一种利用水文气象数据通过深度学习方法估算垂直土壤湿度剖面的方法

《Hydrological Sciences Journal》：A deep learning approach for vertical soil moisture profile estimation using hydrometeorological data

本研究提出融合Conv1D和LSTM的混合模型估算垂直土壤湿度，在印度不同农业气候区验证，其性能（CC=0.60–0.96，NRMSE=0.09–0.22，Dr=0.51–0.80，KGE=0.32–0.82）优于单一模型及全球产品，敏感性分析与空间可移植性证实有效性。

　　

摘要

本研究开发了一种混合深度学习（DL）模型，该模型将一维卷积神经网络（Conv1D）与长短期记忆（LSTM）网络相结合，形成了Conv1D-LSTM模型，用于在裸地和耕地条件下估算六个深度的土壤湿度（SM）剖面。该模型利用与土壤湿度动态密切相关的土壤水文气候前兆数据，并在印度不同的农业气候区域进行了评估。结果表明，Conv1D-LSTM模型具有较高的准确性，其$\mathrm{CC}$值介于0.60–0.96之间，$\mathrm{NRMSE}$值介于0.09–0.22之间，$D_r$值介于0.51–0.80之间，$\mathrm{KGE}$值介于0.32–0.82之间。该模型的性能始终优于单独使用的Conv1D、LSTM和支持向量回归（SVR）模型，以及五种广泛使用的全球土壤湿度产品，体现了其相对优势。此外，敏感性分析和空间迁移性评估进一步凸显了该模型在不同地区的有效性和泛化能力。总体而言，这些发现表明Conv1D-LSTM是一个用于可靠多深度土壤湿度估算的有前景的框架，有助于改进水文气候模拟和农业水资源管理。