一种预测农业区土壤储水量的新方法：基于变分模态分解和经验小波变换的优化堆叠集成模型

《Agricultural Water Management》：A novel approach for predicting soil water storage in agricultural areas: An optimized stacked ensemble model based on variational mode decomposition and empirical wavelet transform

　　

为了协调土壤储水量（SWS）预测中的模型精度与数据质量，本研究通过整合变分模态分解（VMD）、经验小波变换（EWT）和异构堆叠集成算法，开发了VMD-EWT-NSGA-III-LSTM-CNN-TFT（VE-NLCT）模型。利用松嫩平原1982–2024年的月度数据，该模型被用于预测2024–2039年的储水趋势并分析时空演变。结果显示，第4阶段（2012–2024）的不确定性增加：变异系数（CV）上升至0.0854，曼-肯德尔 Tau（Mann-Kendall's Tau）= 0.3838，近似熵（ApEn）逐步增加。VE-NLCT将原始数据分解为六个本征模态函数（IMF）；IMF1和IMF2的信噪比（SNR）分别达到41.81 dB和25.16 dB。分解后的数据表现出改进的平稳性（克维亚特科夫斯基-菲利普斯-施密特-辛（KPSS）统计量降低0.427–1.181）和更低的过拟合风险。后验评估确认了高精度（平均C = 0.085；96.93%的站点评为“优秀”，所有p值超过0.95）。预测揭示了持续的空间异质性：西南部储水量最低（最小2760 m³/ha），中部地区最高。北部储水量增加但仍保持中低水平。储水稳定性在三个5年阶段中下降，第3阶段8–9月的标准差达到951和956。VE-NLCT在所有指标上优于基准模型（R² = 0.9883；平均绝对误差（MAE）、均方根误差（RMSE）、平均绝对缩放误差（MASE）、动态阈值误差（DTE）和基于形状的误差（SBE）的误差降低30.72–71.09%；对抗验证曲线下面积（AUC）= 0.5342；抗噪分数= 0.911）。VE-NLCT减少了对大量训练数据的依赖，适用于数据稀疏的农业区域，并为黑土农业区提供了准确、稳健的SWS预测工具。

**论文解读：基于VMD-EWT和优化堆叠集成的土壤储水量预测新方法**

**研究背景与问题**

黑土农业区在全球粮食安全中具有战略地位，但集约化耕作导致土壤有机质耗竭和储水能力下降。土壤储水量（SWS）作为作物水分供给的核心指标，其精准预测对农业灌溉和抗旱管理至关重要。然而，现有方法面临两大矛盾：机理模型依赖大量物理参数，在大尺度应用中难以获取高精度参数；数据驱动模型（如深度学习）虽拟合能力强，但在非平稳、噪声干扰的长时序数据中易过拟合，且预测精度与泛化能力难以兼得。当前研究存在三个关键空白：单一信号分解方法难以分离高复杂度成分；堆叠集成模型在SWS预测中应用较少，且缺乏多目标优化权重分配；多数评估仅依赖常规误差指标，缺乏跨区域稳定性和抗干扰验证。为此，研究人员在《Agricultural Water Management》发表论文，提出一种融合变分模态分解（VMD）、经验小波变换（EWT）和NSGA-III优化堆叠集成的新模型，旨在解决上述问题，并为黑土区农业水管理提供技术支撑。

**关键技术与方法**

本研究采用的主要技术方法包括：变分模态分解（VMD）和经验小波变换（EWT）用于信号分解与重构，以分离噪声并提升数据平稳性；非支配排序遗传算法III（NSGA-III）作为元学习器，优化长短期记忆网络（LSTM）、卷积神经网络（CNN）和时序融合变换器（TFT）三个基学习器的权重组合，构建异构堆叠集成模型（VE-NLCT）。样本数据来源于NASA FLDAS数据集，覆盖松嫩平原1982–2024年共511个月的多层土壤水分数据，研究区域划分为76个行政区，共选取228个采样点（每个子区域3个代表性农田点），产生466,032个有效时序样本。

**研究结果**

**4.1 数据质量评估**：通过变异系数（CV）、曼-肯德尔检验和近似熵（ApEn）分析，发现1982–2024年间SWS空间变异性增加，第4阶段（2012–2024）CV升至0.0854，曼-肯德尔 Tau=0.3838（>90%站点趋势显著），ApEn持续上升，表明区域土壤储层不确定性加剧，需加强监测。

**4.2 数据分解与分析**：VMD-EWT将原始数据分解为6个本征模态函数（IMF），其中IMF1和IMF2的平均信噪比（SNR）分别达41.81 dB和25.16 dB，有效分离信号与噪声。分解后数据平稳性显著提升（KPSS统计量降低0.427–1.181），且低频分量（IMF2–5）自相关性低（AC<0.2），降低了季节性噪声干扰和过拟合风险。

**4.3 模型精度分析**：后验评估显示，VE-NLCT模型在所有采样点的平均C值为0.085（等级“优秀”），96.93%的站点C值<0.35，且所有p值>0.95，证实模型在松嫩平原SWS预测中具有高精度和稳定性。

**4.4 SWS时空演变**：预测2024–2039年SWS趋势发现，空间上西南部储水量最低（最小2760 m³/ha），中部哈尔滨南岗区最高；北部储水量增加但仍处于中低水平。时间上，5–6月储水量平稳，7–8月骤升，第2阶段8月均值达5759 m³/ha。稳定性在三个5年阶段逐渐下降，第3阶段8–9月标准差达951和956，表明关键作物生育期（8–9月）水分胁迫风险增加。

**讨论与结论**

讨论部分对比了VE-NLCT与基准模型（LSTM、CNN、TFT、NLCT、RF、XGBoost、SVR）的拟合效果、数值精度和可靠性。VE-NLCT的调整R²均值达0.9883，波动范围仅0.038，优于其他模型；在MAE、RMSE、MASE、DTE和SBE五个指标上误差降低30.72%–71.09%；对抗验证AUC值0.5342（最接近0.5），动态抗噪分数0.911，表明其跨区域稳定性和抗干扰能力最强。研究结论总结为五点：（1）1982–2024年松嫩平原SWS不确定性增加，第4阶段CV激增、趋势显著、复杂度上升，需加强监管；（2）VE-NLCT分解的六个IMF有效分离信号，提升数据平稳性并降低过拟合风险，后验评估确认高精度；（3）预测显示西南部储水量最低，北部呈上升趋势，8–9月稳定性下降，关键生育期水分胁迫风险增大；（4）VE-NLCT在所有指标上优于基准模型，提供高可靠性的SWS时序预测工具；（5）该框架耦合VMD-EWT分解和NSGA-III优化堆叠，适用于非平稳水文预测，可推广至全球粮食主产区，未来可融合多源气象和耕作数据以提升模型物理可解释性。