《Agricultural Water Management》:Understanding soil moisture dynamics and key drivers for single and mixed cover cropping systems using machine learning
编辑推荐:
土壤水分(soil moisture)是包气带(unsaturated zone)中赋存的水分,对农业水资源管理至关重要。本研究结合田间试验与机器学习(machine learning, ML)方法,评估了单一覆盖作物(豌豆、燕麦)及豌豆-燕麦混合覆盖作物(p
土壤水分(soil moisture)是包气带(unsaturated zone)中赋存的水分,对农业水资源管理至关重要。本研究结合田间试验与机器学习(machine learning, ML)方法,评估了单一覆盖作物(豌豆、燕麦)及豌豆-燕麦混合覆盖作物(pea-oats mixture, PO)相较于无覆盖作物对照(no cover crop, NCC)对土壤体积含水量(volumetric water content, VWC)动态的影响,并利用可解释人工智能(explainable artificial intelligence, XAI)工具SHapley Additive exPlanation(SHAP)识别调控土壤水分的关键环境与管理因子。研究于2023年3月至2024年6月在美国新墨西哥州Clovis地区半干旱农田开展,监测5 cm和30 cm深度土壤水分。结果表明:5 cm深度VWC的时间变异性约为30 cm深度的2–3倍;覆盖作物处理下5 cm深度VWC较无覆盖作物处理平均高出约42%;禾本科-豆科覆盖作物组合(PO)显著改善了水分捕获、利用效率及作物水分生产力(crop water productivity, CWP)。基于极端梯度提升(eXtreme Gradient Boosting, XGBoost)模型的预测精度随土壤深度和处理方式不同而存在差异,30 cm深度预测精度(R2 = 0.50–0.73)整体优于5 cm深度(R2 = 0.40–0.51)。SHAP分析表明,5 cm深度处每周总水分输入(weekly total water input)和30 cm深度处土壤温度(soil temperature)是调控土壤储水量的主导因子。研究结果为半干旱地区覆盖作物种类选择与水分管理策略优化提供了理论依据。
论文解读
一、研究背景与科学问题
在干旱与半干旱地区,蒸发散量远超降水量,水资源短缺长期制约可持续作物生产。全球超过40%的陆地表面属于干旱与半干旱区域,日益加剧的气候变率与地下水含水层枯竭进一步威胁农业可持续性。例如,美国南部高平原地区依赖的奥加拉拉含水层(Ogallala Aquifer)预计到2100年将使灌溉面积缩减约24%。覆盖作物(cover crop)被广泛认为是一种改善土壤健康与水分功能的农业管理策略,然而在水分受限地区,覆盖作物生长期间的水分消耗可能耗尽后茬经济作物的可利用水分,从而影响产量。已有研究对覆盖作物在干旱半干旱地区土壤水分调控方面的效应报道不一,正效应、负效应或无效应并存,凸显了开展位点特异性研究的必要性。
近年来,机器学习(machine learning, ML)方法凭借高计算效率和非线性关系捕捉能力,在土壤水分预测领域展现出良好前景,但其“黑箱”特性限制了过程机制理解。可解释人工智能(explainable artificial intelligence, XAI)工具SHapley Additive exPlanation(SHAP)可量化各输入特征对模型输出的贡献,提升模型透明度与实用性。然而,将ML与XAI集成应用于半干旱地区复杂覆盖种植系统土壤水分动态解析的研究仍十分有限。基于此,研究人员提出假设:禾本科-豆科覆盖作物组合(grass-legume mixture)能够改善土壤剖面体积含水量(volumetric water content, VWC)、缓冲环境温度波动、改善土壤性质并提高降水保蓄能力。研究目标为:1)评估单一覆盖作物(豌豆、燕麦)及混合覆盖作物(豌豆-燕麦,PO)对土壤水分动态、降水储存效率(precipitation storage efficiency, PSE)和作物水分生产力(crop water productivity, CWP)的影响;2)利用XGBoost模型结合SHAP分析,识别5 cm和30 cm深度调控土壤水分的关键环境与管理驱动因子。
二、研究设计与关键技术方法
研究依托2015年建立于美国新墨西哥州Clovis地区新墨西哥州立大学农业科学中心的长期覆盖作物试验,采用随机完全区组设计,设置豌豆(Pisum sativum L.)、燕麦(Avena sativa L.)、豌豆-燕麦混合(PO)及无覆盖作物对照(NCC)四个处理,重复三次,种植制度为冬小麦-高粱-休闲轮作。土壤类型为Olton粘壤土,试验区属典型干旱半干旱气候,年均降水量437 mm,年均蒸发散量1600 mm。研究人员于2023年3月至2024年6月利用HOBOnet无线传感器监测5 cm和30 cm深度土壤VWC,同时记录土壤温度、气象要素及灌溉管理数据。关键技术方法包括:1)XGBoost(eXtreme Gradient Boosting)机器学习模型,采用分阶段数据划分策略(覆盖作物期、无作物期、小麦期各取80%训练、20%测试),10折交叉验证优化模型,用于逐日VWC预测;2)SHAP(SHapley Additive exPlanation)可解释人工智能工具,量化各环境与管理因子对VWC预测的贡献方向与强度;3)特征工程方法,构建逐日及每周总水分输入(WaT、WTwk)等新输入特征;4)蒙特卡洛模拟(Monte Carlo simulation),基于观测均值和标准差模拟2000次迭代,评估土壤储水量与CWP的不确定性。
