基于LSTM和CNN的多层土壤温度时空建模与泛化能力评估研究

《Journal of Hydrology》：Generalization of multiple depths soil temperature estimation using LSTM and CNN

为解决土壤温度(ST)多深度精准预测难题，中国科学院研究人员创新性地结合长短期记忆网络(LSTM)和卷积神经网络(CNN)开展深度学习建模，通过美国气候参考网络(USCRN)14个站点数据验证发现，气象参数+上层ST时间序列组合的LSTM模型误差<5%，在相同土壤条件下泛化能力优异。该研究为土壤生态过程监测和智慧农业提供了高精度时空预测工具。

　　

土壤温度(ST)作为连接气候、植被和土壤的关键参数，深刻影响着养分循环、微生物活动和作物生长等生态过程。然而传统测量方法成本高昂，物理模型计算复杂，而现有机器学习方法在深层土壤预测和模型泛化方面存在明显局限。尤其在全球气候变化背景下，精准预测不同深度ST动态对理解碳循环、优化农业管理具有重要意义。

中国科学院团队在《Journal of Hydrology》发表的研究中，创新性地将两种深度学习模型——擅长时序处理的LSTM和特征提取能力强的CNN应用于多层ST预测。研究选取美国气候参考网络(USCRN)14个站点十年期数据，涵盖草地、农田、灌木和树林等不同土地覆盖类型，采集5、10、20、50和100 cm五个深度的ST和土壤湿度(SM)数据，结合气温(AT_ave)、太阳辐射(SR)等气象参数，构建了8种输入组合方案。通过MATLAB R2021b平台实现模型训练，采用80%数据训练、20%测试的验证策略，使用R²、MAPE等指标评估性能。

研究结果显示，LSTM在时间序列处理上显著优于CNN。在最优输入组合S4(气象参数+历史ST)和S5(气象参数+上层ST)方案下，各深度ST预测误差均<5%，其中灌木覆盖的MON站点在深层土壤表现最佳。值得注意的是，仅用气温时间序列的S6方案在多数站点表现媲美多参数组合，而单独使用太阳辐射的S7方案误差高达30.1%。

模型泛化能力评估发现关键规律：在土壤特性相同的站点间，当气温波动范围一致时，即使土地覆盖不同(如农田到草地)，训练模型也能准确预测目标站点ST；但土壤类型差异会导致预测失效，特别是在100 cm深层。这表明土壤热传导特性对模型泛化具有决定性影响。

该研究首次系统论证了深度学习模型在多深度ST预测中的跨区域适用性，为建立全球土壤温度监测网络提供了算法基础。LSTM模型展现的卓越性能，使其可应用于永久冻土温度监测、精准农业灌溉决策等领域。未来研究可进一步整合卫星遥感数据，拓展模型在异质环境中的适应性。