《Agriculture》：Two-Layer Conditional Prediction of Soil Electrical Conductivity Assisted by Post-Irrigation Soil Moisture Trajectories in Farmland of the Bachu Irrigation District
编辑推荐：
摘要翻译
利用新疆巴楚灌区九个农田站点（2024年11月—2026年4月）的多深度连续观测数据，本研究开发了一个两层条件预测模型，以检验预测的土壤水分轨迹是否能在持续性基准（persistence benchmark）之外提升表观电导率（apparent el
摘要翻译
利用新疆巴楚灌区九个农田站点（2024年11月—2026年4月）的多深度连续观测数据，本研究开发了一个两层条件预测模型，以检验预测的土壤水分轨迹是否能在持续性基准（persistence benchmark）之外提升表观电导率（apparent electrical conductivity，EC）的预测能力。研究采用时间正向验证（time-forward validation）结合实测ERA5强迫数据，对四个预测窗口（0–1、1–3、3–7和7–15 d）进行了评估，并开展了配对消融实验、SHAP分析及事后气象亏缺关联分析。对于EC20，判定系数R2分别为0.978、0.923、0.727和?1.376，相应的Skill值分别为?0.001、0.277、0.540和0.635；在7–15 d窗口的绝对预测性能仍不可靠。EC40的R2为0.943–0.987，Skill为0.029–0.325；EC60的R2为0.737–0.974，Skill为0.065–0.177。消融实验显示最显著的增益出现在3–7 d窗口的EC20（ΔR2 = 0.193；ΔSkill = 0.325），而大多数其他组合未显示出一致的改进。在0–1 d窗口，预测水分轨迹对EC20、EC40和EC60的SHAP贡献分别为39.2%、37.6%和26.8%。气象亏缺关联响应随深度和土层而变化，但总体上有限。总体而言，水分轨迹的效益具有深度和土层依赖性，反映了模型依赖性而非因果性的水盐机制。该框架目前主要适用于受监测的无冻融、无额外湿润补给条件的灌溉后时期。
论文解读
土壤盐渍化是干旱灌区农业可持续发展的长期挑战。在干旱区，有限的降水、强烈的蒸发和频繁的灌溉使得土壤水盐过程持续经历入渗、淋洗、蒸发浓缩和剖面再分布。灌溉后短期内土壤含水量的增加可能促进盐分稀释和向下运移，而灌溉间歇期强烈的蒸散和根区水分消耗则可能导致表土盐分重新累积。因此，农田盐分风险评估不能仅关注单一时间点的盐分状况，还需考虑灌溉后水分再分布、土壤蒸发损失以及伴随水分运动发生的盐分运移和再累积过程。新疆等中国西北干旱区的农业生产高度依赖灌溉，膜下滴灌等节水措施虽提高了水分利用效率，但改变了土壤水盐运移过程，使得湿润区与非湿润区之间的水盐差异更加显著。以往的农田水盐平衡研究多从灌溉定额、灌溉周期、淋洗分数和产量响应等角度展开，但对于灌溉后不同时间窗口内土壤水分和电导率动态演变的认知仍显不足。冻融过程作为干旱农田土壤水热盐动态的重要阶段，也会影响剖面水分运动方向和盐分再分布，进一步增加了水盐管理的复杂性。
目前的土壤盐分研究方法主要包括田间采样、遥感反演和数值模拟。田间采样缺乏时间连续性，难以捕捉灌溉后数小时至数天内土壤水分和盐分再累积的变化；遥感适用于区域尺度盐分监测，但对根区和深层剖面的水盐动态信息有限；过程物理模型描述水盐运移过程虽然准确，但需要较完整的土壤水力参数、灌溉边界条件和溶质运移参数，限制了其在长期连续监测和多点位农田研究中的应用。近年来，原位传感器和连续监测技术为研究土壤水热盐过程提供了更高时间分辨率的数据，机器学习模型也被越来越多地用于土壤水分和盐分的预测。在此背景下，两层顺序建模策略具有独特价值：先利用环境和气象水文信息预测土壤水分，再将预测的水分作为重要输入纳入盐分模型，从而表征土壤水dynamics对盐分变化的影响。然而，现有研究多集中于区域盐分反演、湿地水盐状况评估或特定灌溉情景下的水盐平衡，针对农田灌溉间歇期水盐响应的短期预测仍相对有限。
