高效绿色稻田生产中不同物候期水分调控的机器学习与物理建模方法

《Computers and Electronics in Agriculture》：Machine learning and physical modeling for water regulation at different phenological stages in efficient green paddy field production

　　•建立了一种针对不同生长阶段的灌溉优化框架。•在作物物候阶段尺度上分析了蓝水与绿水动态变化。•同时评估了产量、蓝水生产率以及灰水足迹。•优化后的方案相较于传统做法表现出更好的性能。•为基于生长阶段的灌溉规划提供了方法论指导。

引言
随着全球人口的快速增长以及气候变化的加剧，对粮食等基本资源的需求持续上升（Kocoglu等人，2024年）。因此，实现高效的农业生产对于保障粮食安全与可持续发展至关重要。水资源对农业而言不可或缺，但在当前全球形势下，其供需矛盾愈发严峻。全球约有32亿人面临水资源短缺问题，而农业用水占全球总用水量的70%，是水资源消耗的主要领域（Wang等人，2024a年；Ye等人，2018年）。水稻作为全球超过一半人口的主食，在水田种植过程中消耗了全球大量水资源，占比超过40%（Wu等人，2022年；Xin等人，2020年）。此外，水稻生产过程还会产生大量水污染（Wu等人，2021年），进一步加剧本已紧张的淡水资源压力。因此，制定一种能够在保证高产的同时兼顾农业可持续性的水田用水管理策略显得极为重要。这类策略对于提升水资源利用效率、缓解全球水资源短缺问题以及推动农业可持续发展具有重要意义（见图1）。

由于水资源与农业系统之间存在复杂的耦合机制，在寻求优化水资源管理时必须明确这些相互关系（KeshavarzZadeh，2022年）。在水资源管理及优化研究中，通常会运用模拟模型来揭示其中的相互作用过程。以往的研究试图通过机器学习方法和基于植物的指标来评估作物的水分状况，从而为灌溉决策提供依据（Atanasov，2023年；Jia等人，2025年；Shirvani-Hosseini等人，2022年）。近年来，越来越多的研究将机器学习和数据挖掘技术应用于与水相关的建模问题，包括水力预测、水质预报以及水资源调度优化。例如，数据挖掘方法已被广泛用于水科学建模，而混合机器学习模型则被用于水质指数预报和水力参数预测（Sabed-Movahed等人，2020年）。与此同时，智能优化算法也被应用于水库和水电调度系统（Ahmadianfar等人，2022年；Chen等人，2022年；Samadi-koucheksaraee等人，2019年）。尽管这些研究表明数据驱动方法在复杂水系统建模中具有潜力，但大多数研究仍侧重于预测或系统运行，而非将机器学习模型与田间尺度的作物水分动态及基于生长阶段的灌溉优化相结合。

此外，现有研究大多倾向于采用单一的建模方法，缺乏对多种模型的比较分析（Chang等人，2024年；Li等人，2020年；Xu等人，2022年）。而且，这些模型往往以整个作物生长期作为时间尺度，没有纳入基于过程的田间水分动态模拟，这限制了它们准确描述水分需求的能力，也难以实现田间水分分配的精细优化（Chen等人，2021b年；Tang等人，2023年；Yan等人，2024年）。然而，考虑到各个系统组件之间的协同与相互依赖关系，对于确保农业系统的可持续性而言至关重要。

早期关于水资源管理优化的研究主要聚焦于作物产量的优化与分析（Chang等人，2024年；Zhang等人，2024年）。随着人们对作物生产过程复杂性的认识不断加深，研究者们意识到需要考虑多个目标的耦合关系，将优化目标扩展到包括非点源污染控制效益以及水资源利用效率等方面（Li等人，2025b年；Yang等人，2025年）。因此，他们开始探索多目标优化方法（Lyu等人，2022年）。在构建此类多目标框架的过程中，不同目标之间的固有冲突带来了诸多挑战：如何在多目标水资源管理优化中全面兼顾水资源、作物产量以及环境绩效，仍需进一步研究。

近年来，以水足迹作为优化指标的研究越来越受到关注（Liu等人，2019年；Ren等人，2026年；Zhang等人，2021a年）。水足迹作为一种衡量区域水资源开发与利用效率的综合指标（Zhao等人，2021年），由三部分组成：（i）绿水足迹，即来自降水的、通过蒸散作用被作物实际消耗的那部分水；（ii）蓝水足迹，即来自灌溉的水量；（iii）灰水足迹，即为将排放到水体中的污染物稀释至环境可接受浓度所需的水量（Cao等人，2020年）。

