研究背景
在陆地生态系统的水循环中，蒸散是连接地表与大气水分和能量交换的关键途径。尤其对于农田生态系统而言，准确估算作物的实际蒸散量，不仅有助于理解作物水分利用效率，还能为农业水资源管理和干旱应对提供科学依据。然而，现有的估算方法却面临诸多挑战：
（1）传统气象模型：理论基础扎实，但依赖完整的气象数据，且难以捕捉植被光合作用的生理过程；
（2）遥感指标局限性：太阳诱导叶绿素荧光（SIF）虽能直接反映光合活性，但在水分胁迫下存在响应滞后；光化学反射指数（PRI）能灵敏跟踪短期胁迫响应，但鲜少被纳入机器学习模型中；
因此，如何融合多源数据，利用深度学习挖掘气象与生理指标的协同价值，成为了提高实际蒸散量（ETc act）估算精度的新途径。近期，西北农林科技大学蔡焕杰老师的团队联合沈阳大学和石河子大学的团队在《Agricultural Water Management》期刊发表研究成果，该研究通过融合SIF、PRI与气象要素，结合时间卷积网络和SHAP可解释性分析，系统揭示了多源数据在水分胁迫下对作物实际蒸散量的协同作用机制。该成果不仅为精准估算农田蒸散提供了新的技术路径，也为理解作物在水分胁迫下的生理响应机制、优化农业水资源管理提供了科学支撑。
图1.杨凌野外试验基地概况。注：(a) 显示了杨凌研究基地在中国西北部的具体位置。(b-f) 展示了本研究中使用的光合速率相关指标、通量和气象数据的测量系统。
研究方法
研究区域：2021年10月15日至2024年6月8日，以陕西省西北农林科技大学农业水土工程重点实验室的冬小麦农田为研究区域，开展了为期三年的冬小麦田间实验；
监测指标：连续测量水通量、CO2浓度、水汽密度、净辐射（Rn）、气温（Tair）、相对湿度（RH）、风速（WS）及不同深度土壤含水量（SWC）、SIF等指标，并通过冠层反射率计算光化学反射指数（PRI）；
为了补充SIF和PRI测量，使用ASD FieldSpec 4地物光谱仪同时记录冠层反射率；
光谱性能：
光谱范围：350~2500 nm；
光谱分辨率：3 nm@700 nm，6 nm@1400 nm和2100 nm；
光谱通道数：2151 nm；
对数据进行预处理，构建随机森林（RF）、支持向量回归（SVM）等机器学习模型，以及LSTM、时间卷积网络（TCN）等深度学习模型，结合交叉验证优化超参数。并引入SHAP方法对模型进行可解释性分析，量化各驱动因子在不同水分条件下的贡献机制。
图2.2021年至2024年气象和光谱因素与ETc act之间的相关性。
图3.气象和光谱因子与ETc act的相关性在干旱和非干旱条件下起作用。
图4.不同模拟情景下模型估计准确度的比较。
图5.较优情景下模型估算性能的比较。
图6.基于SHAP的TCN模型在较优情景（S2）下对干旱和非干旱条件下特征贡献的比较。
研究结果
（1）驱动因子相关性分析：
整体驱动因子：Rn>SIF>Tair>RH>PRI；
非水分胁迫条件驱动因子：Rn>SIF>Tair>RH>PRI>WS；
水分胁迫条件：RN> PRI>SIF>RH>Tair>WS；
（2）较优特征组合的确定：
较优特征组合：情景S2（Rn + SIF + PRI + Tair）在特征维度与估算精度之间达到了平衡；
（3）模型性能对比：
时序卷积网络（TCN）在蒸散量估算中表现较好，其次是LSTM、RF、SVM、GB；
（4）可解释性分析揭示生理机制：
非干旱条件：ETc act主要由Rn和SIF驱动，能量供应与光合活性是核心；
水分胁迫条件：PRI的贡献度显著上升，成为第二重要变量，表明PRI在水分胁迫下对生理反应的捕捉作用更加显著；
生理机制：干旱诱导气孔关闭→光合电子传递受限→过剩光能通过叶黄素循环耗散→PRI灵敏下降→与蒸散降低同步；
结语
本研究通过融合气象数据与光谱指标（SIF、PRI），构建可解释的深度学习框架，实现了水分胁迫下作物实际蒸散量的高精度估算。结果表明，TCN 模型性能卓越，且 PRI 在干旱条件下具有关键互补价值。该成果不仅揭示了多源指标协同驱动蒸散的生理机制，也为作物水分效率监测提供了新技术路径。未来可进一步拓展至多站点、多作物类型，结合高分辨率卫星遥感数据，推动区域尺度蒸散估算模型的普适化发展。
发表期刊：Agricultural Water Management【影响因子：6.5】
研究单位：西北农林科技大学、沈阳大学、石河子大学
研究地点：陕西省西北农林科技大学农业水土工程重点实验室的冬小麦农田
使用设备：ASD FieldSpec 4地物光谱仪
DOI：https://doi.org/10.1016/j.agwat.2026.110223
