来源：期刊VIP网 时间：
作者：车银超;郑光;熊淑萍;张明天;马新明;席磊;
单位：河南农业大学信息与管理科学学院;河南省农田环境监测与控制技术工程实验室;河南农业大学农学院;
摘要：【目的】针对土壤墒情预测时特征因素复杂、预测精度不佳的问题，构建多因素土壤墒情预测模型DA-LSTM-soil，提高土壤墒情预测精度。【方法】以包含10个特征的气象和土壤时序数据作为输入，采用LSTM网络为基本单元，构建Encoder-Decoder网络结构，分别引入特征和时间两个注意力模块。利用河南省许昌市2020—2021年冬小麦生长过程中物联网监测站的气象、土壤数据集，对DA-LSTM-soil模型进行训练和测试。同时，利用DA-LSTM-soil模型对河南省4个不同土壤类型的小麦种植区的数据集进行预测。【结果】对比试验表明，相较于LSTM、CNN-LSTM、CNN-LSTM-attention、LSTM-attention等深度学习模型，DA-LSTM-soil模型在S_(RME)、S_(ME)、A_(ME)、R~2评价指标更优，分别达到0.176 4、0.031 1、0.046 6、0.993 8。消融试验显示，时间注意力对模型性能的提升高于特征注意力。对时间步的试验显示，用过往3 000 min的数据进行预测时，模型性能最佳；模型精度随着预测时长的增加有所下降，然而在5 000 min内，决定系数R~2仍保持在0.7以上。【结论】利用注意力机制，DA-LSTMsoil模型在Encoder前计算不同气象和土壤因素对墒情影响的权重，在Decoder前计算数据的时序对墒情预测的权重，双阶段注意力机制在特征提取和权重分配方面的作用显著，使模型具有更好的预测性能和泛化能力，可以为田块尺度麦田土壤墒情预测提供技术依据。
关键词：麦田;;土壤墒情预测;;时序数据;;长短期记忆网络;;注意力机制
基金资助：河南省重点研发专项(241111111500);; 国家重点研发计划(2023YFD2301503);; 河南省重大科技专项(221100110700);; 河南省科技攻关项目(222102110234)
