[发明专利]基于深度学习的土壤耕作层水分温度预测方法

说明书

本发明涉及一种基于深度学习的土壤耕作层水分温度预测方法，基于LSTNet模型进行了改进，提出了W‑MA‑LSTNet土壤水分温度预测模型。在W‑MA‑LSTNet土壤水分温度预测模型中：引入小波降噪模块，减少数据集中噪声对模型训练产生的负向影响；其次引入混合注意力模块，加入维度与时间步混合注意力机制。通过实验表明，相较于LSTNet模型，W‑MA‑LSTNet模型在RMSE、MAE、MAPE、R2等指标上均更优，且在壤土的预测效果要优于砂土。本发明可有效完成对耕作层土壤未来时刻水分温度的精准预测，有助于实现精细化农作物种植管理，为现代化农业种植提供支撑。

技术领域

本发明涉及一种土壤耕作层水分温度预测方法。

背景技术

农业土壤一般由耕作层、犁底层、心土层和底土层等层位组成。耕作层指经长期耕种已经熟化的表土层，深度大约为15-20cm。耕作层易受周围环境气候条件的影响，该层往往有机质含量高、养分丰富、土体疏松，农作物的根系主要分布在耕作层中。犁底层位于耕作层之下，厚度约6-8cm，是由于大型农业机械重压作用形成的结构致密的层位。犁底层的土壤特点是紧实，一般多为片状、大块状或层状结构。犁底层总孔隙度较小且通气性差，农作物的根系下扎困难。心土层通常指犁底层下至50cm深度的土层，一般较差且养分含量较低。底土层是不受耕作影响并保持母质特性的一层土壤。底土层在心土层以下，一般位于土壤表面下50-60cm。这一层很少受到地表气候的影响，而且相对致密、物质转化较慢、有效养分较少同时根系分布较少。在农业种植中，农作物的根系主要依赖耕作层的土壤环境而很少分布在其他层位，因此需要对土壤耕作层给予更多的关注。

在土壤的众多参数中，土壤温度与水分两个参数具有重要作用。土壤水分是保证植物生长的关键，土壤水分过低或过高都不利于田间耕作措施和播种质量，保持适宜的土壤水分和良好的土壤通气性对农作物优质栽培具有重要意义。土壤水分过低，形成土壤干旱；土壤水分过高，恶化土壤通气性，影响田间作物生长，土壤水分已成为农业生态、环境气候等领域的关键研究内容。

土壤温度是土壤各种化学、物理学和生物学过程和植物生长的基本条件之一，耕作层土壤温度的高低对农作物的生长发育有着重要影响。土壤温度是影响农业活动，灌溉计划和土壤排水的最重要变量。耕作层拥有丰富的养分，农作物根系也主要分布在该层，注重保护与培肥耕作层是获得作物高产的前提。因此对耕作层土壤水分及温度进行的高质量时序预测对科学研究和农业生产实际都有重要意义。

目前土壤温度与水分等参数的获取主要通过卫星遥感与现场传感器测量两种途径获取。相对于卫星遥感，通过现场传感器采集土壤参数具有实时性更强以及简单便捷的特点。随着无线通信与物联网技术的高速发展，现场土壤参数采集适用于布局较为分散的农业种植区域，并且有助于在现场进行实时的土壤灌溉工作。为了加强农业种植能力，需要进一步预测未来的土壤水分温度参数。针对土壤耕作层水分温度时间序列数据预测，研究者提出了不同预测方法包括物理学方法、统计学方法和人工智能方法等，在不同的土壤环境下有其适用的方法。