这篇文档属于类型a,即报告了一项原创性研究。以下是针对该研究的学术报告:
作者及机构
该研究由西北农林科技大学水利与建筑工程学院及中国旱区农业节水研究院的李尧、刘江舟、刘轩昂、赵政鑫、彭雄标、蔡焕杰共同完成,发表于《农业机械学报》2025年第56卷第5期,DOI号为10.6041/j.issn.1000-1298.2025.05.051。
学术背景
研究领域为农业水文学与作物生理生态交叉学科,聚焦于农田实际蒸散量(actual evapotranspiration, ETa)的精准模拟。ETa是农田水循环的核心指标,直接影响灌溉制度制定与水资源管理。传统Penman-Monteith(P-M)模型依赖完整气象数据,且FAO-56推荐的作物系数未充分考虑土壤与作物动态变化,导致半干旱区应用受限。近年来,日光诱导叶绿素荧光(solar-induced chlorophyll fluorescence, SIF)作为光合作用替代参数,与ETa的潜在关联引发关注,但直接利用SIF构建机器学习模型的研究较少。本研究旨在探索气象数据缺失时,结合SIF与多源数据(气象、土壤、作物生理)的机器学习模型对冬小麦ETa的模拟效果。
研究流程
1. 数据采集与预处理
- 研究区与对象:试验于2020—2022年在陕西关中平原冬小麦田进行,监测两个完整生育期(播种至成熟)。
- 数据来源:
- 气象与ETa:开放路径涡度相关系统(OPEC)和气象站获取逐日ETa、温度、湿度等数据,能量闭合度符合FLUXNET标准。
- SIF:采用六通道塔基SIF仪器(AutoSIF-2-8型),光谱范围645—805 nm,通过奇异向量分解(SVD)法反演740—780 nm波段日均SIF值。
- 土壤与作物:介电常数计测量土壤含水率与温度,冠层分析仪(LAI-2200C)测定叶面积指数(LAI)。
- 特征参数:共8项,包括4项气象指标(平均温度、相对湿度、风速、日照时数)、2项土壤指标(含水率、温度)、LAI及SIF,均经标准化处理。
模型构建与验证
对比分析
主要结果
1. SIF与ETa的关系
- SIF与ETa的Pearson和Spearman相关系数分别为0.80和0.81,但仅用SIF构建的模型R²最高仅0.70(LR),表明单一参数预测能力有限。
特征重要度与模型优化
模型对比
结论与价值
1. 科学意义
- 证实SIF通过耦合光合与蒸腾过程提升ETa预测精度,为生态水文模型提供了新参数。
- 提出“温度-SIF-日照时数-LAI-土壤含水率”五参数特征集,平衡数据获取成本与模型精度。
研究亮点
1. 方法创新:首次将SIF与多源数据结合构建ETa机器学习模型,验证了SIF在蒸散发模拟中的独立贡献。
2. 技术整合:开发了基于AutoSIF的田间SIF监测协议,解决了通量足迹与光谱采样的空间匹配问题。
3. 实践指导:明确五参数特征集的适用性,降低数据收集难度,适合资源有限地区。
其他发现
- 土壤水热指标重要度低(<0.1),与研究区降水充足有关,暗示干旱胁迫下其贡献可能变化,需进一步验证。
此报告系统梳理了研究的学术逻辑与技术细节,突出了跨学科方法创新与实用价值,可为相关领域研究者提供参考。