以色列研究：机器学习精准预测作物日耗水量

快速阅读: 据媒体报道，以色列希伯来大学研究团队利用七年温室数据训练出机器学习模型，可精准预测作物日蒸腾量，R²达0.82，并通过识别偏离正常值的情况，早期发现干旱或病害等胁迫，为智能灌溉与节水农业提供新路径。

以色列一项新研究显示，机器学习模型有望为农业生产提供更精准的作物日耗水量预测方法，并为早期发现植物胁迫奠定基础。

该研究聚焦植物蒸腾作用——即水分通过叶片蒸发的过程，这是衡量作物实际用水量的关键指标。目前多数灌溉规划依赖天气或土壤湿度等间接数据，而非植物自身的生理反应。由耶路撒冷希伯来大学教授梅纳赫姆·莫舍利翁指导，沙尼·弗里德曼与尼尔·阿韦布赫主导的研究团队，在半商业化温室中连续七年采集番茄、小麦和大麦的高分辨率观测数据，并借助高精度称重式蒸渗仪系统，实时记录植株重量的微小变化，从而直接、精确地测定每日蒸腾量。

基于这一长期且个体化的数据集，研究人员首次以健康、充分灌溉植株的实际生理行为训练机器学习模型，而非依赖环境代理变量。他们采用随机森林和XGBoost等算法，使模型能够跨作物准确预测日蒸腾量。在独立测试中，XGBoost模型的R²值达到0.82，即便在不同气候条件及实验设施下仍保持良好泛化能力，表明其捕捉的是植物共有的生理信号。

研究发现，植株生物量和日均温度是影响耗水量的两个关键因素。由于模型可预测健康植株在特定条件下的正常表现，任何显著偏离即可作为早期胁迫预警，包括干旱、盐碱、病害或根系损伤等，往往早于可见症状出现。

尽管当前方法依赖科研级蒸渗仪设备，尚难直接用于田间，但其理念为未来开发基于植物生理的智能灌溉工具指明了方向。短期内，该模型适用于科研与可控种植环境，有助于优化温室管理并验证灌溉算法；长期来看，结合实用传感器后，有望支撑节水型精准农业，提升水资源利用效率。

(以上内容均由Ai生成)

引用自：ANI新闻社