的特征筛选方法来捕获光谱特征与土壤水分含量之间的复杂非线性关系。最初，使用所有特征训练一个SVR模型，并记录每个特征的重要性和排名。保留重要性较高的特征用于后续的模型训练。随后，应用循环过程逐步移除最不重要的特征。每次移除后，重新训练SVR模型并评估其性能。这个过程有助于保留对预测结果影响最大的特征，同时消除影响最小的特征，从而得到一个简化且预测准确性更高的模型。

2.4. 模型构建和验证
本研究共获得了288个有效的土壤水分-光谱样本。所有样本按75–25%的比例随机分为样本组。分组后，建模集包含58个覆盖整个生长期的样本组，测试集包含14个覆盖整个生长期的样本组。首先使用简单线性回归来研究光谱特征（全波段反射率和光谱指数）对土壤水分估计的竞争力。随后，系统地应用了五种算法——偏最小二乘回归（PLSR）、支持向量机（SVM）、XGBoost、随机森林（RF）和反向传播神经网络（BPNN）来构建土壤水分反演模型。所有模型都使用5折交叉验证进行评估。最后，基于表现更好的模型，使用贝叶斯算法对选定的VI和反射率特征进行加权融合，以建立最终的多特征融合反演模型。为了评估模型的预测准确性和稳定性，采用了决定系数（R2）、均方根误差（RMSE）和相对百分比偏差（RPD）作为评估指标。在RPD的计算公式中，SD是测量值和预测值之间差异的标准差。较高的R2值和较低的RMSE值表示模型的预测准确性和稳定性更好，而RPD用于进一步评估模型的预测能力。

3. 结果和分析
3.1. 土壤水分的垂直分布及其对灌溉的响应
在0–100厘米层中，土壤水分含量（SMC）在不同核桃果实发育阶段表现出不同的分布模式。这种变化受到灌溉制度、气象条件、物候进展和土壤质地等关键因素的共同影响。图3展示了在不同灌溉处理下不同发育阶段的SMC动态。
在核桃果实发育过程中，0–100厘米层的SMC受到灌溉制度的显著调节（图5）。在整个生长季节中，SMC表现出双峰（“M”形）分布模式。在不同土壤层中观察到显著的时空异质性：表层（0–20厘米）在不同灌溉处理之间显示出明显差异，并且在0–100厘米剖面中始终显示最低的SMC，而深层土壤层（60–100厘米）对灌溉变化的响应相对较弱。此外，整体SMC与灌溉量之间存在正相关。0–100厘米剖面中SMC的分布模式受到多种因素的共同调节，包括物候发育、土壤持水特性和灌溉管理。

3.2. 核桃生理和产量对灌溉制度的响应
在生长阶段推进和相应的气象变化相互作用下（图1），灌溉驱动的土壤水分差异调节了叶片的功能特性，显示出对核桃生长、发育和产量形成的物候依赖性效应（图6）。随着物候的进展，在所有灌溉处理下枝条长度增加，高灌溉处理在整个过程中保持了生长优势。水分胁迫对枝条生长的抑制作用在果实扩展期间最为明显，而处理之间的差异随着物候的进展逐渐减小并趋于稳定。叶片含水量（LWC）与灌溉量呈正反馈关系，但相关强度随物候阶段而变化。在不同灌溉处理下，核桃的生理参数和产量变化随生长周期的变化。不同生长阶段的灌溉水平通过气孔或非气孔限制影响光合作用，这些限制因素会随着物候的变化而变化。在低灌溉条件下，果实膨胀期间以气孔限制为主，接近成熟阶段则转变为非气孔限制。相比之下，中等灌溉在油脂转化期间实现了最佳的光合作用表现，协调了气孔导度（Gs）和光合能力（Pn）。这种光合作用响应的物候变化与叶片解剖结构的动态调整相耦合，以适应水分供应。W3灌溉处理在硬化阶段诱导了最紧凑的叶肉结构——这是一个蒸发蒸腾需求较高的时期——适度的水分调节促进了叶肉的致密化，并可能改变了近红外散射特性。此外，产量对灌溉的响应表明存在一个水分输入阈值。已知水分驱动的生理和结构变化与叶片的光学特性相关，这表明这些变化可以作为连接土壤湿度动态与冠层光谱响应的潜在桥梁。具体来说，叶片含水量（LWC）、气孔限制机制的变化以及栅栏组织发育的程度共同构成了关键土壤层中土壤水分含量（SMC）检索模型的生理-结构基础。

3.3. 冠层叶片的光谱响应及其与表型特征的关联
3.3.1. 不同物候阶段和灌溉处理下的光谱变化
收集了不同核桃果实发育阶段的高光谱数据，并根据不同的灌溉处理进行组织，以检查实验组之间的光谱变化。图7展示了从果实膨胀阶段到接近成熟期的每种处理的平均光谱响应。

