与零样本时间序列基础模型

《Informatics》：Mapping Sub-Field Crop Water Use Dynamics Using OpenET Data and Zero-Shot Time-Series Foundation Model

　　

精准农业日益依赖高分辨率、长时序的遥感技术来划分子田管理区。然而，传统的空间分区方法假设时间平稳性，采用季节性累积值，从而掩盖了瞬态的年内胁迫信号。本研究开发了一种数据驱动的框架，通过整合OpenET提供的月度30米分辨率蒸散发（Evapotranspiration, ET）数据（2000–2025年）与零样本时间异常检测技术，以表征持续性与非平稳性的作物水分利用动态。预训练的时间序列基础模型Chronos-T5-Small为子田ET生成了反事实期望，并使用基于平均绝对误差（Mean Absolute Error, MAE）的异常评分量化偏差。这些异常评分与纵向ET指标的无监督聚类将景观划分为动态的生物物理状态。与基于季节性总量计算的遗留持续性图谱进行交叉比对后，该基础模型在识别869个共享活跃像素中的长期受限区域方面表现出强方向性一致（86.1%，Cohen's Kappa = 0.716）。关键的是，该框架识别出966个历史上曾具持续性的像素正经历稳定性衰减，其中95.3%通过配对t检验被统计验证为已塌陷至田间基线方差池。此外，反事实异常检测分离出近期急性偏离的片区，将持久性的土壤性约束与突发性系统扰动区分开来。该方法展示了基础模型如何从纯粹的预测引擎转变为诊断工具，从而推动精准农业的 operational 应用。

亚田块作物水分利用动态精准映射研究——基于OpenET数据与零样本时序基础模型的创新框架

研究背景与问题提出。精准农业的核心前提是农田具有内在的空间异质性，土壤属性、地形条件及历史管理措施共同驱动作物生长的空间差异性。蒸散发（Evapotranspiration, ET）作为连接植物生理过程与陆地–大气能量交换的物理指标，已成为表征田内变异、评估灌溉需求及识别水分胁迫区域的关键遥感变量。OpenET多模型集合平台提供的30米分辨率月度ET数据，显著拓展了公开ET数据的时间深度与空间分辨率。然而，现有基于季节性ET总量聚合的持续性分析方法虽能有效识别长期稳定的田内管理分区，但其隐含的"时间平稳性"假设存在根本性局限。现代农业系统中，灌溉机械老化、生物胁迫爆发或极端环境事件等非平稳扰动可导致历史持续性模式发生衰减、迁移或完全崩溃，而季节性聚合方法因平滑了次季节方差，无法捕捉这些瞬态扰动与新兴胁迫信号，直至其表现为永久性产量损失。这一局限性凸显了精准农业中尚未满足的关键需求：实时检测偏离预期系统行为的急性偏差，以实现运行故障的早期识别。

与此同时，机器学习技术为农业分析提供了新的路径，但传统监督学习范式依赖大规模标注数据集，限制了其在多样农业生态区域的泛化能力；传统时序预报模型亦难以捕捉气候–作物相互作用的非线性复合动态。近期涌现的时间序列基础模型（Time-Series Foundation Model），如谷歌TimeFM与亚马逊Chronos，具备从大规模多样化训练语料中学习泛化时序动态的能力，并可对全新时间序列进行无需领域特定微调（fine-tuning）的零样本（zero-shot）预报。与传统方法不同，这类模型可基于历史数据生成像素级行为的反事实期望，将实际观测与之对比，从而诊断当前状态是否发生结构性转变而非简单预测未来。

研究目标与核心问题。本研究旨在构建一个无需标注训练数据的数据驱动框架，通过整合2000–2025年月度OpenET数据与零样本时序异常检测，同时刻画稳定的亚田块管理分区及其非平稳性崩溃过程。具体研究问题为：长期月度卫星ET数据能否在无标注条件下同时映射稳定管理分区并通过非平稳性分析检测其衰败？

研究区域与方法体系。研究区位于美国爱达荷州鲁珀特市附近的爱达荷农业、食品与环境中心（Idaho CAFE）可持续水土健康示范农场，包含四个中心支轴式灌溉农田。该区域属半干旱气候，年平均降水量约280毫米，农业生产依赖斯内克河灌溉与地下水补给。

