《Scientific Reports》:Explainable Quantile CNN-LSTM model for uncertainty-aware multi-layer soil moisture prediction in tropical cocoa plantations
编辑推荐:
本研究针对热带可可种植园根区多层土壤水分预测难题,提出改进的分位数卷积神经网络(CNN)-长短期记忆(LSTM)框架,实现概率性预测与可解释性分析。模型在5–105 cm土层取得平均R20.948、RMSE 0.39–0.79、MAPE<3%,并在独立测试区验证强泛化性。结合分位数回归提供可靠50%和80%预测区间,SHAP与IGA揭示深度依赖气候驱动机制,为精准农业智能灌溉与气候适应型水管理提供稳健工具。
在热带地区,可可树不仅是重要的经济作物,更是无数农户生计的依托。然而,这些娇贵的植物对水分变化极为敏感——从根系发育到开花结果,每一个生长环节都离不开恰到好处的水分供应。热带地区的降雨就像孩子的脸,说变就变,再加上土壤性质的空间异质性,以及雨水渗入地下的滞后效应,使得精准预测根区不同深度的土壤水分变得异常困难。传统的监测手段往往只能提供单一深度的数据,或者无法给出预测的不确定性范围,这让种植者难以制定科学的灌溉策略,要么浪费水资源,要么导致可可树因缺水而减产。在这样的背景下,一项旨在破解热带可可种植园土壤水分预测难题的研究应运而生。
为了解决这一挑战,研究人员开发了一种改进的分位数卷积神经网络(Convolutional Neural Networks, CNN)-长短期记忆(Long Short-Term Memory, LSTM)框架,专门用于热带可可种植园的多层土壤水分预测。这项研究成果最终发表在《Scientific Reports》上。该研究的核心目标不仅是提高预测精度,更要让模型的预测结果具有可解释性,并能量化预测的不确定性,从而为智能灌溉和气候适应性水管理提供可靠依据。
为了开展这项研究,研究人员采用了几个关键技术方法。首先,他们利用自相关分析指导的时间滞后优化,确定了最优的7天时间窗口用于模型输入。其次,研究构建了融合CNN与堆叠LSTM的混合深度学习架构,其中CNN负责提取局部时间特征,堆叠LSTM则用于建模序列依赖关系。同时,引入分位数回归(Quantile Regression)技术以实现概率性预测,生成可靠的预测区间。在模型可解释性方面,研究采用了SHapley Additive exPlanations (SHAP)和Integrated Gradients Attribution (IGA)方法进行分析。此外,研究使用了来自三个不同区域(Zone 1、Zone 2、Zone 3)的田间实测数据,其中Zone 1的数据仅用于模型训练与验证,而Zone 2和Zone 3的数据则作为独立测试集,以严格评估模型的时空泛化能力和鲁棒性。
Abstract
研究提出的模型在5至105厘米五个土壤深度上均表现出卓越的预测性能,整体平均决定系数(R2)高达0.948,均方根误差(RMSE)介于0.39至0.79之间,平均绝对百分比误差(MAPE)普遍低于3%。在Zone 2和Zone 3的独立测试中,模型性能下降极小,证实了其良好的空间迁移能力。在不确定性量化方面,分位数回归生成的50%和80%预测区间表现可靠,低平均分位数损失(Pinball Loss)、接近名义水平的预测区间覆盖概率(Prediction Interval Coverage Probability, PICP)、适中的平均预测区间宽度(Mean Prediction Interval Width, MPIW)以及优异的Winkler评分,共同证明了概率预测的校准良好与精确性。可解释性分析揭示了清晰的深度依赖性气候控制机制:浅层土壤主要受短期大气驱动因素影响,而深层土壤则更多受慢变的季节性因素影响。
这项研究的重要意义在于,它成功地将先进的深度学习技术与农业实际需求相结合,提供了一个稳健、具备不确定性感知且可解释的土壤水分预测框架。通过精准预测不同深度的土壤水分并量化预测风险,该模型能够为热带可可种植园的智能灌溉系统提供科学决策支持,帮助种植者在应对降雨波动时做出更优的水资源管理决策,最终实现节水增产与气候适应性的双重目标,为保障热带地区农业可持续发展提供了有力的技术支撑。