基于 ET?-TC 约束的 LSTM 模型在棉花地土壤水分预测中的应用

《Agronomy》：Next-Day Prediction of 0–20 cm Volumetric Soil Water Content in a Cotton Field Under Mulched Drip Irrigation in Southern Xinjiang, China, Using an ET0-Informed Trend-Constrained Long Short-Term Memory Model

　　

摘要

在中国新疆南部的棉花地中，地表土壤含水量是进行每日灌溉管理的重要指标，尤其是在采用覆膜滴灌的情况下。本研究评估了一个长短期记忆（LSTM）模型，该模型结合了参考作物的蒸散量（ET₀）和趋势一致性（TC）约束（ET₀-TC-LSTM），利用前7天的观测数据来预测次日0–20厘米深度的土壤体积含水量。2022–2025年期间的四个观测周期共获得了468个监督样本，按时间顺序分为169个训练样本、153个验证样本和146个测试样本。ET₀被作为特征之一纳入模型，而单侧训练惩罚机制则限制了在近期低水分输入和高蒸气压亏缺（VPD）条件下预测值的过度增加。本研究还采用了持久性模型、岭回归模型以及一维卷积神经网络-LSTM（CNN1D-LSTM）模型作为基准。在原始的种子-42实验中，ET₀-TC-LSTM模型的测试决定系数（R²）为0.9574，均方根误差（RMSE）为0.0081立方厘米/立方厘米，相比单纯使用LSTM模型，RMSE降低了29.7%。在十个不同种子条件下，平均RMSE降低了2.84%；在四种LSTM变体中，TC-LSTM模型的平均RMSE最低。持久性模型的准确性更高，其RMSE为0.0046立方厘米/立方厘米。敏感性分析和条件分析表明，过程相关输入及惩罚机制的效果取决于参数设置和评估条件。这些结果揭示了在LSTM框架内可以进行改进，但并未证明在特定地点和预测时段内持久性模型具有绝对优势。