基于浅层-深度耦合卷积神经网络的土壤湿度预测算法: 以阿巴嘎旗与巴南区典型区域为例

周连杰; 阮廷生; 郎丹宁; 李佳; 刘倩; 王勇; 邓天民; 张翔

doi:10.12404/j.issn.1671-1815.2506139

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (22) :9629-9638 DOI: 10.12404/j.issn.1671-1815.2506139

自动化技术、计算机技术

基于浅层-深度耦合卷积神经网络的土壤湿度预测算法: 以阿巴嘎旗与巴南区典型区域为例

周连杰 ¹ ,
阮廷生 ¹^,^* ,
郎丹宁 ¹ ,
李佳 ¹ ,
刘倩 ¹ ,
王勇 ¹ ,
邓天民 ² ,
张翔 ³

作者信息 +

Soil Moisture Prediction Algorithm Based on Shallow Deep Coupled Convolutional Neural Network: Typical Regions in Abaga Banner and Banan District

Author information +

文章历史 +

摘要

土壤湿度是农业、环境科学、水文学等领域中非常重要的参数之一,通常用体积含水量来表示,即土壤中水的体积与总体积之比。随着机器学习的发展,尤其是卷积神经网络在土壤湿度预测等领域的广泛应用,提出了深度-浅层耦合卷积神经网络(shallow deep coupled convolutional neural network,SD-CNN)。该模型通过对遥感影像或已有土壤湿度数据进行处理,可自主学习数据中的深浅层特征,并利用这些特征对未知区域的土壤湿度进行精确预测。相比传统的观测方法和传感器获取方式,SD-CNN 能够在较短时间内获取大范围、连续性更强的土壤湿度信息,并有效捕捉其空间变异性,从而显著提升预测的准确性和可靠性。将 SD-CNN 应用于山地复杂地形环境,并通过迭代次数和参数设置进行区域适配,可基于历史数据实现对未来一年土壤湿度的高精度预测,并通过实测数据验证其相关性与稳定性。实验结果表明该土壤湿度预测能力不仅能提高精准灌溉和农业生产效率,降低水资源消耗,还能增强干旱监测、洪涝预警和生态调控的科学性,从而为农业稳产增产、水资源优化配置以及生态安全保障提供关键技术支撑,对区域乃至国家经济的可持续发展具有重要推动作用。

Abstract

Soil moisture is one of the most important parameters in agriculture, environmental science, and hydrology. It is commonly expressed as volumetric water content, defined as the ratio of the volume of water in the soil to the total soil volume. With the rapid development of machine learning, particularly the widespread application of convolutional neural networks in soil moisture prediction, SD-CNN (shallow-deep coupled convolutional neural network) was proposed. By processing remote sensing imagery or historical soil moisture data, the model automatically learns both shallow and deep features embedded in the data and utilizes these features to accurately predict soil moisture in unobserved regions. Compared with traditional observation methods and sensor-based measurements, SD-CNN can obtain wide-coverage, continuous soil moisture information within a shorter time and effectively capture its spatial variability, thereby significantly improving prediction accuracy and reliability. By applying SD-CNN to complex mountainous terrain and performing regional adaptation through iterative optimization and parameter tuning, the model achieves high-precision predictions of soil moisture for the upcoming year and demonstrates strong correlation and stability when validated with field measurements. Experimental results show that this soil moisture prediction capability not only improves precise irrigation and agricultural production efficiency, but also strengthens drought monitoring, flood forecasting, and ecological regulation. These advancements provide essential technical support for stable agricultural output, optimized water resource allocation, and ecological security, ultimately contributing to sustainable regional and national economic development.

