《Agricultural Water Management》：Stratified modeling with layer-adaptive weighted fusion for multi-layer soil moisture prediction in saline arid farmlands
编辑推荐：
研究人员针对盐渍化旱区农田土壤水文过程垂直异质性显著导致多层土壤水分预测精度不足的问题，提出了一种物理一致性的分层混合建模框架。该框架结合深度学习与机器学习方法，依据不同土层的主导驱动机制进行模型设计。利用中国新疆地区8个深度（20–350?cm）的高频原位观
研究人员针对盐渍化旱区农田土壤水文过程垂直异质性显著导致多层土壤水分预测精度不足的问题，提出了一种物理一致性的分层混合建模框架。该框架结合深度学习与机器学习方法，依据不同土层的主导驱动机制进行模型设计。利用中国新疆地区8个深度（20–350?cm）的高频原位观测数据、气象及遥感资料，研究人员首先识别了土壤水分沿剖面的主控因子：浅层（0–60?cm）由能量平衡与植被动态主导，深层（>100?cm）由地下水位控制。在此基础上构建了层次化的TimesNet-随机森林（Random Forest, RF）融合模型，并引入层自适应加权策略，协同捕捉复杂的时间动态与多变量环境交互作用。该框架实现了当前最优的预测精度（如20?cm深度平均绝对误差MAE=0.132?m3?m?3，250?cm深度MAE=0.030?m3?m?3），且基于SHAP（SHapley Additive exPlanations）的可解释性分析验证了预测因子重要性随深度的物理一致性变化。该方法在不依赖复杂层间水力耦合计算的情况下，实现了物理一致的多层土壤水分预测，为数据稀缺旱区提供了稳健且易实施的工具。
本研究发表于《Agricultural Water Management》，聚焦盐渍化旱区农田多层土壤水分预测的物理机制与建模方法。旱区水资源短缺严重制约农业可持续发展，土壤水分作为陆地水循环、能量平衡和生物地球化学过程的关键组分，其精准预测对于灌溉管理、盐渍化防控及气候适应至关重要。然而，现有再分析数据集（如ERA5-Land、GLDAS）在极端干旱、灌溉与盐渍化条件下存在系统性偏差，难以反映局地水文特征；传统陆面模型（Land Surface Model, LSM）受参数不确定性和结构简化限制，无法充分刻画水盐运移与地下水毛细上升过程；纯数据驱动模型缺乏物理可解释性，且未能有效应对土壤剖面的垂直异质性。因此，研究人员旨在构建一种物理一致、分层优化的混合预测框架，以提升旱区多层土壤水分预测的精度与可靠性。
关键技术方法方面，研究人员依托新疆红旗农场棉田的单站原位监测数据（2024年6月至2025年8月，每日尺度，8个土层深度），结合邻近气象站观测及MODIS遥感产品（地表温度LST、归一化植被指数NDVI、实际蒸散量ETa），采用Savitzky-Golay平滑与线性插值构建连续日值序列。分析方法包括Mann-Kendall趋势检验与Sen斜率估计、Pearson相关与偏相关分析以揭示垂直分层的驱动机制；模型构建方面，以Lag-Llama单变量时间序列模型为基准，提出分层TimesNet-RF融合框架，按0–60?cm、100–200?cm、250–350?cm划分子系统并配置差异化输入变量，采用验证集网格搜索优化层自适应加权系数；利用SHAP方法进行模型可解释性验证，并采用DISO（Distance between Indices of Simulation and Observation）综合指标与连续排名概率得分CRPS（Continuous Ranked Probability Score）进行多维性能评估。
研究结果分为以下部分：
再分析数据集适用性评价：DISO三维评估显示，ERA5-Land在全部土层的综合表现优于GLDAS，其CC更接近观测值，NAE与NRMSE更低，尤其在100–200?cm深度优势明显，但仍存在深度依赖性偏差，凸显局地定制模型的必要性。
长期趋势分析：1950–2025年ERA5-Land数据显示，浅层（0–7?cm、7–28?cm）土壤水分呈弱增加趋势且年际波动大，深层（28–100?cm、100–289?cm）则呈显著增加趋势且波动平缓；气象变量呈显著增温、蒸发力增强、降水微弱增加的格局，配合MODIS数据的NDVI显著上升与ETa高波动，反映植被活动增强可能消耗深层土壤水分。
变量关系探索：原位观测表明，浅层土壤水分波动剧烈、分布宽且多峰，深层则变化平缓、分布窄且单峰；相关与偏相关分析证实，浅层受温度与蒸散主导，中层受植被与地下水共同影响，深层主要受地下水位控制，降水直接影响不显著。
Lag-Llama预测能力评估：该模型在深层表现良好，浅层误差较大，验证了深层低频动态可由时间模式单独捕捉，而浅层需引入外部驱动因子。
分层建模策略预测性能：TimesNet-RF融合模型在各层均达到最优或接近最优精度，浅层以TimesNet为主，中层与深层融合效果显著提升，尤其在200?cm深度MAE降至0.0353?m3?m?3。
SHAP可解释性分析：重要性排序与物理机制高度一致——浅层NDVI与LST最重要，中层地下水埋深GW Depth重要性上升，深层GW Depth占绝对主导。
讨论部分指出，ERA5-Land的优势源于其针对旱区的参数优化，而GLDAS因通用性假设难以捕捉盐渍化与浅地下水交互过程；垂直分层机制表现为从表层的大气强迫主导向深层地下水主导的过渡，其中100–200?cm层存在植被-地下水协同效应，棉花根系的水分再分配作用显著；TimesNet-RF融合框架通过分层权重实现时间动态与物理驱动的自适应平衡，SHAP结果与统计物理分析高度吻合，增强了模型的物理一致性与可信度。
结论部分总结，该研究阐明了盐渍化旱区多层土壤水分的垂直驱动机制，提出的分层混合框架兼顾高精度与可解释性，为旱区可持续灌溉与地下水管理提供了可靠工具，并具有推广至其他数据稀缺区域的潜力。
