监测采样间隔对土壤墒情预测模型性能的影响

【目的】为了实现准确的农田土壤墒情预测,以茶园不同深度的土壤墒情为对象,对不同的监测采样间隔下的多种茶园土壤墒情预测模型进行了对比研究.【方法】经相关性分析,确定了时段初始湿度、光照、空气温度、空气湿度、土壤温度、土壤电导率和降雨量7种影响因子,对土壤墒情分别建立了多元二次回归、BP神经网络和LSTM深度学习模型.研究了10、30、60、90、120 min等不同监测采样间隔下土壤墒情的预测精度,同时对3种模型的预测结果进行了对比分析.【结果】LSTM深度学习模型的平均相对误差为0.399%,在3种模型中最小.多元二次回归模型的预测误差随着采样间隔的增大而增大,BP神经网络与LSTM深度学习模型在采样间隔为30 min时预测误差最小,平均相对误差<0.5%.研究认为,最合适的监测采样间隔为30 min,且LSTM深度学习模型具有稳定性好、精度高的特点,适用于土壤墒情预测.【结论】本研究结果为土壤墒情监测采样间隔的设定和建模方法的运用提供依据,对土壤墒情预测模型的研究和应用具有重要意义.

Effect of different monitoring sampling intervals on soil moisture prediction model performance