Graphical abstract

关键词

土壤湿度 / 卷积神经网络 / 传感器 / 浅层

Key words

soil moisture / convolutional neural networks / sensor / shallow

引用本文

引用格式 ▾

周连杰, 阮廷生, 郎丹宁, 李佳, 刘倩, 王勇, 邓天民, 张翔. 基于浅层-深度耦合卷积神经网络的土壤湿度预测算法: 以阿巴嘎旗与巴南区典型区域为例[J]. 科学技术与工程, 2026, 26(22): 9629-9638 DOI:10.12404/j.issn.1671-1815.2506139

ZHOU Lian-jie, RUAN Ting-sheng, LANG Dan-ning, LI Jia, LIU Qian, WANG Yong, DENG Tian-min, ZHANG Xiang. Soil Moisture Prediction Algorithm Based on Shallow Deep Coupled Convolutional Neural Network: Typical Regions in Abaga Banner and Banan District[J]. Science Technology and Engineering, 2026, 26(22): 9629-9638 DOI:10.12404/j.issn.1671-1815.2506139

登录浏览全文

4963

注册一个新账户忘记密码

土壤湿度即土壤的干湿程度,其表示土壤的实际含水量,是联系地表水和地下水的关键变量^[1],是地气能量交换的基本参数,在气候、水文、农业和陆地生态环境等多个领域中具有非常重要的研究意义。

在获取大范围的土壤湿度数据集的研究中,传感器观测方法主要作为土壤湿度计法、烘干法、光学/微波提取方法^[2]的真值数据使用^[3]。Wang等^[4]对深度学习在土壤湿度预测中的综合评估与方法比较,系统性综述与模型设计为改进土壤湿度反演的泛化能力提供了参考建议;路钊等^[5]以甘肃民勤荒漠绿洲为例,利用多源遥感数据评估干旱指数在土壤湿度反演中的适用性,为干旱半干旱地区的土壤湿度监测提供方法参考;Hemmati等^[6]利用SAR数据与迁移学习在局地尺度上进行表层土壤湿度反演,并评估在样本稀缺区的适用性;Abbes等^[7]综述了遥感技术在土壤湿度反演中的最新进展,重点探讨了物理模型与机器学习方法融合的机遇与挑战。传感器技术和物联网^[8]技术可以获取较高时间分辨率的土壤湿度数据,但由于观测点密度仍然比较稀疏,所获取的数据集依然很难表现出土壤湿度的空间变异性^[9]。相比于已有的提取技术,BP神经网络^[10]、图卷积神经网络^[11]和迁移学习^[12]可能取得较高精度。

学者们利用多种机器学习方法对土壤湿度进行反演,其中深度神经网络具有比较大的优势,相比于支持向量机、随机森林^[13]、径向基神经网络、人工神经网络。其中卷积神经网络(convolutional neural network,CNN)^[14]在其中的影响力尤为突出。CNN常被用于图像分类,但近年来也开始被应用于土壤湿度反演。李巧玲等^[15]通过CNN构建降尺度模型获取了高精度土壤湿度数据。CNN在图像分类、图像分割等领域已经取得了巨大的成功。现在,越来越多的研究者开始将CNN应用于土壤湿度预测领域^[16]。通过对遥感影像或已有土壤湿度数据进行处理,CNN可以自主学习数据中的特征,并利用这些特征对未知的土壤湿度进行预测。相比传统的观测方法和传感器方法,CNN能够在较短的时间内获取更多的土壤湿度数据,并能够捕捉到土壤湿度的空间变异性,从而提高土壤湿度预测的准确性和可靠性。通过引入了移动窗口概念,将区域作为基本单元,以减小这些因素的影响。此外,迁移学习^[17]也可解决重训练中样本少、成本高等问题。融合残差网络^[18]、双向长短期记忆网络及多头注意力模型构建预训练模型,并通过微调将其应用到土壤湿度提取^[18]。然而,传统的卷积神经网络往往将单点特征作为网络输入,无法充分考虑像元位置偏移和邻近地物反射辐射等因素的影响。

因此,提出浅层-深度耦合卷积神经网络(shallow deep coupled convolutional neural network,SD-CNN),将SD-CNN在山地环境中进行参数适配,针对遥感指数反演土壤湿度精度易受数据类型、植被覆盖等因素影响的问题,提出一种基于卷积神经网络山地环境土壤湿度的反演方法。与常用光学干旱指数^[19]方法做出的数据对比,为土壤湿度监测预测提供新思路,为土壤湿度监测和预测提供了新的技术路径,还可以为农业生产^[20]、水资源管理^[21]等领域提供重要的支持。

