在陸地生態(tài)系統(tǒng)的水循環(huán)中，蒸散是連接地表與大氣水分和能量交換的關鍵途徑。尤其對于農田生態(tài)系統(tǒng)而言，準確估算作物的實際蒸散量，不僅有助于理解作物水分利用效率，還能為農業(yè)水資源管理和干旱應對提供科學依據(jù)。然而，現(xiàn)有的估算方法卻面臨諸多挑戰(zhàn)：

（1）傳統(tǒng)氣象模型：理論基礎扎實，但依賴完整的氣象數(shù)據(jù)，且難以捕捉植被光合作用的生理過程；

（2）遙感指標局限性：太陽誘導葉綠素熒光（SIF）雖能直接反映光合活性，但在水分脅迫下存在響應滯后；光化學反射指數(shù)（PRI）能靈敏跟蹤短期脅迫響應，但鮮少被納入機器學習模型中；

因此，如何融合多源數(shù)據(jù)，利用深度學習挖掘氣象與生理指標的協(xié)同價值，成為了提高實際蒸散量（ETc act）估算精度的新途徑。近期，西北農林科技大學蔡煥杰老師的團隊聯(lián)合沈陽大學和石河子大學的團隊在《Agricultural Water Management》期刊發(fā)表最新研究成果，該研究通過融合SIF、PRI與氣象要素，結合時間卷積網(wǎng)絡和SHAP可解釋性分析，系統(tǒng)揭示了多源數(shù)據(jù)在水分脅迫下對作物實際蒸散量的協(xié)同作用機制。該成果不僅為精準估算農田蒸散提供了新的技術路徑，也為理解作物在水分脅迫下的生理響應機制、優(yōu)化農業(yè)水資源管理提供了科學支撐。

圖1.楊凌野外試驗基地概況。注：(a) 顯示了楊凌研究基地在中國西北部的具體位置。(b-f) 展示了本研究中使用的光合速率相關指標、通量和氣象數(shù)據(jù)的測量系統(tǒng)。

研究區(qū)域：2021年10月15日至2024年6月8日，以陜西省西北農林科技大學農業(yè)水土工程重點實驗室的冬小麥農田為研究區(qū)域，開展了為期三年的冬小麥田間實驗；

監(jiān)測指標：連續(xù)測量水通量、CO2濃度、水汽密度、凈輻射（Rn）、氣溫（Tair）、相對濕度（RH）、風速（WS）及不同深度土壤含水量（SWC）、SIF等指標，并通過冠層反射率計算光化學反射指數(shù)（PRI）；

為了補充SIF和PRI測量，使用ASD FieldSpec 4地物光譜儀同時記錄冠層反射率；

光譜性能：

光譜范圍：350~2500 nm；

光譜分辨率：3 nm@700 nm，6 nm@1400 nm和2100 nm；

光譜通道數(shù)：2151 nm；

最后，對數(shù)據(jù)進行預處理，構建隨機森林（RF）、支持向量回歸（SVM）等機器學習模型，以及LSTM、時間卷積網(wǎng)絡（TCN）等深度學習模型，結合交叉驗證優(yōu)化超參數(shù)。并引入SHAP方法對最優(yōu)模型進行可解釋性分析，量化各驅動因子在不同水分條件下的貢獻機制。

圖2.2021年至2024年氣象和光譜因素與ETc act之間的相關性。

圖3.氣象和光譜因子與ETc act的相關性在干旱和非干旱條件下起作用。

圖4.不同模擬情景下模型估計準確度的比較。

圖5.最優(yōu)情景下模型估算性能的比較。

圖6.基于SHAP的TCN模型在最優(yōu)情景（S2）下對干旱和非干旱條件下特征貢獻的比較。