面向决策的花生根区土壤水吸力预测与校准阈值超限预警研究

《Smart Agricultural Technology》:Decision-oriented root-zone soil water tension forecasting and calibrated threshold-exceedance alerting for smart irrigation in peanut production

【字体: 大 中 小 】 时间:2026年09月21日 来源:Smart Agricultural Technology 7.1

编辑推荐:

  摘要专业翻译 持久性(Persistence)模型为根区土壤水吸力预测提供了强有力的基线。预测误差指标与阈值超限指标给出了不同的模型排序。分块自助法(block-bootstrap)区间量化了预测与预警性能的不确定性。转换评估(transition evalu

  
摘要专业翻译 持久性(Persistence)模型为根区土壤水吸力预测提供了强有力的基线。预测误差指标与阈值超限指标给出了不同的模型排序。分块自助法(block-bootstrap)区间量化了预测与预警性能的不确定性。转换评估(transition evaluation)区分了即将发生的阈值跨越与已存在的超限状态。直接分类器估计了近期阈值超限概率。本研究评估了168小时根区土壤水吸力(soil water tension, SWT)预测与阈值超限预警,使用了四个生长季的多深度传感器测量数据,研究对象为灌溉花生。研究人员构建了一个平滑操作性根区SWT目标(smoothed operational root-zone SWT target, SOFT),由10、30和50 cm深度测量值合成。采用留出季(held-out-season)设计,评估了持久性模型、长短期记忆序列到序列模型(long short-term memory, LSTM)、时序融合Transformer(Temporal Fusion Transformer, TFT)、PatchTST以及TCN–TFT混合模型。阈值超限预警在45和70 kPa两个阈值下进行评估,预警窗口为排除6小时间隔后的48小时区间。转换特定评估区分了即将发生的阈值跨越与已处于超限状态的情形,直接时序卷积分类器(temporal convolutional classifier)用于估计超限概率。

论文解读

一、研究背景与问题

精准灌溉调度不仅需要了解当前根区土壤水分状况,更需要提前获取根区土壤干燥趋势的预测信息。蒸散法为估算作物需水量提供了基础,而基于传感器的系统则支持田间监测与灌溉调度。土壤水吸力(soil water tension, SWT)反映了根系提取水分所需施加的力,可依据作物、土壤及灌溉系统特定标准进行解读。此前在相同研究地点开展的花生研究已评估了SWT触发水平。由于SWT动态随深度和湿润或干燥事件而变化,多深度记录需要先进行根区整合表示,才能支持基于阈值的决策。对于花生种植者和灌溉管理者而言,预测即将接近的阈值可为检查传感器趋势、考虑预期降雨和规划灌溉响应提供时间窗口。
已有研究考察了与灌溉管理相关的不同预测目标,包括土壤水分预测、蒸气压亏缺预测以及作物系统建模等。然而,点误差指标如平均绝对误差和均方根误差并不能完全描述基于阈值的预警性能。平均轨迹误差较低的模型未必能提供对未来阈值超限的最佳判别能力,特别是在正事件不常见的情况下。农业传感器记录存在时间依赖性,持久性模型可构成具有挑战性的基线。预测变量构建、模型选择和校准因此需要明确处理信息可用性和时间划分问题。

二、研究内容与主要结论

本研究利用2022至2025年四个花生生长季的多深度测量数据,评估了168小时根区SWT预测与阈值超限预警性能。研究地点为美国佐治亚大学Stripling灌溉研究公园(Stripling Irrigation Research Park, SIRP)。源试验为随机完全区组裂区设计,包含三个区组、八种灌溉SWT调度处理及一个雨养对照。研究仅分析了Georgia-06G品种行的传感器记录,品种未作为模型输入、分层变量或推断因子。研究构建了平滑操作性根区SWT目标(SOFT),由10、30和50 cm深度的原始非填补测量值经中位数聚合及右对齐滑动3小时中位数平滑而成。采用留出季设计,以2025年作为留出季进行评估。评估的模型包括持久性模型、长短期记忆序列到序列模型(LSTM)、时序融合Transformer(TFT)、PatchTST以及TCN–TFT混合模型。阈值超限预警在45和70 kPa两个阈值下进行评估,预警窗口为排除6小时间隔后的48小时区间。
研究得出以下主要结论:持久性模型为根区SWT预测提供了强有力的基线;预测误差指标与阈值超限指标给出了不同的模型排序;分块自助法区间有效量化了预测与预警性能的不确定性;转换特定评估能够区分即将发生的阈值跨越与已存在的超限状态;直接时序卷积分类器能够估计近期阈值超限概率。