数据预处理方面，研究人员提取了2000–2025年生长季（4–10月）的月度ET时间序列，每个像素年均7个观测值，总计175个时间步。为剥离宏观气候变异、凸显局地土壤与管理约束，将原始ET标准化为无量纲相对蒸散发（relative ET, relET），即像素ET与同时间步田间均值的比值。

历史基线刻画采用三个纵向统计指标：（1）长期蒸腾能力（μ_relET），即时间算术均值，表征土壤–冠层系统维持水分通量的固有能力；（2）系统稳定性（σ_relET），即时间标准差，量度环境方差敏感性；（3）时间持续性（P_temp），通过一阶自相关计算，测度土壤的自回归记忆特征（如深层黏土 vs. 高排水性砂土）。

零样本时间异常检测是方法核心。研究人员采用预训练的自回归时序基础模型Chronos-T5-Small，无需领域特定训练或微调即可对每个像素的月度relET序列进行零样本概率预报。选择该小型变体旨在平衡零样本预测性能与大规模像素级水文监测的计算约束。对每个像素，将时间序列划分为历史上下文窗口（2000–2024年）与8步保留窗口（2025年生长季）。模型基于24年历史生成保留窗口的概率预报，采样100条轨迹以刻画预测不确定性。采用预报中位数（）与实际观测值（）的平均绝对误差构建Chronos异常评分（A_score）。高异常评分指示像素2025年行为显著偏离基于其24年历史的模型期望。此处模型输出被界定为反事实基线而非传统预报，故偏差可解读为系统状态变化的诊断信号而非简单预测误差。同时采用80%预测区间（10th–90th百分位）识别观测值完全超出期望包络的显著偏离像素。

无监督空间分区采用K-Means聚类算法。四个工程化特征（μ_relET、σ_relET、A_score、P_temp）标准化后，像素以四维向量表征，最小化类内平方和（Within-Cluster Sum of Squares, WCSS）实现聚类。k=5的聚类方案经领域可解释性约束确定，形成五类生物物理状态：持续高于 average（高μ_relET、高持续性、低方差）、基线（μ_relET≈1.0、中等方差）、持续低于 average（低μ_relET、低方差）、长期低产（最低μ_relET、最高历史方差）、近期急性偏离（高历史μ_relET伴最大A_score，标识历史稳定区正经历稳定性衰减）。

统计验证分两步实施。第一步，将K-Means结果与先前研究建立的16年遗留持续性基线进行空间配准，对869个两方法均检测到持续空间异常的像素计算方向一致性。第二步，对K-Means框架归类为"基线"的像素（即从遗留极端类别"降级"者）及两方法一致的像素，采用配对t检验（α=0.05）比较其原始季节性总ET与真实田间均值的季节性总ET。若t检验p>0.05，则确认为"AI降级（经证实的真基线）"。

研究结果呈现。生物物理分区结果显示，K-Means算法在五维特征空间上产生了空间连贯、物理可解释的五类生物物理状态。空间格局符合灌溉系统规律：持续高于 average像素集中于支轴中心及先前土壤调查识别的高产区域；长期低产像素聚类于田块边缘，与浅层基岩及平流胁迫相关的边缘效应一致；基线像素构成各田块的空间主体。"近期急性偏离"像素叠加于历史分区之上，揭示了2025年生长季急性异常的空间分布。

空间一致性与稳定性衰减识别方面，对869个共享信号像素进行交叉方法验证。混淆矩阵显示444像素同归为持续低产、304像素同归为持续高产，共计748个一致像素；121像素为方向矛盾。总体方向准确率86.1%，Cohen's Kappa系数0.716，表明跨方法论存在实质性一致。田块间一致性存在异质性：Field 42准确率最高（97.3%，κ=0.936），反映强烈稳定的土壤信号；Field 39一致性最低（69.0%，κ=0.038），暗示更复杂的时序动态或管理诱导变异性。

AI检测非平稳性的统计确证是本研究最具区分度的贡献。966个先前被界定为持续极端、现被K-Means归类为基线的像素中，95.3%经配对t检验未显示与田间均值季节性总ET的统计显著偏离（p>0.05），证实这些像素已丧失稳定、可重复的极端行为，从结构化异常过渡到背景变异，即发生了"稳定性衰减"（stability decay）。作为对照，两方法共同验证的低产极端区像素中60.4%仍保持统计显著偏离（p<0.05），证实真实土壤约束未被新框架错误消除。