下载：下载高分辨率图像（524KB）
下载：下载全尺寸图像
图7. 不同生长阶段核桃果实下不同灌溉处理下的叶片光谱响应。
在整个光谱范围内，由于色素吸收，在可见光区域观察到吸收特征；在近红外区域观察到一个高反射率平台；在短波红外区域接近1940纳米处观察到一个吸收特征。每个物候阶段的光谱反射率在不同灌溉处理之间有所差异。单因素方差分析（ANOVA）并经过FDR校正后发现，灌溉处理之间的光谱差异在硬核阶段最为明显（FDR调整后的Q < 0.05），主要集中于短波红外区域——这与叶片含水量密切相关——以及在较小程度上，也出现在近红外区域的某些部分。在不同处理对中，常见的显著带主要位于1380–1455纳米、1655–1917纳米和2337–2500纳米区域，这些区域都处于水分吸收主导区。其中，1380–1455纳米带是所有处理对以及处理2–4对共同显著的区间，代表了对水分胁迫最稳定且统计上显著的光谱区域。1655–1917纳米和2337–2500纳米带主要由具有强烈水分梯度差异的处理对共享，例如处理1–5和处理4–5。相比之下，近红外区域（853–1094纳米）仅对处理1–5对显著，表明该区域对水分可用性的极端差异更为敏感。随着果实发育接近成熟阶段，灌溉处理之间的反射率差异趋于减小。这些结果表明，不同灌溉处理的光谱响应在硬核阶段最为明显，而识别出的共同带为水分胁迫监测提供了稳定的光谱指标。

3.3.2. 土壤湿度、生理特征和光谱指数之间的关联网络
进行了相关性分析，以研究不同土壤层中生理特征和光谱特性对土壤水分含量（SMC）变化的响应。如图8所示，SMC与大多数特征变量在20–60厘米层之间显示出明显的分层模式。具体来说，40–60厘米深度的SMC与产量（r = 0.521）和光合能力（Pn）（r = 0.490）显著正相关。20–40厘米层的SMC与归一化差异水分指数（NDWI）（r = 0.484）和近红外红边指数（r = 0.490）也有强相关性。相比之下，0–20厘米层的SMC仅与叶片含水量（LWC）有中等程度的相关性，并且与光谱特征没有显著关系。60–100厘米层的SMC与测量特征通常表现出较弱的相关性。

下载：下载高分辨率图像（450KB）
下载：下载全尺寸图像
图8. 核桃果园中土壤湿度含量、植物生理参数和光谱特征之间的关联网络。
进一步分析显示，叶片光谱特征对中间土壤层（20–60厘米）的SMC更为敏感。REIP与20–40厘米深度的SMC的相关性为0.476，而40–60厘米的SMC与RTCARI呈负相关（r = –0.382）。此外，20–100厘米相邻土壤层中的SMC值表现出显著的空间连续性，所有相关系数均超过0.4。

3.4. 基于高光谱的分层土壤湿度估计
3.4.1. 单变量模型的估计性能和深度依赖性
基于全波长反射率和先前提出的植被指数（VIs），本研究探讨了不同层的光谱单变量特征与土壤湿度响应之间的关系，以及单变量线性回归模型的竞争力。图9展示了使用单波长反射率和VIs（表2）在VIS–NIR–SWIR范围内，通过外部验证估计不同土壤深度SMC的决定系数（R2）。

下载：下载高分辨率图像（505KB）
下载：下载全尺寸图像
图9. 基于独立测试数据集，在整个生长季节中，土壤湿度含量（SMC）与单波长反射率（a）和植被指数（b）之间的决定系数（R2）。
基于Vis-NIR-SWIR范围内的单波长反射率分析（图9a），土壤湿度含量（SMC）的估计准确性表现出光谱-深度依赖性。在Vis-NIR-SWIR范围内，SWIR区域获得了最高的整体决定系数（R2），平均R2值介于0.2220到0.4274之间。进一步分析显示，SWIR带的平均R2值首先随着土壤深度的增加而增加，然后在20–40厘米深度区间达到最大值。在0–100厘米深度范围内，每个层最佳估计性能的波长及其对应的R2值分别为1936纳米（R2 = 0.4790）、2500纳米（R2 = 0.5598）、2493纳米（R2 = 0.5307）、2468纳米（R2 = 0.4293）和710纳米（R2 = 0.3264）。这种分布模式证实了植物叶片光谱中捕获的深层土壤湿度信息的衰减和变化。植被指数的性能进一步显示了空间异质性；图9b显示了独立测试集中VIs的R2值。VIs在60–100厘米土壤层中的表现优于带反射率，CIred-edge2和CIred-edge1在60–80厘米和80–100厘米层中的R2值分别为0.4456和0.3621。

