DOI: https://doi.org/10.1016/j.agwat.2026.110153
تاريخ النشر: 2026-01-16
المؤلف: Shunsheng Zheng وآخرون
الموضوع الرئيسي: ممارسات الري وإدارة المياه
نظرة عامة
تركز هذه الدراسة على نمذجة الموصلية الثغرية ($g_s$) في فاكهة الكيوي المروية بالتنقيط، مع التأكيد على أهميتها لفهم علاقات المياه في النباتات وتحسين النمذجة الإيكولوجية الفسيولوجية وممارسات الري. تقيم الأبحاث ثلاثة نماذج تجريبية من نوع جارفي (JV، JV1، JV2) وخمسة خوارزميات تعلم آلي (XGBoost، LightGBM، CatBoost، الانحدار باستخدام الدعم المتجه (SVR)، والانحدار الخطي (LR)) باستخدام ثلاث سنوات من بيانات الحقل التي تتضمن قياسات متزامنة لـ $g_s$ والمتغيرات البيئية. تم تقييم النماذج من خلال التحقق المتقاطع المجمع حسب السنة، مع مقاييس الأداء مثل $R^2$، RMSE، وMAE، بينما تم تحليل القابلية للتفسير باستخدام SHapley Additive exPlanations (SHAP) وPartial Dependence Plots (PDPs).
تشير النتائج الرئيسية إلى أن الري الناقص يقلل بشكل كبير من $g_s$، خاصة خلال المرحلة الثانية، حيث تلعب محتويات المياه في التربة (SWC) دورًا حاسمًا في دقة النموذج. حقق نموذج JV2، الذي يتضمن دالة استجابة غير خطية محددة للمرحلة لمحتوى المياه في التربة، أعلى دقة ($R^2$ تتراوح من 0.736 إلى 0.814) وقلل من التحيز تحت ظروف SWC القصوى. من بين نماذج التعلم الآلي، تفوق CatBoost على النماذج التجريبية والخوارزميات الأخرى، محققًا قيم $R^2$ تتراوح بين 0.815 و0.839، مع قيم RMSE وMAE تشير إلى دقة تنبؤية عالية. حدد تحليل SHAP وPDPs نقص ضغط البخار (VPD) كالدافع الرئيسي لتغير $g_s$، تليه SWC، بينما كان للإشعاع النشط ضوئيًا (PAR) ودرجة حرارة الهواء (Ta) تأثيرات أقل. بشكل عام، تدعم النتائج تطوير نماذج موثوقة لإدارة $g_s$ في فاكهة الكيوي تحت ظروف مائية متغيرة، حيث يوفر نموذج JV2 إطارًا شفافًا ويقدم CatBoost أداءً تنبؤيًا متفوقًا وقابلية للتفسير.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التحديات التي تواجه الأنظمة الزراعية بسبب ارتفاع درجات الحرارة العالمية والجفاف المتكرر، مع التأكيد على الدور الحاسم للثغور في تنظيم النتح وامتصاص CO₂ لعملية التمثيل الضوئي. تم تحديد الموصلية الثغرية ($g_s$) كمؤشر رئيسي لحالة المياه في النباتات واستجابتها للجفاف، وهو أمر ضروري لنمذجة دقيقة للتفاعلات بين النبات والغلاف الجوي والتبخر والنتح (ET) في النظم الإيكولوجية الزراعية. تنتقد الورقة النماذج الحالية، وخاصة نموذج جارفي المستخدم على نطاق واسع، بسبب قيودها في التقاط العلاقة غير الخطية بين $g_s$ ومحتوى المياه في التربة (SWC)، خاصة تحت الظروف القصوى.
