近日，瑞士学者Francesco Giardina等在New Phytologist期刊上发表了题为“Diagnosing evapotranspiration responses to water deficit across biomes using deep learning”的文章，基于深度学习训练神经网络，研究蒸散作用(ET)对干旱条件的响应以分析植物在水分限制条件下生长发育面临的挑战。
doi : 10.1111/nph.19197
01
缩略词
潜在和实际蒸散量(PET和ET)深度神经网络(DNN)水分限制因子(fET)年平均温度(MAT)年降水量(P)增强植被指数(EVI)
图1：各地理位置的蒸散量
02
根据地图将样本区域分为“高fET”组、“中等fET”组和“低fET”组，通过回归分析确定了PETNN准确性最高，并进行下一步分析。
图2：深度学习模型预测蒸散 (ET)
03
分析结果表明，地下水分限制对该地点的ET影响不大，但旱季对该地点的ET有显著影响。
图3：样本地点的蒸散量 (ET)和潜在蒸散量(PET)对比
04
为了进一步研究不同地点累积缺水量和水分限制因子的关系，该研究根据该区间的 fET 中位数将它们分为三组进行分析。
图4: 各地点蒸散减少量(fET)与累积缺水量(CWD)的动态变化
图5: “低 fET”组的地点的蒸散减少量随累积缺水量(CWD)的动态变化
05
综合结果表明：在“高fET”地点，水分胁迫对植物几乎没有影响；“低fET”地点水分限制对植物的生长起到决定性左右作用。
图6：土壤和气候变量的关系
此研究采用观测驱动的实证方法评估水分胁迫对蒸散作用的影响，并与其他驱动因素（包括辐射、VPD和植被绿度）分开。结果表明大多数森林往往对水分胁迫不太敏感，干旱期间植物的生长不会出现太大影响，基于深度学习量化水分限制对蒸散作用(ET)的影响。