3.4.2. 优化光谱指数的分层估计能力
为了评估VIs在不同土壤层估计SMC的适用性，使用了Vis–NIR–SWIR范围内的两波段和三波段组合来探索OSIs的潜力。图S1和表S1展示了基于OSI的外部测试集上的SMC估计结果。结果表明，由不同波段组合构建的OSIs在SMC估计方面的适用性存在显著差异。涉及VIS–VIS、VIS–NIR、VIS–SWIR和NIR–NIR的组合通常表现出较低的相关性，而NIR–SWIR组合表现出中等性能。SWIR–SWIR波段组合的适用性最高。图10显示了每个土壤层表现最佳的VIs。RI在0–20厘米、40–60厘米和80–100厘米层中的表现优异（R2分别为0.4703、0.4979和0.3311），而NDVI和DI在20–40厘米和60–80厘米层中的表现最佳（R2分别为0.5323和0.4390）。

下载：下载高分辨率图像（242KB）
下载：下载全尺寸图像
图10. 基于外部测试集，使用优化两波段光谱指数在0–100厘米土壤层中估计土壤湿度含量的决定系数（R2）的热图。图中的面板（a）至（e）分别对应0–20厘米（RI）、20–40厘米（NDVI）、40–60厘米（RI）、60–80厘米（DI）和80–100厘米（RI）。
三波段光谱分析的结果进一步确认，对特定层适用性有贡献的关键光谱区域来自SWIR和NIR波段（图S2和表S2）。测试集中各个土壤层的最佳三波段指数主要来自SWIR–NIR组合（图11）。RATIO在浅层土壤层（0–20厘米和20–40厘米）中获得了最高的估计准确性，R2值分别为0.5007和0.6287。在更深层的土壤层中，DIV表现出更强的竞争力，R2值分别为0.5498、0.4534和0.3533。与原始反射光谱和两波段光谱指数相比，本研究开发的三波段指数在0–100厘米深度范围内的所有土壤层中均表现出显著的性能提升。

3.4.3. 机器学习模型用于分层土壤湿度估计的准确性比较
全光谱分析揭示了Vis-NIR-SWIR反射率与SMC之间的多峰相关性，这促使基于高光谱反射率在0–100厘米深度范围内开发了特定层的SMC估计模型。共评估了20种建模组合——整合了特征选择方法（CARS、SPA、VIP）和建模算法（PLSR、XGBoost、RF、SVM、BPNN）——在五个土壤层（0–20厘米、20–40厘米、40–60厘米、60–80厘米、80–100厘米）中（图S3）。最佳模型在不同土壤层中的性能有所差异。20–40厘米和40–60厘米层的估计准确性最高，测试R2值分别为0.7830和0.7498，而80–100厘米层的性能最差，R2仅为0.4141，显示出模型效率的明显深度依赖性。图12展示了每个土壤层中表现最佳模型的测量与预测SMC值。对于表层（0–20厘米）和40–60厘米层，CARS-XGBoost组合获得了最佳性能，R2值分别为0.5499和0.7490。在20–40厘米层，使用CARS-RF组合获得了最高的检索准确性。在60–80厘米层，最佳结果是由SPA-SVM组合获得的（R2=0.5729）。对于80–100厘米层，只有VIP-XGBoost组合的准确性达到0.4141，反映了深层土壤湿度光谱反演的理论局限性。

下载：下载高分辨率图像（865KB）
下载：下载全尺寸图像
图12. 使用最佳估计模型在0–100厘米土壤层中测量和预测的SMC值比较，基于组合特征选择和建模方法。

3.5. 基于特征融合和可解释性的模型优化和机制解释
VIs通过特定的波段组合有效表征了植物生理状态，而原始光谱反射率虽然信息丰富，但常常受到冗余和噪声干扰的影响。鉴于这两种方法在信息表示和数据维度方面的显著差异，本研究采用了整合权重分配和贝叶斯优化的特征融合策略，并进一步深入解释了潜在的生理机制。