瞬态胁迫与急性异常检测方面，零样本反事实基线识别出性质不同的行为类别：近期急性偏离。2025年生长季期间，部分历史稳定的像素其观测relET值完全落入模型80%预测区间之外。这类偏离在中心支轴田块中呈线性弧状聚类，可能与灌溉系统异常（如喷嘴堵塞或压力变异）有关；部分 affected 像素位于田块边缘，可能涉及边界效应或管理因素。反事实方法的关键价值在于将当前急性胁迫状态与历史基线解耦，为管理决策提供关键区分：土壤物理属性导致的慢性约束需长期改良投入，而与预期能力突然背离的区域则需立即现场排查与设备诊断。

讨论与结论。该框架同时保留空间连贯的土壤结构信息并检测其时序崩溃，解决了传统持续性方法的核心局限。与遗留16年基线的强交叉验证（86.1%方向准确率，κ=0.716）证实，尽管输入数据、数学方法和时间跨度存在根本差异，月度AI增强框架仍能恢复由独立物理分析识别的核心空间结构。方向识别的不对称性（低产极端召回优于高产极端）具有物理可解释性：低产区常由浅层基岩、粗质地土壤等硬性物理限制驱动，信号稳定；高产区则受土壤深度、水分获取和管理优化等多因素交互影响，对作物轮替和管理变化更敏感。

稳定性衰减的识别具有显著实践意义。基于遗留持续性图谱的精准管理策略可能在模式已不存在的区域导致资源系统性错配。研究表明，多年代聚合产生的持续性图谱应视为有时间边界的产品，需随管理实践、灌溉设施和土壤条件演变定期修订。本框架提供的近实时检测能力恰好填补了静态图谱缺乏的 operational 更新机制。

近期急性偏离的检测引入了第二类关键能力：定位无法由持久环境约束解释的局部异常与突发运行故障。反事实框架将当前急性胁迫与历史基线解耦，使慢性土壤约束与突发机械或生物故障的 operational 区分成为可能，支持差异化管理响应。

概念层面，该研究代表基础模型在环境分析中的应用范式转变：从"未来将会怎样"的预测引擎转向"给定历史，当前系统是否正常运行"的诊断工具，特别适用于像素级连续系统健康评估。

研究局限性包括：k=5聚类解基于WCSS肘部分析与领域可解释性约束选择，替代方案或揭示额外子状态；缺乏同期产量图、土壤水分实测或灌溉系统维护记录，限制对异常物理原因的独立确认，尤其"近期急性偏离"类仍属空间 informed 假说而非确诊；基础模型内部决策过程在当前可解释性工具下不完全透明，可能制约高风险的 operational 信任。未来需拓展至多样作物、灌溉技术和生态水文情景验证，整合土壤物理属性数据集、灌溉系统遥测及产量图，探索多模型集合方法以量化方法论不确定性，并将反事实异常检测框架形式化为近实时 operational 管线。

综合而言，本研究建立了一种双模式诊断框架：需长期结构性干预的慢性土壤约束与需即时田间响应的瞬态运行扰动得以区分。在半干旱灌溉系统（如爱达荷州Magic Valley）中，中心支轴灌溉同时缓冲了土壤变异性并引入了新的时间不稳定性，该区分对提升水分利用效率、减少投入错配和增强适应性管理能力至关重要。框架无需标注训练数据，依托公开OpenET数据运行，为亚田尺度卫星水文监测提供了可迁移的方法模板。

研究结论。该综合可扩展框架通过整合25年月度OpenET数据、零样本时间异常检测与无监督聚类，实现了灌溉农业系统亚田块作物水分利用动态的表征。关键定量发现包括：（1）在869个共享信号像素上达到86.1%方向准确率和Cohen's Kappa 0.716，证实新方法恢复遗留持续性空间结构的能力；（2）966个算法降级像素中95.3%经统计确认为稳定性衰减而非模型误差；（3）444个两方法共同验证的低产极端像素中60.4%保持统计显著分离，证实真实土壤约束得以保留。超越持续性分类扩展，反事实基础模型构型实现了"近期急性偏离"的质性新能力——观测2025年ET完全落入模型80%反事实预测区间之外的像素，代表了持续性方法无法检测的运行故障早期预警信号。该研究为《Informatics》期刊发表的精准农业动态诊断提供了创新方法论基础，但框架目前仅于单一生态水文区域（爱达荷州Magic Valley）的四个灌溉田块验证，更广泛地理泛化性需进一步研究确立。