解码时间序列：N-BEATS与N-HiTS模型在土壤水分张力预测中的优势解析及LSTM性能对比

针对传统深度神经网络(DNN)在土壤水分预测中可解释性差、长期预测精度不足的问题，本研究首次将N-HiTS(神经层次插值)和N-BEATS(神经基扩展分析)模型应用于根系层土壤水分张力多尺度预测。通过美国佐治亚州和南卡罗来纳州农田数据验证，证明两种模型在1-12小时预测范围内均优于LSTM，其不确定性量化带宽更窄(95PPU R-factor降低50%)，为精准灌溉决策提供了可解释的深度学习框架。

　　

随着全球农业用水需求激增（占人类用水总量70%），精准灌溉调度成为保障粮食安全的关键。然而，传统土壤水分预测面临两大挑战：物理模型需要复杂参数且计算成本高，而主流深度学习模型如长短期记忆网络(LSTM)存在可解释性差、长期预测误差累积等问题。这导致灌溉决策常依赖经验判断，造成水资源浪费或作物减产。在此背景下，美国佐治亚大学等机构的研究团队在《Computers and Electronics in Agriculture》发表研究，首次将两种新型可解释深度学习架构——神经基扩展分析时间序列(N-BEATS)和神经层次插值时间序列(N-HiTS)模型应用于土壤水分张力预测，为智慧农业提供了创新解决方案。

研究采用美国两个试验点（佐治亚州Lucy砂壤土和南卡罗来纳州砂质壤土）连续三年的根系区土壤水分张力数据（0.15/0.3/0.46m深度，小时分辨率），通过minmax标准化预处理后，对比了N-HiTS、N-BEATS与LSTM在1/6/12小时预测范围内的表现。关键技术包括：1）多分位数损失函数(MQL)量化预测不确定性；2）堆叠模块架构实现趋势-季节性分解；3）最大池化层实现多尺度采样；4）Nash-Sutcliffe效率系数(NSE)等六项指标评估体系。

2.2.1. LSTM
传统LSTM采用tanh激活函数和0.2 dropout率，虽能捕捉时序依赖，但12小时预测的NSE值下降至82.13%（佐治亚州0.15m深度），误差累积导致95%预测不确定区间(95PPU)带宽达3.00kPa。

2.2.2. N-BEATS
该模型通过全连接层生成前向θ^f
和后向θ^b
扩展系数，利用基函数层显式分解趋势与季节成分。在佐治亚州0.46m深度12小时预测中，NSE保持98.15%，R-factor仅0.25，证明其擅长建模周期性模式。

2.2.3. N-HiTS
创新性地引入多速率采样（核尺寸k_l
调节）和层次插值（表达比r_l
控制），在相同深度下实现99.64% NSE和0.09 R-factor，其MaxPool层有效捕捉高频波动，特别适合突变水分事件预测。

3.2.1. 土壤水分张力模拟
在0.15m浅层，N-HiTS的1小时预测MAE仅1.22kPa，较LSTM降低66%；深层（0.6m）12小时预测中，两种新模型的CRPS（连续排序概率得分）均值0.3，显著优于LSTM的1.73，显示更优的概率预测校准性。

3.3. 不确定性量化
通过50-99%分位数带分析发现，N-BEATS在75%置信区间P-factor达75.39%（南卡罗来纳州数据），而LSTM需扩大至95%区间才能覆盖相似比例观测值，反映新模型在平衡精度与可靠性方面的优势。

该研究突破性地解决了深度学习在农业水文预测中的两大瓶颈：通过模块化架构实现预测过程可解释，利用残差链接机制抑制长期预测误差扩散。实际意义体现在：1）为变量灌溉系统提供12小时内根系区水分动态的可靠预报；2）窄不确定性带（R-factor<0.3）降低灌溉误判风险；3）开源框架NeuralForecast实现方法可推广。未来研究可结合蒸散发等环境变量构建多模态模型，并探索在干旱区不同作物系统的迁移学习能力。这项工作标志着深度学习在精准农业应用从"黑箱"到"玻璃箱"的重要转变，为应对全球水资源短缺提供了智能决策工具。