水足迹能够同时量化作物生产过程中的水资源消耗与污染产生情况，为水资源管理优化提供了新的思路（Cao等人，2017年；Cui等人，2022年；Yi等人，2024年）。不过，并非所有水足迹组成部分都能通过田间灌溉管理得到同等程度的控制。在灌溉管理中，最可以直接控制的田间过程是灌溉投入量与排水调控。因此，优化目标应主要集中在那些可以通过灌溉管理直接影响的变量上，包括作物产量、蓝水生产率以及灰水足迹（Wang等人，2025年）。在这些目标中，产量与蓝水生产率代表了两种互补但不同的管理重点，分别是提升产量与提高灌溉效率。而灰水足迹的纳入则是为了评估与田间排水过程相关的非点源污染风险。

虽然来自降水的绿水无法在田间尺度上进行直接调控（Zhang等人，2021b年），但它与灌溉的相互作用会显著影响不同生长阶段的田间水分动态以及整体水资源利用效率。因此，明确的蓝水-绿水核算对于描述作物生长期间的水分分配情况以及评估灌溉管理的效果仍然十分重要。

然而，现有的水资源管理优化研究往往只考虑整个作物生长期的水资源优化，忽视了灌溉时机对作物生长表现的时间效应（Liu等人，2025年）。此外，大多数研究侧重于有形的水资源，如灌溉用水量，却很少考虑与作物生理过程相关的“虚拟水资源”（Berbel和Expósito，2022年；Yang等人，2015年；Zhang等人，2022年）。在水稻生产过程中，会产生大量的灰水足迹，且具有明显的季节性特征（Cao等人，2018年）。在可持续发展的背景下，灰水足迹是一个不可忽视的重要因素（Cazcarro等人，2016年；Li等人，2021年；Zhao等人，2019年）。不过，以往的模型很少将水资源管理策略对水田农业污染的影响纳入考量（Zhou等人，2022年）。此外，目前仍缺乏那种能够将基于生长阶段的蓝水-绿水迁移过程明确纳入水文核算与灌溉决策评估的水-粮-环境多目标灌溉优化框架。一个关键的研究缺口在于，现有的灌溉优化研究大多仍采用全季或非基于作物物候阶段的模型公式，未能将不同生长阶段的田间水分动态与蓝水-绿水迁移过程与优化目标明确结合起来。

总体而言，现有文献在灌溉预测、作物水分模拟以及多目标水资源管理方面已经取得了显著进展。但目前的研究仍存在三个主要的结构性缺陷。首先，大多数优化框架仍以全季尺度构建，因此无法充分体现不同物候阶段作物水分需求与田间水文过程的时空差异性。其次，尽管机器学习方法提升了农业水资源管理研究中的预测能力，但它们往往独立于基于物理原理的田间水分动态过程而被应用，这限制了其可解释性以及与实际过程的契合度。第三，环境目标，尤其是与排水相关的灰水足迹，仍未充分纳入灌溉优化框架中，导致无法全面评估产量、灌溉效率与环境绩效之间的权衡关系。因此，目前仍缺乏一种能够整合不同生长阶段的田间水分动态、蓝水-绿水分配、基于机器学习的替代建模以及多目标灌溉优化的统一框架。

尽管已有不少研究成果，但灌溉优化研究仍存在若干关键缺陷：•缺乏基于生长阶段的蓝水-绿水动态与灌溉优化之间的耦合机制。•基于过程的作物-水分模型与机器学习方法之间融合不足。•对灰水足迹的考虑不够充分。基于此，本研究的目标为：（i）评估不同的建模方法，找出一种能够有效表征水田系统内复杂相互作用的方法；（ii）将田间尺度的土壤-水分动态与机器学习模型相结合，以便在作物物候阶段尺度上准确描述作物水分需求，进而提高灌溉决策的精准度；（iii）构建一种多目标优化框架，能够在不同的水文年度条件下同时考虑产量、蓝水生产率以及灰水足迹。为验证所提模型在典型农业水文条件下的适用性，该模型被应用于中国长江下游地区的典型水稻种植区。与传统的全季灌溉优化方法相比，所提出的框架将基于生长阶段的水文分配、作物响应以及非点源污染控制目标明确整合到一个统一的灌溉优化结构中。本研究的方法创新之处在于，它将田间水分动态、蓝水-绿水核算、基于机器学习的替代建模以及多目标灌溉优化在统一的优化框架内进行基于生长阶段的耦合。与传统的全季优化方法不同，所提出的框架能够明确体现不同物候阶段作物水分需求、灌溉分配以及与排水相关的环境响应的时空变化规律。

