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

摘要：

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.

关键词：长短期记忆神经网络(LSTM)、土壤体积含水量、气象因子、多时次预测、精准灌溉

所属期刊栏目：53

分类号：S152.7(土壤学)

资助基金：中国气象局气象干部培训学院科研项目;湖南省气象局短平快科研项目

在线出版日期：2021-04-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：209-216