《Agricultural Water Management》：Opposite responses of water use efficiency and carbon use efficiency to agricultural drought during winter wheat growth period in the core area of grain production in the ancient course of Yellow River
编辑推荐：
本研究针对滴灌猕猴桃气孔导度(gs)精准模拟的难题，通过三年田间观测试验，并行开发了三种Jarvis型经验模型和五种机器学习算法。研究发现VPD是gs变化的主控因子，改进的JV2模型通过引入阶段特异性非线性土壤水分响应函数显著提升模拟精度，CatBoost模型结合SHAP分析则展现出最优预测性能与可解释性，为果园精准灌溉提供了可靠理论支撑。
随着全球气温升高和干旱事件频发，农业系统在维持作物生产力和水分利用效率方面面临前所未有的挑战。气孔作为叶片表面调节蒸腾作用的微孔，是植物与大气之间关键的生理界面。气孔导度(gs)作为衡量气孔开度的指标，被广泛认为是植物水分状况和干旱响应的重要指标。准确模拟gs对于土地表面和作物生长模型中的植物-大气相互作用模拟至关重要。
在农业生态系统中，特别是在水分受限条件下，可靠的gs建模增强了蒸散估算精度，支持精确灌溉策略的制定。猕猴桃是一种重要的经济水果作物，以其高营养价值和独特风味而闻名。中国贡献了全球超过40%的猕猴桃种植面积，其中一半以上位于中国南方，那里季节性干旱和灌溉水可用性波动是常见现象。
然而，当前研究存在明显空白：虽然气孔导度建模在葡萄和苹果等其他水果作物方面已取得进展，但猕猴桃gs对环境因子和土壤水分含量(SWC)的响应机制仍知之甚少。先前对猕猴桃的研究主要关注产量和品质对水分亏缺的响应，对气孔行为的机制建模关注有限。这一空白限制了水分管理策略的优化，并削弱了蒸散估算、碳同化模拟和生态生理建模的准确性。
为解决这一问题，研究人员在四川省成都市猕猴桃实验站开展了为期三年的田间试验，针对八年生'金艳'猕猴桃实施了五种灌溉处理（全灌溉对照和四种亏缺灌溉水平）。研究通过便携式光合作用系统同步测量了gs和关键环境驱动因子，并采用剖面探头监测土壤水分含量。
研究采用了边界线分析方法来定义gs与SWC之间的功能关系，开发了改进的Jarvis型经验模型，并评估了五种机器学习算法（XGBoost、LightGBM、CatBoost、SVR和LR）的性能。通过SHapley Additive exPlanations (SHAP) 和部分依赖图(PDPs)分析，揭示了各环境变量对gs的影响机制。
主要技术方法包括：基于年份分组的三折交叉验证设计，避免时间自相关和信息泄露；边界线分析确定gs与SWC的阶段性响应关系；Jarvis型模型参数优化采用约束非线性优化；机器学习模型输入变量归一化处理，采用手动调整策略进行超参数调优；性能评估使用R2、RMSE和MAE等指标。
3.1. 亏缺滴灌下猕猴桃土壤水分含量和气孔导度的变化
研究发现，亏缺灌溉显著降低了猕猴桃的gs，且在阶段II敏感性最为明显。SWC随灌溉水平增加而增加，与CTL相比，亏缺灌溉使阶段I-IV的SWC平均降低了2.6-17.1%。gs在生长周期中呈现略微增加趋势，阶段I-IV的范围分别为0.04-0.79、0.06-0.89、0.08-0.97和0.08-0.90 mol m-2s-1。
3.2. 气孔导度的多重共线性和环境控制
方差膨胀因子(VIF)分析显示，PAR和SWC在所有生长阶段均无显著共线性，而Ta和VPD在阶段I-III表现出较高的VIF值(6.14-9.14)，反映了它们固有的大气耦合特性。单因素方差分析表明，Ta、VPD和SWC对所有生长阶段的gs均有显著影响(p < 0.05)，而PAR在阶段II的影响不显著。在整个季节中，VPD对gs的控制最强，效应大小(η2)为0.43-0.51，其次是Ta(η2= 0.25-0.50)和SWC(η2= 0.17-0.27)。
3.3. 气孔导度的经验建模
3.3.1. 最大气孔导度的土壤水分阈值边界线分析
