利用LSTM和DT模型预测中国北方半干旱地区不同深度农田土壤湿度

《Irrigation and Drainage》：Prediction of Farmland Soil Moisture at Different Depths in the Semiarid Region of Northern China Using the LSTM and DT Models

准确预测农田土壤湿度对确定作物需水量和制定有效灌溉标准至关重要。本研究提出基于土壤温度数据的LSTM和决策树模型，评估其在3、5、10、20cm不同深度和半小时、日尺度上的预测精度。结果表明LSTM模型在不同深度和半小时尺度的预测精度均优于决策树，其中20cm深度R2值达0.90-0.95，推荐LSTM模型用于土壤湿度预测，为农业管理和灌溉决策提供参考。

　　

摘要

en此链接指向英文版摘要fr此链接指向法文版摘要

准确预测农田土壤湿度对于确定作物需水量和制定有效的灌溉标准至关重要。然而，高昂的成本以及土壤结构可能受到的破坏使得直接测量不同深度的土壤湿度变得具有挑战性。在这项研究中，提出了长短期记忆（LSTM）模型和决策树（DT）模型，利用土壤温度数据来预测3厘米、5厘米、10厘米和20厘米深度的土壤湿度，并评估了这两种模型在半小时和每天时间尺度上预测不同深度土壤湿度的准确性。结果表明，LSTM模型在半小时时间尺度上预测不同深度土壤湿度的准确性优于DT模型。在所有深度上，LSTM模型的准确性都高于DT模型。两种模型在20厘米深度的表现最佳，其次是10厘米、5厘米和3厘米深度，对应的R²值分别为0.90–0.95、0.81–0.95、0.84–0.95和0.86–0.95。因此，建议使用LSTM模型来预测不同深度的土壤湿度，为农田管理、灌溉决策以及干旱预防和缓解措施的实施提供有价值的参考。

总结

en此链接指向英文版总结fr此链接指向法文版总结

准确预测农田土壤湿度对于确定作物需水量和制定有效灌溉方案至关重要。但由于成本高昂以及土壤结构可能受到破坏，直接测量不同深度的土壤湿度较为困难。本研究采用长短期记忆（LSTM）模型和决策树（DT）模型，根据土壤温度数据预测3厘米、5厘米、10厘米和20厘米深度的土壤湿度，并在半小时和每天时间尺度上评估了这两种模型的预测准确性。结果显示，LSTM模型在半小时时间尺度上的预测准确性优于DT模型。在所有深度上，LSTM模型的准确性均高于DT模型。两种模型在20厘米深度的表现最佳，其次是10厘米、5厘米和3厘米深度，对应的R²值分别为0.90–0.95、0.81–0.95、0.84–0.95和0.86–0.95。因此，推荐使用LSTM模型来预测不同深度的土壤湿度，为农田管理、灌溉决策以及干旱预防和缓解措施提供重要参考。

利益冲突

作者声明没有利益冲突。