基于上述研究需求，本论文的研究人员利用巴楚灌区九个农田站点的多深度连续监测数据（覆盖2024年11月至2026年4月），开发了一个物理基线辅助的两层残差校正条件预测模型，用于土壤水分和表观电导率的深度特定预测。研究首先描述了农田表观电导率的年内变化和剖面差异，随后构建了两层模型：第一层利用初始水分状态、历史响应特征、预测窗口内的气象亏缺、层间水分梯度和深层滞后响应等构造土壤水分的物理基线，并采用机器学习方法学习物理基线与观测之间的残差，从而预测20、40和60 cm深度处的未来土壤水分；第二层将第一层产生的折外水分预测及其轨迹特征纳入电导率物理基线，辅以残差校正，实现EC20、EC40和EC60的条件预测。研究采用时间正向验证方法，将灌后时期按起始时间排序，早期样本用于训练，后期样本用于验证，并以初始时刻的水分或电导率作为持续性基准来评估模型的相对增益。研究的核心假设是：(1) 预测的灌后水分轨迹能在持续性基准之外为表观电导率预测提供增量信息；(2) 水分轨迹的贡献和整体模型性能随土壤深度和预测时域而变化。
研究人员在模型构建中采用了多项关键技术方法。首先是物理基线辅助的残差校正策略：针对土壤水分和表观电导率分别建立简化的物理基线方程，再利用机器学习模型（包括ExtraTrees、随机森林、梯度提升树和MLP等）学习基线残差，以校正线性基线未捕捉的非线性偏差和点位特异性。第二项关键技术是两层顺序预测结构，第一层生成折外水分预测，第二层仅使用来自更早时间验证折的折外预测作为训练输入，以规避跨层信息泄漏。第三项关键技术是系统化的预测窗口评估，研究设置了6、12、24、48、72、96、120、144、168、240、312和360 h共12个预测时域，并聚合为0–1 d、1–3 d、3–7 d和7–15 d四个评估窗口。第四项关键技术是配对消融实验，通过移除第一层预测水分轨迹变量来量化其对第二层电导率预测的增量贡献。第五项关键技术是SHAP特征归因分析，将输入特征分组成当前土壤水分、历史土壤水分、土壤温度、表层过程、气象条件、当前电导率、历史电导率、物理基线、预测水分轨迹和其他辅助特征共10类，以量化各特征组对预测的相对贡献。第六项关键技术是事后气象亏缺情景关联分析，在局部线性关系中施加气象亏缺增减情景（20%增加、20%减少和40%减少），以评估表观电导率对气象亏缺变化的局部敏感性。数据来源方面，气象数据采用逐小时ERA5-Seamless再分析资料并按地理坐标与监测站点逐点匹配，土壤数据来自九个农田站点的多深度连续监测仪器。
研究结果部分呈现了系统性的模型评估。在年内变化特征方面，九个站点0–40 cm和0–150 cm的积分表观电导率均表现出明显的点位差异和阶段性变化。0–40 cm积分表观电导率波动较强，对浅层水热条件变化更为敏感；0–150 cm积分表观电导率则受深层土壤背景和土层厚度加权的平滑效应影响，短期波动较弱。站点S3的0–40 cm平均表观电导率最高，达2291.81 μS/cm，变异系数为0.407；S4的0–150 cm平均表观电导率最高，为3008.31 μS/cm。土壤水热背景分析显示，表观电导率的阶段性变化与土壤含水量、温度和气象条件的变化相对应。
第一层土壤水分预测模型方面，W20、W40和W60在四个预测窗口的R2分别在0.939–0.991、0.957–0.995和0.952–0.996之间，各深度和窗口的Skill均为正值。W20的Skill在1–3 d、3–7 d和7–15 d窗口分别为0.680、0.728和0.722，W40的Skill随预测窗口延长从0.241增加到0.538，W60的Skill在0.318–0.380之间。这些结果表明第一层模型不仅利用了初始水分状态，还从历史变化和气象条件中提取了超越持续性基准的增量预测信息。
第二层表观电导率预测模型方面，EC40和EC60在各窗口的预测性能相对稳定，R2分别为0.943–0.987和0.737–0.974，但部分窗口的Skill值较低（如EC40在3–7 d的Skill仅为0.029，EC60在1–3 d的Skill为0.065）。EC20在0–1 d、1–3 d和3–7 d窗口的R2分别为0.978、0.923和0.727，对应Skill为?0.001、0.277和0.540，表明模型在7 d内可有效预测浅层表观电导率；但在7–15 d窗口R2降至?1.376，绝对预测性能不可靠。该窗口虽获得0.635的正Skill值，但这主要源于持续性基准本身表现极差（R2为?5.502），并不代表可靠的长时域定量预测能力。点位层面评估显示，八个折外验证站点的电导率预测性能存在显著差异，7–15 d窗口各站点R2范围在?8.638到0.962之间，表明总体R2反映的是聚合性能而非每个站点的精度。