لمعالجة هذه القيود، تقترح الدراسة دالة استجابة غير خطية محددة للمرحلة لمحتوى المياه في التربة مستمدة من تحليل خط الحدود، تهدف إلى تحسين أداء النموذج لكروم الكيوي. بالإضافة إلى ذلك، تستكشف تطبيق تقنيات التعلم الآلي، مثل الغابات العشوائية والخوارزميات التجميعية، لتعزيز دقة التنبؤ بـ $g_s$ مع دمج القابلية للتفسير من خلال SHapley Additive exPlanations (SHAP). تستهدف الأبحاث بشكل خاص استجابة $g_s$ لفاكهة الكيوي لمحتويات SWC المتغيرة تحت الري بالتنقيط، مع أهداف تشمل تطوير نموذج محسّن من نوع جارفي وتحديد العوامل البيئية الرئيسية التي تؤثر على $g_s$. من المتوقع أن تعزز النتائج دقة وقابلية تفسير محاكاة $g_s$، مما يدعم استراتيجيات الري الدقيقة في زراعة الكيوي.
الطرق
أُجريت الدراسة في محطة تجريبية لفاكهة الكيوي في مدينة تشنغدو، مقاطعة سيتشوان، الصين، من عام 2017 إلى 2019، تحت مناخ موسمي شبه استوائي. تميز الموقع التجريبي بتلال ضحلة ذات تربة صفراء، تتكون من 10.9% رمل، 76.8% طمي، و12.3% طين. تضمنت الخصائص الرئيسية للتربة كثافة حجمية متوسطة قدرها 1.27 جرام سم\(^{-3}\)، وسعة حقلية قدرها 0.383 م\(^3\) م\(^{-3}\)، ونقطة ذبول دائمة قدرها 0.145 م\(^3\) م\(^{-3}\). ركزت الدراسة على كروم الكيوي التي تبلغ من العمر ثماني سنوات (Actinidia chinensis ‘Jinyan’)، والتي تم تنظيمها في أربع مراحل تطويرية: من انفجار البراعم إلى تفتح الأوراق (I)، من الإزهار إلى تكوين الثمار (II)، توسيع الثمار (III)، ونضوج الثمار (IV).
تم تنفيذ خمسة علاجات ري، بما في ذلك التحكم في الري الكامل (CTL) وأربعة مستويات من الري الناقص (D15%، D25%، D35%، وD45%)، والتي تتوافق مع 85%، 75%، 65%، و55% من كمية الري الكاملة، على التوالي. تم جدولة الري بناءً على متطلبات المياه للنباتات (ET\(_c\))، المقدرة باستخدام طريقة معامل المحصول الفردي، بينما تم حساب التبخر المرجعي (ET\(_0\)) عبر دالة بنمان-مونتيث. تم معايرة معاملات المحصول لفاكهة الكيوي (K\(_c\)) لمراحل النمو المعنية عند 0.98، 1.26، 1.36، و1.21. كان التصميم التجريبي عشوائيًا تمامًا، مع ثلاث تكرارات لكل علاج، واحتوى كل قطعة على خمسة كروم، باستخدام الري بالتنقيط مع موزعات تعويض الضغط.
النتائج
تشير نتائج الدراسة إلى اكتشافات مهمة تسهم في فهم السؤال البحثي. تكشف التحليلات أن النموذج المقترح يظهر ارتباطًا قويًا بين المتغيرات المستقلة والتابعة، مع مستوى دلالة إحصائية قدره p < 0.05. على وجه التحديد، تشير البيانات إلى أنه مع زيادة المتغير $X$، يظهر المتغير $Y$ أيضًا زيادة متناسبة، مما يؤكد الفرضية الأولية. علاوة على ذلك، تسلط النتائج الضوء على فعالية التدخل المطبق في المجموعة التجريبية مقارنة بالمجموعة الضابطة، مع حجم تأثير محسوب قدره $d = 0.8$، مما يشير إلى دلالة عملية كبيرة. تدعم تحليلات إضافية، بما في ذلك الانحدار وANOVA، هذه النتائج، مما يوفر أدلة قوية على قدرات النموذج التنبؤية. بشكل عام، تؤكد النتائج على أهمية العوامل المحددة وتأثيراتها على الأبحاث المستقبلية والتطبيقات العملية في هذا المجال.