3.5.1. 特征融合策略的实现及其准确性贡献的评估
为了评估特征融合策略对优化特定土壤层模型的贡献，图13展示了基于外部测试数据集，通过特征融合增强的机器学习模型对SMC的估计结果。总体而言，融合模型在0–100厘米土壤剖面中的预测准确性得到了提高。在0–20厘米表层，融合模型在外部测试集中的R2和RPD分别提高了5.56%和3.59%，RMSE降低了3.47%。在20–40厘米层，融合模型保持了轻微但一致的准确性提升。值得注意的是，在40–60厘米层实现了显著的增强，融合模型达到了出色的预测水平（R2 = 0.7585，RMSE = 0.4926，RPD > 2.0）。在60–80厘米层，融合模型的性能与基于光谱反射率的机器学习模型相当。尽管80–100厘米层的融合模型（R2 = 0.4402 vs 0.4141；RPD = 1.3365 vs 1.3065）的表现优于基于光谱反射率的模型，但两者の预测准确性都受到土壤深度的限制。基于特征融合的0–100厘米土壤层SMC最优估计模型的结果。3.5.2. 不同层次土壤湿度的不同特征空间模式为了从数据结构的角度阐明融合模型性能的分层差异，采用了t-SNE算法将高维融合特征映射到二维空间中进行可视化处理，在使用贝叶斯优化算法确定光谱特征融合的最优权重参数后。结果揭示了特征空间中不同土壤层土壤湿度的不同分布模式（图14）。0–20厘米土壤层的样本分布在左下象限、主对角线过渡区和右中部区域，呈现出梯度分散的模式（图14a）。20–60厘米层的样本分布显示出更强的结构规律性：20–40厘米层的样本形成了代表高和低湿度水平的对称簇，中等湿度的样本则分散在它们之间（图14b）；在40–60厘米层，高湿度和低湿度簇之间的分离更加明显，边界更加清晰（图14c）。在60–100厘米层，样本分布的规律性减弱：60–80厘米层的样本分散在左下和右上区域，整体密度较低，分别对应低和高的湿度水平（图14d）；80–100厘米层的样本分布显示出显著增加的随机性，只有在高湿度区域观察到轻微的聚集（图14e）。下载：下载高分辨率图像（450KB）下载：下载全尺寸图像图14. t-SNE空间中光谱特征分布模式与SMC之间的关系。3.5.3. 使用SHAP对土壤湿度估计模型的机制解释为了阐明光谱特征如何在0–100厘米深度范围内对SMC预测模型做出贡献的机制，本研究采用了SHAP可解释性分析。特征重要性排名定量表征了每个变量的全局贡献强度（图15），而SHAP值的分布直观地揭示了特征值与模型输出之间的非线性关系（图16）。下载：下载高分辨率图像（457KB）下载：下载全尺寸图像图15. 0–100厘米土壤层SMC估计模型的SHAP特征重要性总结图。下载：下载高分辨率图像（605KB）下载：下载全尺寸图像图16. 分层SMC估计模型的特征级SHAP依赖图。在不同土壤层的SMC估计模型中，驱动特征及其潜在影响机制存在显著差异。在0–20厘米层，模型主要受高影响特征如DIV(430,1957,2472)和RATIO(1862,1869,1964)的驱动。对于20–40厘米层，710纳米处的反射率在SMC估计中起到了决定性的负面影响。在40–60厘米层，2500纳米处的反射率对模型估计有显著的负面影响，而DIV(1575,716,1975)和CIgreen2则表现出正面贡献。60–80厘米层主要受kNDVI(2430,1912)、RI和1786纳米处的反射率等特征的影响，这些特征都对预测产生了负面影响。在最深的80–100厘米层，RATIO、DD1和NR红边等特征在确定模型预测中起到了重要作用。4. 讨论4.1. 垂直土壤湿度分布模式的形成和驱动机制本研究观察到了“M形”的垂直SMC分布模式，这是由于在局部灌溉制度下多种因素的协同作用，包括干旱气候、核桃的物候特性、根系结构和土壤水力特性。表层土壤（0–20厘米）持续的低湿度主要归因于强烈的太阳辐射引起的蒸发以及密集的浅层吸收根系的高水分消耗（Wang等人，2012年；Nyakudya和Stroosnijder，2014年；Penna等人，2021年）。下层的20–40厘米层由于灌溉水的暂时滞留和向上水力再分配而表现出相对的湿度富集（Chen等人，2022年）。然而，20–60厘米层——被认为是根系生物量浓度较高的区域（Ma和SU，2017年）——由于过度的水分抽取而经历了持续的土壤湿度不足。尽管沙质土壤有利于水分渗透（Liu等人，2023年），但其低持水能力限制了植物可利用的水分，最终导致40–60厘米层出现“水分抽取-补充不平衡”（Minhas等人，2019年）。较深层的土壤（60–80厘米）的湿度相对稳定，这可能是由于根系密度降低和水力提升作用减弱（Fan等人，2017年）。该研究还发现，在不同的灌溉制度下，土壤湿度分布模式随着核桃物候进展而动态变化，这与之前关于干旱地区核桃水分吸收模式的发现一致（Liu等人，2019年）。这些结果表明，核桃果园中土壤湿度的层次动态是由物候驱动的根系水分吸收和土壤湿度的三维空间异质性共同调节的。4.2. 核桃生理和产量对土壤湿度梯度的阶段特异性适应策略灌溉梯度对核桃生理过程的调节表现出依赖于物候的适应策略，在不同的生长阶段观察到了不同的生理和结构响应机制（图6）。持续且充足的水分供应显著促进了营养枝条的生长，这是果树作物中常见的反应（Cifre等人，2005年；Naor，2006年）。