配对消融实验表明，预测水分轨迹的增量贡献具有明显的深度和时域依赖性。在12个深度–窗口组合中，仅EC20在3–7 d和EC60在7–15 d表现出R2、Skill、RMSE和MAE四个指标的一致性改进，其中EC20在3–7 d的增益最明显（ΔR2 = 0.193；ΔSkill = 0.325），RMSE相对消融模型降低23.5%，而MAE仅降低3.9%，说明增益主要体现在较大预测误差的缩减上。其余十个组合中，八个组合在全部四个指标上出现退化，两个组合在不同指标间存在权衡。
SHAP特征归因分析显示，第一层水分模型中其他辅助特征（包含站点背景、时间编码、预测时域和初始统计背景等）的平均贡献为51.43%，第二层电导率模型中该组的平均贡献为50.55%。在第二层模型中，0–1 d窗口内预测水分轨迹对EC20、EC40和EC60的相对贡献分别为39.2%、37.6%和26.8%，表明短期表观电导率预测较强地依赖于第一层提供的未来水分状态。随着预测窗口延长，不同深度的模型依赖模式发生分化：EC20在1–15 d窗口主要依赖预测水分轨迹和物理基线项（合计贡献65.7–67.7%）；EC40在3–7 d和7–15 d窗口物理基线项占主导（贡献分别为67.0%和63.0%）；EC60在0–7 d对预测水分轨迹的依赖仍较高，而7–15 d窗口物理基线项贡献增至65.5%。
事后气象亏缺情景关联分析显示，在20%气象亏缺增加情景下，EC20的变化为?2.23至?36.25 μS/cm，EC40小幅增加0.78–8.40 μS/cm，EC60的变化在?4.64至5.20 μS/cm之间。在40%亏缺减少情景下，各深度表观电导率的绝对关联变化为0.56–72.50 μS/cm，而相应的模型RMSE为34.64–517.60 μS/cm，情景关联变化约为相应RMSE的1.2–18.8%，整体上远小于模型自身的预测误差。这表明气象亏缺情景关联仅反映了模型的局部统计敏感性，尚不具备明确的实际管理意义。
在讨论部分，研究人员指出积分表观电导率指数在描述年内变化和剖面分异方面具有价值，但作为灌溉后短期预测目标时会因土层厚度加权的平滑效应而掩盖深度特定的变化，因此将预测目标细化为W20、W40、W60和EC20、EC40、EC60。研究还强调，传感器测量的表观电导率受土壤含水量、温度、孔隙水电导率和导通路径连续性的共同影响，不能直接等同于土壤盐分含量，因此模型结果不能作为特定水盐运移机制的直接因果证据。第一层预测水分轨迹的增量信息假设仅得到部分支持：SHAP结果表明第二层模型对预测水分轨迹存在可量化的依赖，但配对消融显示这种依赖并未在所有深度和时域组合中转化为一致的预测增益。现有模型主要适用于无额外灌溉或显著湿润补给、无冻融条件下的灌溉后时期；EC20在7–15 d窗口的绝对预测性能不可靠，不适用于定量解释。由于缺乏事件尺度的实测灌溉量、根系分布、分层根系吸水、灌溉水化学和系统土壤水力参数，数据不足以分离各因素的独立效应，模型尚未在独立年份、新站点或其他灌区进行外部验证。
研究结论部分可以翻译为：本研究利用巴楚灌区九个农田站点的多深度土壤水盐温连续监测数据和逐点匹配的逐小时ERA5气象数据，分析了表观土壤电导率的年内变化和剖面分异，并开发了物理基线辅助的两层残差校正条件预测模型，用于无额外灌溉或显著湿润事件条件下的灌溉后时期土壤水分和表观电导率预测。主要结论如下：研究区农田表观电导率表现出明显的点位差异和垂直剖面分异，0–40 cm积分表观电导率年内波动较强，适合表征耕作层的短期变化；0–150 cm积分表观电导率因深层背景和厚度加权平滑效应而变化较平稳，更适合表征整体剖面背景。第一层模型有效预测了无额外湿润补给条件下W20、W40和W60的未来状态，各窗口各深度R2分别在0.939–0.991、0.957–0.995和0.952–0.996之间，Skill均为正值，表明模型在初始水分状态之外提取了超越持续性基准的增量信息。第二层模型利用第一层折外预测水分轨迹实现了深度特定的表观电导率条件预测，EC40和EC60的预测性能总体稳定，但部分窗口相对持续性基准的增量优势较弱；EC20在0–1 d、1–3 d和3–7 d窗口的R2分别为0.978、0.923和0.727，7–15 d窗口虽获得0.635的正Skill，但R2降至?1.376，绝对预测可靠性不足。配对消融结果显示第一层预测水分轨迹的增量贡献具有强烈的深度和时域依赖性，仅EC20在3–7 d和EC60在7–15 d获得一致性改进。SHAP和事后气象亏缺情景关联分析表明模型对预测水分轨迹和相关过程信息存在可量化的依赖，但不应将这些结果解释为实际水盐运移机制的因果证据。
