MENU
灌溉管理中，「水分剛好足夠」與「過量供水」之間的差異，往往左右了作物產量與生產效率。傳統作物用水量多仰賴間接估算，然而氣候變遷造成乾旱及熱浪等極端事件頻度提高，即時掌握作物實際用水需求變得更加困難。蒸散量是衡量植物水分利用情形的重要指標，由於田間量測不易，難以直接應用於灌溉決策與植物壓力偵測。
以色列耶路撒冷希伯來大學(Hebrew University of Jerusalem)的研究團隊藉由高解析蒸滲儀，連續收集七年番茄、小麥與大麥的日蒸散量資料，以 Random Forest 與 XGBoost 等機器學習模型進行訓練，建立蒸散量預測模型。模型將模擬健康植物一天預期消耗水分，當實測蒸散量偏離預測值時，顯示植物可能承受如乾旱、鹽害或病蟲害等壓力。尤其在極端氣候下，當植物行為偏離預期時，將有助於及時採取管理措施。
研究結果顯示，蒸散量預測模型預測之日蒸散量與實際量測值高度一致，且在獨立溫室環境下亦保持穩定的表現，顯示此模型可以適用於不同氣候與生產環境。
研究人員表示，此方法為精準灌溉管理與植物壓力監測提供了新的方向，而目前模型仍高度依賴高解析蒸滲儀所蒐集的資料，距離田間應用仍有一段距離，未來仍需進一步整合植物相關生理因子，以提升模型之可行性與實用性。本研究已發表於Plant, Cell & Environment期刊。
研究以番茄、小麥與大麥作為蒸散量預測的作物對象。
研究使用 Random Forest 與 XGBoost 等機器學習模型進行訓練。
當實測蒸散量偏離預測值時，顯示植物可能承受如乾旱、鹽害或病蟲害等壓力。 Select 80 more words to run Humanizer.