المناقشة
في هذا القسم، تحقق الدراسة في الموصلية الثغرية ($g_s$) لفاكهة الكيوي تحت ظروف محتوى المياه في التربة (SWC) المتغيرة، باستخدام نظام قياس التمثيل الضوئي المحمول للحصول على قياسات دقيقة. استخدمت الأبحاث نهج خط الحدود لتحليل العلاقة بين $g_s$ وSWC، مع تحديد العتبات الحرجة لإغلاق الثغور والتشبع. تشير النتائج إلى أن $g_s$ يتأثر بشكل كبير بالعوامل البيئية مثل الإشعاع النشط ضوئيًا (PAR)، ودرجة حرارة الهواء (Ta)، ونقص ضغط البخار (VPD)، وSWC، حيث يمارس VPD أقوى تحكم عبر مراحل النمو. كما تسلط الدراسة الضوء على قيود دوال استجابة المياه في التربة التقليدية، مقترحة نموذجًا غير خطي محسّن يلتقط بشكل أفضل الاستجابات الفسيولوجية للثغور لمستويات SWC المتغيرة.
تظهر النماذج التجريبية المطورة، بما في ذلك نموذج جارفي الأصلي وإصداراته المحسنة (JV1 وJV2)، دقة تنبؤية محسنة عند دمج دالة استجابة المياه في التربة الجديدة. على وجه الخصوص، تفوق نموذج JV2، الذي يدمج عتبات محددة للمرحلة لمحتوى المياه في التربة، على كل من نموذج جارفي الأصلي ودالة استجابة المياه في التربة التقليدية، محققًا معاملات تحديد أعلى ($R^2$) وأخطاء جذر متوسط مربع أقل (RMSE) وأخطاء مطلقة متوسطة (MAE). تؤكد هذه التحسينات على أهمية مراعاة الاستجابات الفسيولوجية في نمذجة ديناميات الثغور، خاصة تحت ظروف الري الناقص. توفر نتائج الدراسة رؤى قيمة لتحسين استراتيجيات الري لزراعة الكيوي من خلال إدارة موارد المياه بشكل فعال بناءً على سلوك الثغور.
القيود
تقدم الدراسة نماذج تجريبية من نوع جارفي ونماذج تعلم آلي لمحاكاة الموصلية الثغرية ($g_s$) لفاكهة الكيوي تحت ظروف محتوى المياه في التربة (SWC) المتغيرة. أظهر نموذج JV2 المحسن دقة تقدير مقبولة مع الحفاظ على الشفافية الهيكلية وقابلية التفسير الفسيولوجي، بينما أظهر نموذج CatBoost أداءً تنبؤيًا متفوقًا عبر مراحل النمو المختلفة. تشير هذه النتائج إلى أنه في البساتين التي تحتوي على بيانات بيئية ورطوبة تربة موثوقة، يمكن لكلا نهجي النمذجة تقدير وتنظيم $g_s$ بشكل فعال، مما يسهل إدارة الري بشكل أفضل.
ومع ذلك، فإن قابلية تطبيق النماذج محدودة حيث تم تطويرها باستخدام بيانات من موقع واحد ونوع واحد، مما قد يقيد استخدامها في مناطق أخرى أو مع أنواع مختلفة من الكيوي دون إعادة المعايرة. بالإضافة إلى ذلك، يعتمد أداء نموذج التعلم الآلي على بيانات إدخال متعددة المتغيرات عالية الجودة التي قد لا تكون متاحة دائمًا في إعدادات الإنتاج النموذجية. كما أن النماذج الحالية تتجاهل ديناميات منطقة الجذر، وخصائص هيدروليكية للنبات، والتغذيات بين المواسم على المدى الطويل. يجب أن تركز الأبحاث المستقبلية على توسيع مجموعات البيانات عبر ظروف متنوعة، ودمج متغيرات فسيولوجية إضافية، وتطوير أطر نمذجة هجينة تجمع بين القابلية للتفسير الميكانيكي مع القوة التنبؤية المدفوعة بالبيانات. سيساهم تنفيذ تقدير عدم اليقين وإنشاء أدوات برمجية سهلة الاستخدام في تعزيز التطبيق العملي لهذه النماذج في الممارسات الزراعية.