基于物候的分析显示，果实膨大阶段对水分胁迫特别敏感，在此期间水分不足对生长产生了最明显的抑制作用。随着季节的进展，不同灌溉处理之间的差异逐渐减小，突显出果实膨大阶段是水分管理的关键窗口。这种阶段特异性敏感性与LWC的动态变化一致。在油转化阶段的水分胁迫下，低灌溉处理（Irrigation 1）的LWC急剧下降至61.72%，表明渗透调节严重受损。这一发现支持了细胞膨压作为植物对水分状态的主要响应机制的理论（Munns和Tester，2008年），并强调了在中后期果实发育期间维持水分平衡对细胞功能的重要性。光合作用响应也表现出明显的物候特异性。在果实膨大阶段，低灌溉（Irrigation 1）引发了典型的气孔限制模式（Farquhar和Sharkey，1982年）。然而，在硬核阶段，高灌溉处理（Irrigation 5/CK）保持了气孔开放，但表现出降低的蒸腾效率和异常升高的Ci值，反映了与土壤-植物水力连续体中的阈值效应一致的气孔行为异常（Buckley等人，2013年）。在油转化阶段，超过Irrigation 3时，光合作用响应达到饱和，同时光合装置的水分利用效率显著降低。这与Grassi和Magnani（2005年）在木本植物中报告的“光合作用回报递减规律”一致。到了成熟期，高Ci值与水分不足下的Pn降低表明了一种非气孔限制机制——具体来说，是由于Rubisco活性下降导致的羧化能力丧失（Friedrich和Huffaker，1980年），这加速了功能性叶片的衰老。叶片解剖结构的动态变化进一步支持了这些生理反应。季节早期的高灌溉促进了叶片结构的松弛（海绵率增加，SR；紧凑度降低，CTR；栅栏组织与海绵组织比率降低，P/S），以适应快速的器官扩展。在硬核阶段，中等灌溉（Irrigation 3）诱导了紧凑的解剖结构（CTR = 0.51236，P/S = 1.62），反映了在资源限制下通过增加栅栏组织密度来优化光捕获效率的适应策略（Xu等人，2010年）。在油转化阶段，高灌溉（Irrigation 5）保持了有利的P/S比率（1.49645），有效支持了光合作用产物的分配用于油脂合成。这与成熟期SR的普遍增加形成对比，后者与与脱落层发育相关的结构重组有关。产量结果展示了水分调节的生理和经济效应。在Irrigation 5下的优越表现证实了根据物候需求进行定制水分管理的价值，而Irrigation 4和CK之间的产量相当表明核桃灌溉存在一个产量阈值（Calvo等人，2022年）。结合叶片结构和产量响应，出现了一种由物候驱动的水分需求模式：果实膨大期间的充足灌溉支持器官发育；硬核阶段的中等水分控制优化了叶片结构并抑制了过度生长；油转化期间的稳定水分潜力确保了高的光合作用效率。基于物候线索的阶段特定精确灌溉策略可以通过优化源-汇碳分配来提高水分利用效率和产量。4.3. 核桃叶片的高光谱响应机制及其与分层土壤湿度的联系高光谱分析揭示了水分胁迫与核桃果实发育过程中的物候进展之间的动态相互作用机制，以及SMC在不同土壤层对生理和光谱特征的差异调节效应。结果表明，叶片的光谱响应受到灌溉处理、物候阶段和土壤湿度垂直分布的共同影响，表现出明显的时空特异性。在硬核阶段，NIR和SWIR区域——特别是970纳米和1940纳米附近——对水分胁迫表现出高度敏感性，将这一时期确定为水分状态诊断的“关键窗口”。叶片结构和生化变化支撑了观察到的光谱响应。膨大阶段的水分胁迫导致植物水分状态的持续波动，在硬核阶段使海绵状叶肉中的细胞间空气空间扩大（Jacquemoud和Baret，1990年），这增强了NIR区域的光子多次散射（Asner等人，2003年）。叶肉细胞中细胞壁与液泡体积的比率降低（Castro-Esau等人，2004年）进一步改变了叶片的光学性质（Jacquemoud等人，2009年）。这些结构变化结合了对水分敏感的光谱吸收特征，形成了可以通过高光谱技术检测到的特征响应模式（Ceccato等人，2001年）。随着物候过程向接近成熟阶段推进，SWIR对灌溉差异的敏感性总体上下降，尽管它仍然与更深层的土壤湿度保持一定的相关性。这种变化反映了果实成熟期间水分调节策略的调整。总体而言，这些适应性变化减少了叶片尺度上可检测到的光谱响应的强度。相关性分析表明，20–60厘米土壤层中的SMC在核桃对水分可用性的响应中起着核心作用。从生理学角度来看，40–60厘米层中的SMC与Pn和产量显著正相关，这与核桃树的深根水分吸收模式一致（Shackel等人，1997年）。这表明这一层中的SMC直接限制了整棵树的水分利用效率和碳同化能力，使其成为土壤-植物-大气连续体中的“信号枢纽层”。光谱响应进一步支持了这一层中SMC的主导作用。NDWI和REIP对20–40厘米层中的SMC高度敏感，分别反映了叶水状态和叶肉结构变化通过NIR水分吸收特征和红边位移。REIP表明了叶绿素含量的变化和细胞结构的变化，而RTCARI与40–60厘米处湿度的负相关可能反映了与光保护机制或类胡萝卜素积累相关的“胁迫诱导的蓝移”（Filella和Penuelas，1994年）。这些结果表明，高光谱VI作为特定层次水分状态的指标具有潜力。相比之下，表层土壤湿度（0–20厘米）表现出强烈的蒸发和高度变异性，主要与LWC相关，但没有引起广泛的光谱响应。