QuantumIrrigation：量子计算与深度学习融合的灌溉需求评估新方法及其在精准农业中的应用

本研究针对灌溉需求评估中ETo（参考作物蒸散量）和土壤水张力预测的复杂性，开发了QuantumIrrigation量子计算Python包，集成了VQC（变分量子电路）和QLSTM（量子长短期记忆网络）等量子模型及混合架构。研究显示，LSTM和QLSTM在ETo预测中表现最佳，而基于LSTM的量子混合模型在土壤水张力预测中优于其他配置，有效结合了量子叠加与纠缠特性，提升了预测精度与计算效率，为数据驱动的智能灌溉决策提供了新工具。

　　

在全球淡水资源日益紧张的背景下，农业作为最大的淡水消耗部门，其灌溉效率的提升至关重要。准确估算灌溉需求是精准农业的基石，通常通过建模作物参考蒸散量（ETo）和土壤水分动态来实现。然而，传统的基于过程的模型和机器学习方法在捕捉ETo和土壤水分数据中固有的非线性和时变模式方面面临挑战，往往受限于特征提取能力、计算成本高以及训练优化效率低等问题。近年来，量子计算利用量子力学原理（如叠加和纠缠）提供了更强大的计算模式，为处理高维、多变量环境过程提供了新途径。在此背景下，研究人员开发了QuantumIrrigation——一个集成量子计算与深度学习的Python包，用于预测ETo和土壤水张力（以土壤水张力表示），以支持更高效、数据驱动的灌溉决策。

为了开展这项研究，研究人员利用了美国佐治亚大学（UGA）气象网络的数据和UGA的Stripling灌溉研究公园（SIRP）的土壤水张力数据。研究采用了多种模型架构，包括经典的LSTM和PatchTST，以及量子模型VQC和QLSTM，并构建了四种混合配置：混合LSTM-VQC、混合LSTM-QLSTM、混合PatchTST-VQC和混合PatchTST-QLSTM。模型训练使用了Min-Max标准化数据，并通过MSE损失函数和Adam优化器进行优化。量子模型通过PennyLane平台实现，在CPU上运行，而经典模型在GPU上运行。性能评估采用了NSE、KGE和MAE等指标，并进行了敏感性分析以确定关键影响因素。

研究结果表明，在ETo预测方面，LSTM和QLSTM在所有评估指标上均表现最佳，NSE分别为0.59和0.58，MAE均为0.72 mm/day，而混合变体未提供额外的预测精度增益。敏感性分析显示，太阳辐射是最具影响力的变量，排除后导致NSE下降和MAE增加。对于土壤水张力预测，基于LSTM的混合量子模型（尤其是混合LSTM-QLSTM）优于所有其他配置，NSE达0.97，KGE为0.93，MAE低至1.30 kPa，有效结合了LSTM的时间记忆与量子叠加和纠缠特性。滞后土壤水张力值被确定为土壤水分动态的主要预测因子，排除特定滞后值会导致性能显著下降。计算效率分析显示，量子模型训练时间较长，但混合模型在保持精度的同时降低了计算负担。

研究结论强调，量子-经典混合建模在土壤水张力预测中展现出领域特定优势，证明了QuantumIrrigation包在推进灌溉需求预测和支持高效灌溉决策方面的潜力。尽管当前量子设备仍处于NISQ（噪声中等规模量子）时代，限制了量子优势的完全实现，但研究结果为未来量子计算在农业中的应用奠定了基础。未来工作应探索更复杂的量子电路设计、在真实量子硬件上的部署，以及跨不同农业气候区的验证，以进一步提升模型的鲁棒性和适用性。该研究发表于《Smart Agricultural Technology》，为智能农业技术提供了创新工具和方法。