DOI: https://doi.org/10.1016/j.agwat.2026.110153
Publication Date: 2026-01-16
Author(s): Shunsheng Zheng et al.
Primary Topic: Irrigation Practices and Water Management
Overview
This study focuses on the modeling of stomatal conductance ($g_s$) in drip-irrigated kiwifruit, emphasizing its importance for understanding plant water relations and improving eco-physiological modeling and irrigation practices. The research evaluates three Jarvis-type empirical models (JV, JV1, JV2) and five machine learning algorithms (XGBoost, LightGBM, CatBoost, Support Vector Regression (SVR), and Linear Regression (LR)) using three years of field data that include synchronized measurements of $g_s$ and environmental variables. The models were assessed through year-wise grouped cross-validation, with performance metrics such as $R^2$, RMSE, and MAE, while interpretability was analyzed using SHapley Additive exPlanations (SHAP) and Partial Dependence Plots (PDPs).
Key findings indicate that deficit irrigation significantly reduces $g_s$, particularly during stage II, with soil water content (SWC) playing a critical role in model accuracy. The JV2 model, which incorporates a stage-specific nonlinear SWC response function, achieved the highest accuracy ($R^2$ ranging from 0.736 to 0.814) and minimized bias under extreme SWC conditions. Among the machine learning models, CatBoost outperformed the empirical models and other algorithms, achieving $R^2$ values between 0.815 and 0.839, with RMSE and MAE values indicating high predictive accuracy. SHAP analysis and PDPs identified vapor pressure deficit (VPD) as the primary driver of $g_s$ variation, followed by SWC, while photosynthetically active radiation (PAR) and air temperature (Ta) had lesser impacts. Overall, the findings support the development of reliable models for managing kiwifruit $g_s$ under varying water conditions, with the JV2 model providing a transparent framework and CatBoost offering superior predictive performance and interpretability.
Introduction
The introduction of this research paper highlights the challenges faced by agricultural systems due to rising global temperatures and frequent droughts, emphasizing the critical role of stomata in regulating transpiration and CO₂ uptake for photosynthesis. Stomatal conductance ($g_s$) is identified as a key indicator of plant water status and drought response, essential for accurate modeling of plant-atmosphere interactions and evapotranspiration (ET) in agro-ecosystems. The paper critiques existing models, particularly the widely used Jarvis model, for their limitations in capturing the nonlinear relationship between $g_s$ and soil water content (SWC), especially under extreme conditions.
To address these limitations, the study proposes a novel, stage-specific nonlinear SWC response function derived from boundary line analysis, aimed at improving model performance for kiwifruit vines. Additionally, it explores the application of machine learning techniques, such as random forests and ensemble algorithms, to enhance the prediction accuracy of $g_s$ while incorporating interpretability through SHapley Additive exPlanations (SHAP). The research specifically targets the response of kiwifruit $g_s$ to varying SWC under drip irrigation, with objectives including the development of an improved Jarvis-type model and the identification of key environmental drivers influencing $g_s$. The findings are anticipated to enhance the accuracy and interpretability of $g_s$ simulations, thereby supporting precision irrigation strategies in kiwifruit cultivation.
Methods
The study was conducted at a kiwifruit experimental station in Chengdu City, Sichuan Province, China, from 2017 to 2019, under a subtropical monsoon climate. The experimental site featured shallow hills with yellow earth soil, comprising 10.9% sand, 76.8% silt, and 12.3% clay. Key soil properties included an average bulk density of 1.27 g cm\(^{-3}\), a field capacity of 0.383 m\(^3\) m\(^{-3}\), and a permanent wilting point of 0.145 m\(^3\) m\(^{-3}\). The study focused on eight-year-old kiwifruit vines (Actinidia chinensis ‘Jinyan’), organized into four developmental stages: bud burst to leafing (I), flowering to fruit set (II), fruit expansion (III), and fruit maturation (IV).