深层土壤湿度（80–100厘米）位于活跃根区之下，具有较高的水力阻力（Fan等人，2017年），与生理响应基本脱钩。此外，在20–100厘米剖面中观察到显著的空间自相关性（r > 0.4），表明土壤内部的水分持续移动和潜在的再分配，表明对单层水分效应的解释应考虑与相邻层的相互作用。4.4. 由光谱特征驱动的土壤湿度估计的局限性、优化和理论边界4.4.1. 反射率和光谱指数的估计局限性及其通过多波段协作的协同优化为了阐明叶片光谱反射率与土壤湿度垂直分布之间的内在物理关系，本研究进行了单变量线性回归分析，并确定了Vis-NIR-SWIR范围内的敏感波段。结果表明，SWIR区域与不同土壤深度的SMC具有更强的相关性，反射率与SMC之间的决定系数（R2）峰值出现在1400纳米、1900纳米和2450纳米附近（图9a）。这一发现进一步证实了使用植物叶片光谱监测表层土壤湿度时SWIR区域的高敏感性（Wang等人，2008年）。然而，随着土壤深度的增加，单波段模型的解释能力急剧下降。在80–100厘米深的土壤层中，表现最好的波段（710纳米）的R2仅为0.3264，突显了单波段模型在捕捉深层土壤水分复杂传输机制方面的固有局限性（Ge等人，2019年）。这种现象，即随着深度的增加，信号衰减逐渐加速，源于根系-冠层水力耦合导致的信号传输效率随深度下降。这种耦合机制起到了桥梁作用：来自深层土壤的水力信号必须克服更长的传输路径和累积的水力阻力才能到达叶片，从而导致信号在逐步传输过程中显著衰减（Di Bert等人，2025年）。换句话说，冠层光谱所传递的土壤湿度信息是通过这种耦合机制调节的间接输出，而不是原始输入的直接反映。经验光谱指数在估计土壤湿度方面的表现各不相同（图9b）。CIred-edge2指数在估计60-80厘米深度的土壤湿度（SMC）时优于单波段模型。这可能归因于CIred-edge2的比例形式，它有效地结合了与核桃生理反应相关的光谱特征：红边带（730纳米）对叶绿素含量的变化非常敏感（Xie等人，2018年），而近红外（NIR）带（850纳米）主要响应叶片内部结构和生物量的变化（Chavana-Bryant等人，2017年）。这种耦合间接捕捉到了深层土壤湿度可用性引起的生理信号（Wu等人，2019年），从而在一定程度上增强了叶光谱对深层土壤湿度的响应能力。这一观察表明，在根系-冠层水力耦合的桥梁作用下，光谱指数可以通过整合多种生理指标部分恢复由桥梁传递的残余信息。优化的三波段光谱指数有效缓解了二波段光谱指数在解析垂直分层方面的局限性，并展示了提取土壤湿度剖面信息的更强能力。RATIO在0-40厘米层表现出色，0-20厘米和20-40厘米层的R2值分别为0.5007和0.6287。相比之下，DIV与深层土壤湿度的关联更强（40-100厘米），40-60厘米层的R2值显著提高了10.4%（达到0.5498），并且在更深层次（60-100厘米）也持续提高了准确性。优化后的三波段光谱指数在提取垂直土壤湿度剖面信息方面的优越性能可能源于一种协同的生物物理解码机制。在0-40厘米层，RATIO主要依赖于NIR-SWIR波段的耦合（例如，结合NIR叶肉散射与水分吸收带或捕捉纤维素特征、叶绿素反应（Gitelson等人，2005年）以及水分吸收信息），有效地放大了冠层-土壤水分相互作用的信号（Wang等人，2008年）。在40-100厘米层（根区），DIV利用红边带监测由压力引起的叶绿素重组，并协同使用双SWIR波段量化土壤结合水与自由水的比例（Fensholt和Sandholt，2003年），实现了连接叶片结构和色素变化（Skend?i?等人，2023年；Yang等人，2023年）与深层SMC的协调响应链。实际上，DIV在40-60厘米层的显著改进与根系-冠层水力耦合桥梁的“高效传输区”完全吻合——在该区域，吸收性根生物量相对丰富（Contador等人，2015年；Minaduola等人，2021年），水力路径保持完整——从而有效地利用了桥梁的残余传输能力。尽管通过优化后的三波段光谱指数在不同深度增强了光谱信号与SMC之间的关联，但估计深层SMC仍然具有根本性挑战。随着深度的增加，植被光谱信号对深层SMC变化的响应能力显著减弱（AghaKouchak等人，2015年；Grossiord等人，2020年；Yue等人，2024年），这仍然是提高深层土壤湿度估计的主要障碍。这种衰减的不可逆性表明，其原因不仅在于信号本身的减弱，还在于耦合系统在活跃根区之外的传输效率急剧下降，这阻止了连贯的水力信号有效地传递到冠层。叶光谱可以检测到由土壤水分压力引发的植物系统调节机制，包括气孔调节、叶片水分状态和结构变化（Samarah，2016年；Maimaitiyiming等人，2017年；Asaari等人，2022年）。通过基于光谱反射率的特征提取和机器学习算法，20-60厘米层的估计精度达到了0.74以上，进一步提高了不同深度的SMC估计（图10）。然而，也揭示了垂直土壤水分传输过程的复杂性，因为80-100厘米层的估计精度仍然不足（R2 = 0.41）。深层提取的挑战不仅来自信号衰减，还在于在深层水分变化通过该系统传播过程中，产生的生理反应在冠层叶片尺度上被衰减和混淆（Grossiord等人，2020年；Yue等人，2024年）。这种“传输效率的衰减”使得开发稳定且普遍适用的深层光谱提取模型变得特别具有挑战性。

