一种基于时空两阶段LSTM模型的区域三维土壤湿度稳健估计方法

《Agricultural Water Management》：A robust regional soil moisture estimation method based on spatiotemporal two-stage data-driven models

为解决稀疏站点监测难以获取大范围、高分辨率连续土壤湿度(SM)信息的难题，研究人员提出了一种基于长短期记忆(LSTM)网络的时空两阶段驱动模型(LSTM-ST)。该模型的第一阶段(LSTM-S)整合动态气象与静态特征，实现任意水平位置的SM估计；第二阶段(LSTM-T)利用多深度时序数据捕捉降雨对不同深度SM的垂直滞后效应。研究表明，该模型在水平和垂直维度均能实现高精度估计，具有物理一致性和强泛化能力，为水文分析、精准灌溉和极端天气响应等应用提供支持。

　　

土壤湿度是维系水循环、能量交换和作物生长的关键变量。准确掌握其动态变化，对天气预报、农业生产和生态保护至关重要。然而，这项看似基础的监测工作，却面临诸多现实的“拦路虎”：传统的物理模型虽原理清晰，但参数获取困难、计算复杂；遥感技术能“俯瞰”大范围区域，却容易被植被、云层干扰，且大多只能“触及”土壤表层，对作物根系层水分的“透视”能力有限。面对这些挑战，一支来自西北农林科技大学的研究团队独辟蹊径，转向“让数据自己说话”的机器学习方法，并在国际期刊《Agricultural Water Management》上发表了一项创新成果，提出了一种新颖的时空两阶段模型，为破解区域三维土壤湿度的精准估算难题提供了新思路。

该研究主要运用了以下几项关键技术方法：首先，利用国际土壤湿度网络(ISMN)和欧洲中期天气预报中心的ERA-5再分析数据集，获取了美国西部115个站点、三个深度(0.05 m, 0.20 m, 0.50 m)的土壤湿度、气象变量（如净辐射、降水）及静态特征（如土壤类型、地形标准差）的时序数据，并进行了严格的预处理。其次，构建了核心的LSTM-ST模型架构，其第一阶段(LSTM-S)采用“分层建模”策略，为每个土壤深度独立建立LSTM模型，整合动态气象因子和静态特征进行水平空间估计，其中深层模型的输入还包含了上层土壤湿度的预测值，以体现垂直关联。第二阶段(LSTM-T)则针对单个站点，利用该站点所有可用深度的数据联合训练一个LSTM模型，通过引入“深度向量”作为额外输入特征，实现对任意垂直节点土壤湿度的连续估计。最后，研究设计了包含基准对比(TC1, TC2)、数据规模(TC3)、输入序列长度(TC4)、土壤分类建模(TC5)及垂直预测能力(TC6, TC7)在内的七个测试案例，并采用R²、RMSE、ΔRMSE和PBIAS四个指标对模型性能进行全面评估。

3.1. 基于两阶段LSTM-ST模型的水平多层土壤湿度预测

研究人员首先验证了LSTM-S模型在水平维度的预测能力。结果显示，该模型在三个目标深度上均表现出色，训练集和验证集的R²值均高于0.95，RMSE低于0.025，百分比偏差(PBIAS)小于0.5%，其中最深层的预测精度最高。与作为对比基准的传统反向传播(BP)神经网络相比，LSTM-S模型在R²上具有压倒性优势，凸显了其处理时序依赖关系的卓越能力。

3.2. 训练站点密度（数据量）和输入序列长度对水平土壤湿度预测性能的影响

研究进一步探讨了数据规模和质量对模型的影响。随着训练数据量（以站点密度代表）的增加，表层(0.05 m)土壤湿度的预测精度呈现非单调变化趋势，而深层(0.20 m, 0.50 m)的精度则先升后降。这表明，对于受气象条件直接影响敏感的表层，单纯增加数据点未必持续提升精度；而对于受滞后效应主导的深层，过多样本可能引入不相关或弱相关的噪声信息，反而降低模型学到的关键特征质量。在输入序列长度方面，研究发现，在数据量充足的前提下，较短的输入序列（如1-6天）通常能获得最佳或接近最佳的预测性能，过长的序列（9-12天）并未带来显著增益，有时甚至导致精度下降。这提示我们，在土壤湿度预测中，近期历史信息往往比遥远过去的信息更具价值。

3.3. 土壤分类对水平土壤湿度预测的影响

考虑到不同土壤类型具有迥异的持水和入渗特性，研究尝试了按土壤类型（壤土、砂质壤土、粘土）分别建模。结果表明，分类建模总体上提高了模型精度，特别是对于数据量最少的粘土类型，其R²提升最为明显。然而，分类也带来了风险：对于样本量极少的土壤类别（如本研究中的砂质壤土和粘土），模型训练可能因样本不足而变得不稳定，导致预测性能的剧烈波动甚至下降。因此，土壤分类是一把“双刃剑”，需在模型精度提升与数据样本不足引发的风险之间寻求平衡。

3.4. 基于两阶段LSTM-ST模型的垂向土壤湿度预测

研究的另一大亮点是验证了LSTM-T模型在垂直维度的插值和预测能力。该模型能够利用一个站点任意两个已知深度的土壤湿度数据，成功预测第三个未知深度的土壤湿度值，表现出强大的泛化能力。更进一步，模型还能基于有限个离散深度的观测数据，较为准确地估计出任意指定深度（如0.10 m）的土壤湿度。这证明了LSTM-T模型能够有效捕捉土壤湿度在垂直剖面上的连续变化规律，突破了传统方法只能预测固定离散深度的限制。

结论与讨论

本研究表明，所提出的时空两阶段LSTM-ST模型是一种稳健、高效的区域三维土壤湿度估计方法。其核心优势在于：1) 高精度与强泛化：模型在水平和垂直维度均实现了高精度预测，且能泛化至未经训练的站点和深度。2) 物理启发的结构设计：两阶段设计分别对应了土壤湿度空间变异的主要驱动机制（水平异质性由气候-土壤-地形等控制，垂直变化受上层水分下渗滞后效应影响），LSTM-S中引入上层湿度作为深层模型输入，LSTM-T中引入深度向量，都在数据驱动框架中隐式地嵌入了物理约束，增强了模型的合理性与可解释性。3) 对实际应用的指导意义：研究揭示了数据量、序列长度、土壤分类等因素对模型性能的复杂影响，为实际应用中数据收集策略和模型优化提供了具体指导，例如建议在数据充足时优先使用较短的历史序列，并谨慎对待样本量不足的土壤分类建模。

这项研究的意义不仅在于提出了一个性能优异的估算模型，更在于其“分而治之、两阶段融合”的建模思想，为处理其他具有复杂时空依赖性的地学变量提供了可借鉴的框架。它架起了数据驱动方法与水文物理机理之间的桥梁，使得机器学习模型不再是一个“黑箱”，而是具备了物理一致性和时空连续性的强大分析工具，有望在水资源管理、农业精准灌溉、气候变化研究等领域发挥重要作用。