基于RF-BiLSTM神经网络的多时次土壤水分动态预测

为探究土壤水分变化特征,提高土壤水分的预测准确率,提出基于随机森林与双向长短期记忆神经网络结合的土壤水分预测方法(RF-BiLSTM),采用三亚国家气候观象台2016-2021年10 cm深度的土壤体积含水量小时数据和同期7个气象要素(气温、地面温度、10 cm地温、日照时数、相对湿度、降水量、蒸发量)资料,开展多时次土壤水分预测。结果表明,RF-BiLSTM模型对6、12、24、48 h后的土壤体积含水量预测平均绝对误差(MAE)分别为0.462%、0.702%、0.889%、1.282%,决定系数(R2)分别为0.983、0.967、0.951、0.913,准确率均高于长短期记忆神经网络模型、BP神经网络模型。

长短期记忆神经网络在多时次土壤水分动态预测中的应用

基于长沙站2016—2019年10 cm深度土壤水分自动观测小时数据集,利用长短期记忆神经网络(LSTM)模型结合随机采样学习方法,开展了土壤水分多时次预测,结果表明:LSTM模型对6、12、24、48 h后的土壤体积含水量预测均方根误差(RMSE)分别为0.22%、0.28%、0.38%、0.54%,决定系数(R2)分别为0.99、0.99、0.98、0.96,除6 h预测步长外,准确率均优于自回归整合滑动平均(ARIMA)模型,且误差稳定、无异常值出现,预测准确率远优于相关研究。该结果证实了基于LSTM模型精准预测土壤水分动态的可行性,为精准灌溉和干旱预警提供了计算机技术及手段支撑,为政府及科研部门水资源管理政策的制定提供了数据支持。