《Agricultural Water Management》：Climate-adjusted sequence learning reveals atmospheric-demand transitions in agricultural water–heat buffering
编辑推荐：
农业系统日益暴露于更热更干的条件，但难以确定为何某些耕地比其它耕地更绿、更湿、更凉。有利作物条件可能仅反映有利气候背景，或表明农业系统在相似气候胁迫下表现优于预期。研究人员开发了气候调整序列学习框架，在美国西部三个主要农业区区分这两种情形。该框架首先估计观测气
农业系统日益暴露于更热更干的条件，但难以确定为何某些耕地比其它耕地更绿、更湿、更凉。有利作物条件可能仅反映有利气候背景，或表明农业系统在相似气候胁迫下表现优于预期。研究人员开发了气候调整序列学习框架，在美国西部三个主要农业区区分这两种情形。该框架首先估计观测气候条件下预期的季节作物响应，再将观测植被、水分和地表温度轨迹与该期望比较。所得残差轨迹用于识别气候调整水热响应特征，而非作为内在缓冲能力直接因果证据。研究人员识别出两种主导响应特征：强响应系统在可比气候条件下总体比预期更绿、更湿、更凉，弱响应系统呈相反模式。两种特征差异在生长季中晚期大气水分需求高时最明显。随着大气需求增加，平均缓冲优势评分从0.204降至-0.456，优先脆弱样本比例从16.5%升至41.4%，平均地表温度从19.4°C升至47.0°C。较高降水未能完全抵消该下降，表明农业脆弱性取决于水分供给与大气需求平衡而非仅降水。使用OpenET蒸散（ET）和Cropland Data Layer（CDL）作物类型信息的独立验证进一步显示识别的响应特征与农业用水功能一致。这些发现表明所提框架能超越绘制耕地外观有利区域，识别其在可比气候压力下表现优于或劣于预期的位置，为大气需求上升下优先农业用水管理干预提供实用基础。
研究背景方面，农业系统正日益遭受复合水文气候胁迫，包括大气需求升高、降水波动与极端高温。现有研究多依赖绿度、地表湿度代理、地表温度（LST）或灌溉相关指标的直接比较，主要描述绝对状态而非相对于气候期望的性能，难以诊断耕地是仅位于有利环境还是胁迫下表现出更强气候调整响应。遥感虽可连续监测植被动态、水分响应和热状况，但静态分类或季节汇总统计会掩盖系统差异的时间结构性。为此，研究人员在《Agricultural Water Management》发表研究，开发气候调整序列学习框架，从季节卫星与气候时间序列中识别农业水热响应特征，区分有利绝对状态与可比气候强迫下有利响应，并评估大气需求转变下响应优势弱化及降水抵消作用。
关键技术方法上，研究基于美国西部中央谷地（Central Valley）、高平原西部（High Plains West）和斯内克河（Snake River）三区2019、2021、2023年Landsat 16天合成遥感变量（NDVI、EVI、NDMI、NIRV、LST）与GRIDMET气象变量（TMMX、TMMN、PR、VPD）及静态农业变量构建网格季节时间序列。采用门控循环单元（GRU）序列模型由气候轨迹预测预期农业响应，计算观测减预期的残差序列；经通道标准化后由序列自编码器（autoencoder）学低维潜表示，聚类得强弱缓冲两模态，并定义连续缓冲优势评分（buffer-advantage score）。第二阶段以随机森林（Random Forest）用季节汇总特征将策略与评分映射至全农业域。独立验证采用OpenET ET与CDL作物类型，做去区域年与作物固定效应后相关分析。
研究结果部分，3.1节“残差表示学习中浮现两种主导气候调整水热响应策略”显示，预期响应模型对LST的R2≈0.76，对NDVI/NDMI≈0.39、EVI≈0.37、NIRV≈0.35；残差自编码器重建R2为NDVI 0.92、EVI 0.91、NIRV 0.90、NDMI 0.88、LST 0.72；轮廓分析支持k=2（≈0.31），得出弱缓冲与强缓冲两稳定模态，强缓冲网格评分正高、EVI与NDMI更高、LST更低。3.2节“强缓冲系统呈现更绿更湿更凉的气候调整响应特征”通过原型轨迹表明，强缓冲在观测与残差序列中均维持EVI、NDMI正残差与LST负残差，即比气候条件期望更绿湿凉；缓冲优势轴与NDVI、EVI、NDMI正相关，与LST负相关。后续大气需求分箱分析（29,373网格年、352,545样本时点）表明，随VPD（蒸气压亏缺）升高，缓冲优势评分由0.204降至-0.456，优先脆弱样本由16.5%增至41.4%，平均LST由19.4°C至47.0°C；高降水组未完全抵消下降。OpenET验证中缓冲优势评分与ET/ETr、ET/ETo正相关，强弱策略间ET差异在去固定效应后留存，证明特征与用水功能一致而非作物组成驱动。状态-容量解耦分析显示强缓冲非绝对状态（高EVI、高NDMI、低LST）简单重标，存在高状态分弱缓冲反例。
讨论与结论翻译部分，研究人员指出框架价值在于将农业诊断由“何处耕地看起来有利”推进到“何处系统在可比气候压力下优于或劣于预期”，残差被明确定义为气候调整响应偏差而非内在缓冲因果测度，可涵盖作物类型、灌溉、土壤、管理、景观、遥感不确定性与模型误差贡献。结论确认：两种响应模态在生长季中晚期大气需求高时分化最强；农业脆弱性由水分供给-大气需求平衡决定，单靠降水不能抵消高VPD胁迫；识别的签名经OpenET与CDL独立支撑，可用于上升大气需求下农业水资源管理干预优先级排序。