基于上述目标，所提出的框架将不同生长阶段的田间水分动态、蓝水-绿水核算以及多目标灌溉优化整合到一个统一的优化结构中。通过纳入不同的水文情景以及决策偏好，该框架能够在预定的农艺与水资源管理约束条件下生成针对不同生长阶段的灌溉计划，从而为不同水文条件下的离线灌溉规划提供支持。该框架还能根据历史气象数据、作物水分需求特征以及本地校准的田间管理参数，生成针对不同生长阶段的灌溉计划，从而为季节性灌溉规划提供依据。在实际应用中，优化后的灌溉计划可作为灌溉管理者及农民在水稻种植季节开始前或初期制定的规划参考方案。在田间实施过程中，还可以结合短期天气观测结果以及本地管理经验，对季节内的灌溉时机与水量进行调整。未来，该框架还可进一步整合实时监测与自适应控制功能，以实现动态的灌溉管理。

总体而言，所提出的框架提供了一种以生长阶段为导向的灌溉优化工作流程，它将基于物理原理的田间水分动态、蓝水-绿水核算以及基于机器学习的替代建模整合到一个统一的多目标决策框架之中。虽然量化优化结果会因具体地点而异，但该方法论框架可通过本地重新校准与情景重构，适用于其他水稻种植区域。

本文的其余部分结构如下：第2节介绍研究区域、数据来源、替代模型构建方法、蓝水-绿水核算流程以及多目标优化框架。第3节对预测模型进行评估，并分析在不同水文年度及决策偏好情景下的优化结果。第4节探讨所提框架的意义、适用性、局限性以及不确定性。最后，第5节总结主要研究结论与未来的研究方向。

材料与方法
本节首先介绍研究区域与数据集，随后阐述所提框架中使用的预测建模方法、水足迹核算方法以及多目标优化流程。

结果与讨论
本节首先评估产量模型与灰水足迹模型的预测性能，然后分析在不同水文年度及决策偏好情景下的优化结果。

结论
本研究提出了一种水-粮-环境耦合的多目标灌溉优化框架，该框架将基于生长阶段的蓝水-绿水核算与灰水评估明确纳入灌溉决策过程。该框架旨在在水稻种植过程中，以物候阶段尺度高效、精准地调整灌溉计划。在所研究的条件下，该框架证明了其在兼顾多种因素的同时，能够为基于生长阶段的灌溉规划提供有力支持。

数据与代码获取
为提高研究的可重复性，补充材料中提供了结构化的可重复性包，内容包括：（i）NSGA-II算法的详细求解步骤及伪代码说明（文本S1以及S4–S7）；（ii）替代模型构建的前处理与验证流程（文本S3–S6）；（iii）不同情景的定义以及目标权重配置（表S5）；（iv）所有水文情景下的详细灌溉计划结果（表S10）；以及（v）核心模型变量。

CRediT作者贡献说明
Yuchen Gao：撰写——初稿撰写、可视化分析、方法设计、形式分析、概念构建。Mengyang Wu：撰写——审阅与编辑、形式分析。Jan F. Adamowski：撰写——审阅与编辑、概念构建。Qiong Yue：监督指导、形式分析。Simeng Cui：方法设计、形式分析。Jun Niu：撰写——审阅与编辑、项目管理。曹新春：写作——审稿与编辑、监督、项目管理、资金获取、正式分析、利益冲突声明。作者声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。致谢：本研究得到了中国国家自然科学基金（52479038，52309049）、江苏省自然科学基金（BK20230969）、农业水资源高效利用国家重点实验室开放研究基金（SKLAWR-2024-09）以及中央高校基本科研业务费（编号B250201067）的共同资助。高宇晨|吴梦阳|扬·F·亚当诺夫斯基|岳琼|崔思萌|牛军|曹新春