三、关键技术与方法

研究人员采用了以下主要技术方法:一是SOFT目标构建方法,基于10、30和50 cm三个深度原始SWT测量值的中位数聚合及右对齐滑动中位数平滑,确保目标序列与填补后的输入表示相互独立;二是多深度传感器数据预处理流程,包括不规则亚小时记录的小时规则化、短间隙因果前向填补(最长3小时)及列中位数回溯填补;三是多种深度学习预测模型,包括LSTM序列到序列模型、Temporal Fusion Transformer、PatchTST及TCN–TFT混合模型;四是留出季验证设计,以2025年作为独立评估季;五是分块自助法(block-bootstrap)用于量化预测和预警性能的不确定性区间;六是转换特定评估方法,区分即将发生的阈值跨越与已存在的超限状态;七是直接时序卷积分类器用于估计阈值超限概率;八是校准变换应用于校准集和测试集特征。数据来源包括SWT传感器(Watermark颗粒基质传感器配合RealmFive遥测)、站点气象站日观测数据、灌溉日志及种植日期记录。

四、研究结果

4.1 预测误差与阈值超限指标排序差异

研究通过对比预测误差指标和阈值超限指标发现,两种指标给出了不同的模型排序。低平均轨迹误差的模型并不一定提供对未来阈值超限的最佳判别能力,特别是在正事件不常见的情况下。这表明仅依赖点误差指标评估模型性能可能不足以反映基于阈值的决策支持能力。

4.2 持久性基线强度

持久性模型为根区SWT预测提供了强有力的基线。由于农业传感器记录存在时间依赖性,持久性模型构成了具有挑战性的比较基准,深度学习模型需要在此基线上展示显著的性能优势。

4.3 分块自助法不确定性量化

研究采用分块自助法区间量化了预测和预警性能的不确定性。该方法考虑了时间序列数据的时间依赖性特征,为预测误差和预警性能指标提供了不确定性估计,增强了评估结果的统计可靠性。

4.4 转换特定评估

转换特定评估方法区分了即将发生的阈值跨越与已存在的超限状态。这一区分对于灌溉决策具有重要意义,因为即将发生的跨越需要主动干预,而已存在的超限状态可能需要不同的管理响应。

4.5 直接分类器概率估计

直接时序卷积分类器能够估计近期阈值超限概率。与从轨迹预测中间接推导超限事件不同,直接分类器以阈值超限为目标进行训练,提供了更直接的预警概率估计。

五、讨论与结论

本研究的讨论部分指出,点误差指标不能完全描述基于阈值的预警性能,预测误差指标与阈值超限指标应结合使用以全面评估模型性能。研究强调了对信息可用性和时间划分进行显式处理的重要性。SOFT目标被明确定义为操作性聚合表示而非机制性根吸水模型,45和70 kPa阈值被界定为研究特定参考阈值而非普适生理胁迫边界。研究还指出,该分析属于季节留出回溯性评估而非验证过的实时部署。
研究结论表明,面向决策的根区SWT预测与阈值超限预警需要同时考虑轨迹预测精度和阈值事件判别能力。持久性模型作为强基线,深度学习模型需要在阈值超限判别方面展示优势。转换特定评估和直接分类器为灌溉预警提供了有价值的工具,分块自助法区间为性能评估提供了不确定性量化手段。该研究支持在灌溉管理中采用多指标联合评估的预测预警框架。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号