基于机器学习算法预测与田间试验验证的棉花水分胁迫诊断指标适用性及阈值优化研究

《Agricultural Water Management》：Applicability, scope, and threshold determination of the cotton water stress characterization index: Prediction based on machine learning algorithms and validated by field experiments

　　本研究针对作物水分胁迫诊断指标适用性不足的问题，通过机器学习算法预测棉花水分胁迫指数(CWSI)和植株水分亏缺指数(PWDI)，结合两年田间试验明确了两个指标的适用条件与阈值。结果表明随机森林(RF)和XGBoost模型预测效果最优，确定了CWSI在Ta-13:00<27°C、PWDI在Ta-13:00>27°C时的适用区间，并优化了蕾铃期诊断阈值。该研究为精准农业水分管理提供了多指标协同诊断新范式。

　　

在全球水资源日益紧缺的背景下，农业灌溉用水效率提升成为保障粮食安全的关键。作物水分状况的精准诊断是实现高效用水的前提，然而现有水分胁迫诊断指标存在明显局限性：基于冠层温度的作物水分胁迫指数(CWSI)对气象波动敏感，而基于蒸腾的植株水分亏缺指数(PWDI)则受土壤水分滞后效应影响。如何确定这些指标在不同环境条件下的适用边界，并建立可靠的诊断阈值体系，成为农业水管理领域的突出难题。

针对这一挑战，中国农业科学院农业环境与可持续发展研究所的研究团队在《Agricultural Water Management》上发表了创新性研究。该研究以新疆膜下滴灌棉花为对象，开创性地将机器学习算法与田间试验相结合，系统探讨了CWSI和PWDI的预测精度、适用条件和阈值确定，为多指标协同的水分诊断提供了新思路。

研究团队采用四年田间试验数据，重点比较了K近邻(KNN)、自适应提升(AdaBoost)、极限梯度提升(XGBoost)和随机森林(RF)四种机器学习算法在预测CWSI和PWDI方面的表现。通过变量重要性分析和二维偏依赖分析，深入解析了各指标对环境因子的响应机制，最终建立了基于生理响应的阈值优化体系。

在技术方法上，研究团队在新疆昌吉试验站开展为期两年的田间试验，设置不同灌溉处理梯度，系统监测了气象因子（气温、蒸汽压亏缺、太阳辐射）、土壤水分动态（根区土壤含水量SWC-RZ）、植株生理参数（叶片温度T_c、茎秆液流V、蒸腾速率T_r）等关键指标。采用机器学习算法进行预测建模，通过SHAP值分析和偏依赖分析揭示变量间复杂关系，最终以叶片含水量(LWC)和蒸腾速率(T_r)为基准优化诊断阈值。

3.1. 模型比较与性能

树模型在预测水分胁迫指数方面表现出显著优势。XGBoost和随机森林(RF)模型在CWSI和PWDI预测中均达到最佳性能，测试集R2分别高达0.919和0.571，显著优于KNN和AdaBoost算法。特别值得注意的是，基于时间序列交叉验证的结果证实了树模型在动态预测中的稳健性，为灌溉决策提供了可靠技术支撑。

3.2. 关键变量与适用条件

变量重要性分析揭示，CWSI预测最关键变量为中午气温(T_a-13:00)、叶片温度(T_c)和蒸汽压亏缺(VPD)，而PWDI预测主要受茎秆液流速率(V)、蒸腾速率(T_r)和太阳辐射(SR)驱动。通过SHAP依赖分析进一步明确了各指标的理想预测区间：CWSI在T_a-13:00<29°C、T_c在24-27°C范围内预测效果最佳；PWDI则在V为3-10 cm·h?1、SR为280-350 W·m?2时最为准确。

3.3. CWSI与PWDI适用区间确定

二维偏依赖分析结果显示，CWSI在T_a-13:00<27°C、SWC-RZ>0.175 cm3·cm?3时诊断效果最佳，而PWDI更适用于T_a-13:00>27°C、SWC-RZ<0.175 cm3·cm?3的条件。这一发现解决了单一指标在不同环境条件下适用性不确定的难题，为多指标协同诊断提供了理论依据。

3.4. 关键生育期水分胁迫阈值优化

基于叶片含水量(LWC)和蒸腾速率(T_r)的响应分析，研究团队优化了各生育期的诊断阈值。结果表明，蕾期和铃期CWSI阈值分别为0.79和0.80，而PWDI在两个生育期统一阈值为0.65。这一优化显著提高了水分胁迫诊断的时效性和准确性，为精准灌溉提供了可靠指标。

研究结论与讨论部分强调，该研究首次建立了机器学习驱动的棉花水分胁迫多指标诊断框架，明确了CWSI和PWDI的适用条件与阈值。通过树模型优越的非线性拟合能力，有效克服了传统方法对经验参数和难以获取变量（如潜在蒸腾速率T_p）的依赖。不确定性分析表明，CWSI模型预测区间覆盖率达86.7%，显著优于PWDI模型，为高风险决策提供了可靠依据。

该研究的创新之处在于将数据驱动与机理认知深度融合，通过机器学习揭示了水分胁迫指标与环境因子的复杂互作关系。提出的"双指标验证"框架不仅提高了诊断准确性，更实现了从单点监测到全过程动态预警的跨越。研究结果对发展智慧农业水分管理技术具有重要指导意义，为构建气候智慧型农业提供了新范式。

然而，研究也指出模型在时间外推和新处理条件下的泛化能力仍有提升空间，未来需要通过多地点、多年度试验进一步验证和优化。随着传感器成本和通信技术的不断发展，这种基于机器学习的诊断方案有望在更大范围内推广应用，为实现农业水资源可持续利用提供科技支撑。