一个时空CNN-LSTM深度学习模型用于预测各种大型区域气候中的土壤温度

科学领域:

• 土壤科学 土壤科学
• 水文学的水文学
• 农业 农业 农业 农业
• 环境工程 环境工程
• 气候学 气候学 气候学

背景情况:

• 土壤温度是影响许多环境和农业过程的关键因素.
• 准确地预测土壤温度对于水资源管理,农业和气候适应方面的有效决策至关重要.
• 现有的模型可能无法完全捕捉不同气候条件下的土壤温度的复杂时空动态.

研究的目的:

• 开发和评估一个优化的深度学习模型,用于预测每小时的时空土壤温度在0-7厘米深度.
• 评估模型在加拿大和美国五个不同的气候区的性能.
• 将拟议模型的准确性与既有机器学习技术 (如随机森林和支持向量回归) 进行比较.

主要方法:

• 采用了一个优化的二维卷积神经网络 (CNN),与单层长短期记忆 (LSTM) 模型集成.
• 该CNN-LSTM模型是使用每年每小时时间序列的时空地表土壤温度数据进行训练的.
• 模型性能使用相关系数,正常化根平均平方误差 (NRMSE) 和确定系数 (R2) 进行评估.

主要成果:

• CNN-LSTM模型显示出高预测准确度,训练相关性在99.18%至99.69%之间,测试相关性在93.72%至99.24%之间.
• 与随机森林 (RF) 和支向量回归 (SVR) 模型相比,该模型在所有评估的气候区域实现了优异的性能.
• CNN-LSTM的NRMSE值从1.42%到3.63%和R2值从93.73%到99.25%,显著优于RF和SVR.

结论:

• 开发的CNN-LSTM模型提供了一种可靠和准确的方法来预测时空土壤温度.
• 该模型在不同气候中的有效性突显了其在农业,水文学和气候适应领域的大规模区域应用的潜力.
• 结果支持改善作物管理,灌策略,环境监测和气候变化缓解的决策.