为了研究融合植被指数（VI）和反射率对SMC估计模型的优化效果，并系统地阐明随着土壤深度增加估计精度衰减的边界问题，本研究采用了一种贝叶斯优化的光谱特征权重融合算法结合机器学习方法进行模型构建。结果表明，特征融合策略显著提高了0-100厘米土壤层中SMC的反演精度，并清楚地揭示了随着深度增加精度系统性下降的边界效应。与单变量模型相比，融合模型在各个土壤层的R2值提高了21.19%–42.92%（图13），其中40-60厘米层的提升最为显著（42.92%）。这种性能提升主要源于高光谱反射率与VI之间的有效协同作用（Alparone等人，2024年）。光谱反射率提供了连续且丰富的光谱细节，能够敏感地捕捉与水分状态相关的细微光谱形状变化（Bowker等人，1985年），而植被指数（OSI）通过特定波段组合（NIR和SWIR）增强了对水分的敏感性，加强了特征与SMC之间的物理联系。在贝叶斯优化框架内，自动选择反射率波段和VI组合有效地整合了两种特征类型的互补信息，并缓解了共线性问题（Khater等人，2024年），从而提高了模型的泛化能力和鲁棒性。值得注意的是，在40-60厘米深度观察到的显著提高的估计精度（42.92%）证实了根系-冠层水力耦合框架——通过整合来自不同传输路径的互补信息，特征融合能够有效恢复残余的水力信号。SHAP可解释性分析为特征融合模型的有效性以及不同层次之间的性能差异提供了关键机制证据（图15，图16）。在0-20厘米层，模型主要依赖于SWIR区域（1957纳米和2472纳米）的水分吸收谷值，直接响应表面SMC的快速动态变化（Whiting等人，2004年）。20-40厘米层则严重依赖于红边区域（710纳米）的“蓝移”现象，反映了由水分压力引起的叶绿素活性的变化（Horler等人，1983年）。在40-60厘米及更深的层次，2500纳米处的反射率和kNDVI等VI发挥了主导作用，捕捉了由深层水分亏缺引发的间接生理反应，如叶片结构重塑和生化组成变化（Gerhards等人，2019年；Wang等人，2023年）。这种随深度变化的特征驱动机制反映了根系-冠层水力耦合传输效率的下降：在高效传输区（20-60厘米），光谱特征主要由直接和快速的生理反应主导；而在低效传输区（>60厘米），它们转变为慢性的、累积的结构反应。这一发现不仅验证了特征融合策略在适应不同土壤层反演机制方面的有效性，还清楚地揭示了模型性能随深度下降的内在原因：随着土壤层加深，主导光谱特征从直接响应水分状态转变为间接响应植物的次级压力（Ren等人，2022年）。后者的信号较弱，涉及更多干扰因素，并且与土壤水分的因果路径更为复杂（Zhang和Zhou，2016年）——这种因果路径的复杂性本质上源于水力信号在耦合系统传输过程中的逐渐衰减和解耦，从而引入了更大的预测不确定性（Li等人，2021年）。t-SNE可视化结果（图14）为这一理论边界提供了直观证据。20-60厘米层的样本在特征空间中沿着水分梯度呈现出有序分布，而0-20厘米及以下层次的样本则显示出分散的分布模式。这种垂直异质性反映了环境因素和植物响应在不同深度的机制差异（Ivanov等人，2010年）。0-40厘米层的SMC反演受到环境压力和植物水分吸收调节的共同影响（Shi等人，2024年）。40-60厘米层的结果可能源于光谱特征结合了深层土壤水分的上升运动和物候水分需求峰值（Huang等人，2010年）。在80-100厘米深度，水分传输逐渐转变为以基质势为主的非平衡过程（Jarvis，2007年），加上根系分布越来越稀疏（Germon等人，2020年），导致光谱信号与SMC之间的相关性显著减弱（R2 < 0.44）。浅层样本的分散分布可能源于表面蒸散和物候水分需求的动态干扰（Al-Karaghouli和Al-Kayssi，2001年），而深层的扭曲可能与根-水耦合机制的局限性有关（Huang等人，2010年）。特征空间从有序到分散模式的演变描绘了耦合系统的连续性——从高效传输到逐渐衰减，最终到解耦——从而揭示了从冠层光谱中检索深层土壤水分的理论极限：这一极限由系统的内在传输属性决定（Bouda，2019年），而不是仅通过统计建模就能超越的。