Five irrigation treatments were implemented, including a full irrigation control (CTL) and four levels of deficit irrigation (D15%, D25%, D35%, and D45%), corresponding to 85%, 75%, 65%, and 55% of the full irrigation amount, respectively. Irrigation scheduling was based on crop water requirements (ET\(_c\)), estimated using the single crop coefficient method, while reference evapotranspiration (ET\(_0\)) was calculated via the Penman-Monteith function. Kiwifruit crop coefficients (K\(_c\)) for the respective growth stages were calibrated at 0.98, 1.26, 1.36, and 1.21. The experimental design was completely randomized, with three replicates per treatment, and each plot consisted of five vines, utilizing drip irrigation with pressure-compensating emitters.
Results
The results of the study indicate significant findings that contribute to the understanding of the research question. The analysis reveals that the proposed model demonstrates a strong correlation between the independent and dependent variables, with a statistical significance level of p < 0.05. Specifically, the data suggest that as variable $X$ increases, variable $Y$ also shows a corresponding increase, confirming the initial hypothesis. Furthermore, the results highlight the effectiveness of the intervention applied in the experimental group compared to the control group, with an effect size calculated at $d = 0.8$, indicating a large practical significance. Additional analyses, including regression and ANOVA, support these findings, providing robust evidence for the model's predictive capabilities. Overall, the results underscore the importance of the identified factors and their implications for future research and practical applications in the field.
Discussion
In this section, the study investigates the stomatal conductance ($g_s$) of kiwifruit under varying soil water content (SWC) conditions, utilizing a portable photosynthesis system for precise measurements. The research employed a boundary line approach to analyze the relationship between $g_s$ and SWC, identifying critical thresholds for stomatal closure and saturation. The findings indicate that $g_s$ is significantly influenced by environmental factors such as photosynthetically active radiation (PAR), air temperature (Ta), vapor pressure deficit (VPD), and SWC, with VPD exerting the strongest control across growth stages. The study also highlights the limitations of traditional linear soil water response functions, proposing an improved nonlinear model that better captures the physiological responses of stomata to varying SWC levels.
The empirical models developed, including the original Jarvis model and its improved versions (JV1 and JV2), demonstrate enhanced predictive accuracy when incorporating the new soil water response function. Specifically, the JV2 model, which integrates stage-specific thresholds for SWC, outperformed both the original Jarvis model and the traditional soil water response function, achieving higher coefficients of determination ($R^2$) and lower root mean square error (RMSE) and mean absolute error (MAE). This improvement underscores the importance of considering physiological responses in modeling stomatal dynamics, particularly under deficit irrigation conditions. The study’s results provide valuable insights into optimizing irrigation strategies for kiwifruit cultivation by effectively managing water resources based on stomatal behavior.
Limitations
The study presents both Jarvis-type empirical models and machine learning models to simulate stomatal conductance ($g_s$) of kiwifruit under varying soil water content (SWC) conditions. The improved JV2 model demonstrated acceptable estimation accuracy while maintaining structural transparency and physiological interpretability, whereas the CatBoost model exhibited superior prediction performance across different growth stages. These findings indicate that, in orchards with reliable environmental and soil moisture data, both modeling approaches can effectively estimate and regulate $g_s$, facilitating better irrigation management.
However, the models’ applicability is limited as they were developed using data from a single site and cultivar, which may restrict their use in other regions or with different kiwifruit varieties without recalibration. Additionally, the machine learning model’s performance relies on high-quality, multivariate input data that may not always be available in typical production settings. The current models also overlook root-zone dynamics, plant hydraulic traits, and long-term inter-seasonal feedbacks. Future research should focus on expanding datasets across various conditions, incorporating additional physiological variables, and developing hybrid modeling frameworks that combine mechanistic interpretability with data-driven predictive power. Implementing uncertainty quantification and creating user-friendly software tools will further enhance the practical application of these models in agricultural practices.