三、主要研究结果
3.1 土壤含水量
覆盖作物处理在5 cm深度各作物阶段均保持高于NCC的VWC。豌豆处理VWC最高(0.16–0.45 m3 m?3),其次为燕麦(0.14–0.43 m3 m?3)和PO混合(0.15–0.38 m3 m?3),NCC最低(0.08–0.31 m3 m?3)。5 cm深度VWC变异系数(coefficient of variation, CV)为21.89%–27.36%,约为30 cm深度(CV = 5.59%–10.04%)的2–3倍。覆盖作物活跃生长期内VWC迅速下降,豌豆和燕麦处理甚至降至永久萎蔫点(permanent wilting point, PWP)以下;覆盖作物终止后随降水事件VWC回升。30 cm深度NCC处理VWC最高(0.31–0.48 m3 m?3),但该水分可能难以被作物有效利用。
3.2 土壤储水量与水分利用效率
无作物期土壤储水量变化显示,仅PO处理呈现正储水(+8.15 mm),PSE为+2%,其余处理均为负值(NCC为?7.25 mm,豌豆为?7.88 mm,燕麦为?3.10 mm)。小麦生育期内,NCC是唯一保持正土壤水平衡的处理,所有覆盖作物处理均出现净耗水,其中PO耗水量最大(?1.78 cm)。然而,PO处理的CWP最高(99.51 kg ha?1 cm?1),显著高于NCC(94.97 kg ha?1 cm?1)、豌豆(91.91 kg ha?1 cm?1)和燕麦(85.23 kg ha?1 cm?1)。各处理间小麦籽粒产量、生物量产量及总产量无显著差异。
3.3 XGBoost模型预测性能
XGBoost模型在30 cm深度预测性能整体优于5 cm深度。30 cm深度测试集R2为0.50–0.73,RMSE为0.01–0.02 m3 m?3;5 cm深度测试集R2为0.40–0.51,RMSE为0.03–0.06 m3 m?3。训练集与测试集之间存在一定性能差距,主要归因于5 cm深度VWC的高变异性。各处理中,PO处理的VWC预测精度最高(5 cm深度R2 = 0.56,30 cm深度R2 = 0.73),豌豆处理在5 cm深度可预测性最低(R2 = 0.40),但在30 cm深度表现良好(R2 = 0.65)。
3.4 SHAP识别的VWC预测关键特征
5 cm深度,每周总水分输入、土壤温度、太阳辐射和最低气温为排名前四的特征,共同解释VWC预测变异的49%–65%。每周总水分输入在NCC处理中贡献最大(约21%),高水分输入值与VWC预测值增加呈正相关。土壤温度在豌豆(约19%)和燕麦(约22%)处理中贡献最大,高温通常与VWC预测值降低相关,但燕麦处理中高温反而与VWC增加相关。太阳辐射在PO处理中贡献最大(约24%),高辐射值与VWC降低相关。30 cm深度,土壤温度是各处理中最具影响力的预测因子,单独解释VWC变异的22%–48%,其中PO处理中贡献高达约48%。高土壤温度与VWC预测值增加呈正相关。NCC处理中,日均气温和每周总水分输入合计贡献32.7%的VWC预测变异。
四、讨论与结论
研究讨论指出,覆盖作物在5 cm深度保持较高VWC主要归因于其残体覆盖减少了蒸发损失,而NCC处理因长期休闲缺乏地表覆盖,在高温强风环境下水分损失严重。30 cm深度NCC虽储水较多,但未能转化为更高的PSE和CWP,可能因表层水分胁迫及土壤压实影响了根系吸水效率。PO混合覆盖作物通过禾本科与豆科物种的互补效应——禾本科提供密集冠层覆盖减少蒸发,豆科深根改善土壤孔隙结构、促进水分入渗——实现了最高的降水保蓄效率和作物水分生产力。研究还发现,2023年降水量较30年均值高出17%,覆盖作物终止后充足的降水有效补充了覆盖作物消耗的水分,这为半干旱地区覆盖作物种植提供了有利条件。
SHAP分析揭示了土壤水分调控因子的深度依赖性和处理特异性。表层(5 cm)土壤水分主要受累积水分输入和能量平衡变量调控,而亚表层(30 cm)土壤水分主要受土壤温度调控。覆盖作物通过调节土壤温度缓冲了环境波动对土壤水分的影响,物种间存在差异化响应。研究认为,结合农业知识选取输入变量、保留极端天气指标,有助于提升ML模型在复杂轮作系统中的实用性和解释力。
研究结论表明,在水分受限的半干旱地区,禾本科-豆科混合覆盖作物(PO)较单一覆盖作物或休闲对照更能有效改善表层土壤水分保持、降水储存效率和作物水分生产力。研究同时指出,覆盖作物种植存在短期水分消耗与长期土壤健康改善之间的权衡,其最终效果取决于后续降水补给、土壤结构改善和水分入渗能力的提升。将XGBoost与SHAP集成的方法有效识别了不同深度和处理下调控土壤水分的关键因子,为半干旱地区覆盖作物种类选择和水资源管理策略优化提供了科学依据。研究也承认其局限性,包括单一位点、16个月观测周期、5 cm深度预测精度有限以及时序数据可能存在的自相关性,未来需通过更长时序、多位点数据集进一步验证和优化模型。