冠层光谱反映了由根系-冠层水力耦合调节的植物水分状态。80厘米深度以下估计精度急剧下降是水力传输效率降至临界阈值以下的必然结果——表明光谱反演的基本深度限制本质上是植物水力系统的物理限制。因此，估计深层土壤湿度的关键在于将水力耦合视为一个适合建模的系统。本研究中确定的20-60厘米“高效传输区”和关键敏感波段（SWIR、红边）可以直接指导基于无人机的超光谱传感器的最佳波段选择，实现果园水分状态的高频、大规模监测。同时，80厘米以下“水力解耦区”的划分意味着深层土壤湿度的估计必须转向“光谱-水力”协同范式——利用Sentinel-2卫星数据的广泛空间覆盖范围来捕捉冠层响应的时空动态，这些动态作为土壤-植物-大气连续体（SPAC）水力模型的边界条件（Wolfe等人，2023年），并结合有限数量的原位基质势传感器来间接推断区域尺度的深层土壤湿度。

这项工作表明，干旱木本作物根区水分的垂直异质性可以通过与物候耦合的光谱响应远程解码，但存在由生物学决定的基本深度限制，而非方法上的任意性。通过结合贝叶斯优化的特征融合和基于SHAP的可解释性，我们发现20-60厘米土壤层作为连接地下水分可用性和冠层光学特性的信息桥梁——从而确定了光谱监测根区水分的具体深度范围和潜在机制。至关重要的是，80厘米以下估计精度的逐渐下降不是模型的限制，而是根-水信号解耦的反映，在该深度，深层水分不再在叶片层面触发明显的、可级联的生理反应。这为深层土壤监测中的冠层光谱学建立了一个理论界限，并表明突破80厘米的天花板需要的是多传感器集成，而不是算法的复杂性，以捕捉土壤水分再分配的滞后性和物候不同步性。对于精准灌溉来说，实际意义是明确的：光谱指标应指导活跃根区（20-60厘米）的灌溉计划，而更深层次的水分必须通过耦合的水文模型来推断，而不能仅通过光谱增强来实现。

**cRediT作者贡献声明**
Shiwei Wang：可视化、验证、形式分析。
Yerzhati Yerhaz：资金获取、形式分析、数据管理。
Yu Sen：软件、项目管理、调查。
Jianping Bao：方法论、调查、形式分析、数据管理。
Rui Zhang：数据管理、概念化。侯继航：写作——初稿撰写与可视化设计。
张建良：写作——初稿撰写与可视化设计。
安秀红：软件工具与资源收集。
夏秋豪：软件应用与研究方法。
陈天财：写作——初稿撰写。