边界线分析揭示了gs与SWC之间的非线性关系。在低SWC范围内，最大gs随SWC增加而线性增加；当SWC超过阈值SWCt时，最大gs保持相对稳定。阶段I-IV的SWCt值分别为0.311、0.322、0.331和0.326 cm3cm-3，拟合的gsmax分别为0.755、0.815、0.890和0.831 mol m-2s-1。
3.3.2. 通过纳入土壤水分响应函数改进Jarvis型模型
将土壤水分响应函数纳入Jarvis模型显著提高了gs估算精度。JV2模型通过引入非线性饱和约束，在所有生长阶段均表现出最佳的预测性能，测试R2为0.736-0.814，RMSE为0.070-0.082 mol m-2s-1。与JV模型相比，JV2模型在极端SWC条件下产生的相对残差更接近零，表明其具有更好的泛化性能。
3.4. 使用机器学习的气孔导度建模和解释
3.4.1. 使用机器学习算法估算气孔导度
在五种机器学习模型中，基于梯度提升决策树的集成模型明显优于传统机器学习算法。CatBoost在所有生长阶段 consistently 表现出最高的预测精度和泛化能力，测试R2为0.815-0.839，RMSE为0.065-0.076 mol m-2s-1。将SWC纳入模型后，所有机器学习算法的拟合优度均提高，预测误差降低。CatBoost在包含SWC后，测试R2提高了0.115-0.239，RMSE和MAE分别降低了0.019-0.035和0.010-0.025 mol m-2s-1。
3.4.2. 通过SHAP和部分依赖分析进行特征归因和生理学意义阐释
SHAP分析表明，在不同输入情景下，VPD始终是影响gs变异的最主要因子。当纳入SWC作为输入变量时，VPD和SWC的SHAP值差异较小，表明大气蒸腾需求和土壤水分有效性在调节猕猴桃气孔行为中具有互补作用。部分依赖图显示，gs对PAR的响应在低光强下迅速增加后趋于平缓；对Ta呈不对称单峰响应；对VPD表现出强烈的负效应，超过1.5-2.0 kPa阈值后gs急剧下降；对SWC则呈现正边际效应，在干燥条件下增加最明显，随后在较湿土壤条件下逐渐趋于稳定。
4. 讨论
本研究通过开发改进的Jarvis型经验模型和机器学习模型，模拟了不同SWC条件下猕猴桃的gs。改进的JV2模型在保持结构透明度和生理可解释性的同时，实现了可接受的估算精度。相比之下，CatBoost在不同生长阶段表现出优异的预测性能和适应性。这些结果表明，在可获得可靠环境和土壤水分数据的果园中，两种建模方法都能有效支持猕猴桃生产中gs的准确估算和调控。
研究确定的阶段特异性SWC阈值为优化灌溉调度提供了直接的生理参考。估算的gs值可以与gsmax进行基准比较以评估植物水分状况，或与蒸散模型耦合以提高水通量模拟的准确性。这种多方面的方法提供了可靠的生理参考，推动了超越传统仅基于SWC监测的灌溉方法。
然而，该模型是使用单一地点和品种的数据开发的，这可能限制其在不经过适当重新校准的情况下直接应用于其他地区或猕猴桃品种。此外，尽管机器学习模型表现出强大的性能，但它依赖于可能在生产环境中不一致可获得的高质量多变量输入数据。
5. 结论
本研究调查了滴灌猕猴桃gs对亏缺灌溉的阶段特异性响应，并评估了改进的经验模型和机器学习模型在变化土壤水分条件下模拟gs的性能。主要结论如下：
亏缺灌溉显著降低了猕猴桃的gs，且gs对不同生长阶段的SWC表现出不同的阶段特异性响应。在阶段I和II，gs对SWC降低表现出更高的敏感性。
将土壤水分响应函数纳入Jarvis型模型显著提高了gs预测性能。引入非线性饱和约束的JV2模型实现了最高的预测精度，并有效减少了系统偏差。
在五种评估的机器学习模型中，CatBoost consistently 优于经验模型和其他机器学习模型，在所有阶段均获得最高的R2和最低的RMSE。SHAP分析和PDP进一步揭示VPD是gs变异的最主要驱动因子，其次是SWC，而PAR和Ta的贡献中等至有限。
总体而言，改进的JV2模型显著增强了gs估算，而CatBoost表现出优异的预测性能，通过SHAP分析和PDP提供了增强的可解释性。这些发现为在水分受限条件下准确建模和调控猕猴桃gs奠定了坚实基础。