1 总体研究框架

土壤湿度高精度预测研究框架图如图1所示,其流程如下。

(1)获取数据源:收集同一地区不同时间段的土壤湿度数据作为训练数据集。通过地理空间数据云和国家地球系统中心可以获取相关地区的遥感影像。

(2)数据预处理:将遥感图像与地面实测数据进行校准,进行裁剪、大气校正、辐射定标等操作,确保它们在时间和空间上匹配。

(3)训练数据集:根据已有遥感影像,通过基于掩膜的区域卷积神经网络(mask region-based convolutional neural network, Mask R-CNN)模型,对已有遥感数据进行训练,得出该地区不同时段的数据集。

(4)建立SD-CNN:通过paddlepaddle深度学习框架搭建模型,融合深度CNN和浅层机器学习,完成对土壤湿度的预测。

(5)模型评估:将数据集与原数据对比,以了解其性能和准确度。

2 研究区概况与数据来源

2.1 研究区概况

阿巴嘎旗位于内蒙古自治区西部,其地理坐标为44°02'N~45°08'N,103°52'E~105°32'E。阿巴嘎旗位于内蒙古高原东北部,属于温带大陆性季风气候区。其地形地貌复杂多样,自然资源丰富,西邻敖汉旗,北和东分别与内蒙古自治区的乌海市和赤峰市的喀喇沁旗相邻。阿巴嘎旗地处内蒙古高原的东北部,地形起伏较大,地貌类型主要包括:高原、山地、河谷、湖泊等。土地资源丰富,土壤类型较为多样化,各种土壤都有其适合种植的作物和发展的优势。

重庆市巴南区位于四川盆地东缘,地理坐标为 29°16'N~29°31'N、106°29'E~106°55'E。巴南区属亚热带湿润季风气候区,其地形主要以丘陵、低山为主,地势起伏较缓,河谷纵横,地貌类型多样。气候温暖湿润,年降水量较高。该区土壤类型主要包括紫色土和黄壤,土地利用以耕地和林地为主。其气候与地形条件为土壤水分的时空变化提供了典型的代表性环境。

图2和图3清晰呈现了阿巴嘎旗和重庆市巴南区研究区的地形地貌格局、主要水系、植被覆盖以及地表起伏特征。通过对比可以直观观察到阿巴嘎旗以高原草地和湖盆为主的干旱半干旱景观,与巴南区丘陵-河谷相间的湿润亚热带地貌差异,从而为后续分析两类典型环境中土壤湿度的时空变化机制提供空间认知基础。

2.2 地面实测数据

构建土壤反演模型,并且预测和验证结果,还需要用到40 cm和10 cm土壤湿度的实测数据以及相关的气象数据。通过在地理遥感生态网(www.gisrs.cn)获取到了2012—2021年阿巴嘎旗与巴南区土壤湿度数据集。数据主要包括10 cm土壤湿度、40 cm土壤湿度、日期、蒸发量以及月份等信息。其中,10 cm湿度表示浅层土壤含水状况,40 cm湿度反映较深层土壤水分变化;蒸发量用于表征地表水分散失强度;日期和月份则用于描述数据的时间特征。

卷积神经网络具有优秀的特征提取能力,能够从图像中自动学习和提取出与目标相关的特征。对于土壤湿度这一复杂的地表参数,通过卷积神经网络可以将图像中的各种空间信息、纹理特征、颜色分布等多种特征进行有效融合和提取,从而得到更加准确的土壤湿度信息。

土壤湿度与遥感图像的关系:遥感可以获取到地表覆盖信息的多光谱数据,其中包括反映土壤湿度的植被指数和水汽吸收带等信息。这些信息与土壤湿度之间存在着一定的关系,卷积神经网络可以通过训练学习到这种关系,进而实现对土壤湿度的提取和预测。

卷积神经网络就是把一张图分为多个特征向量,如图4所示,通过多层的卷积,池化,全连接等操作使之降为一维向量,最终这个一维向量就表示整个图片的特征信息,这个特征信息指的是经过神经网络处理后的特征。卷积神经网络一共分为5个层级结构。

2.2.1 输入层

将数据进行预处理比如去均值、归一化等操作,选择最大、最小值进行归一化。

2.2.2 卷积层

人的大脑对图片信息的提取也不是直接进行全局扫描的,而是先从观测的特征点或部位开始,再纵观全局,机器学习也是如此。卷积层通过使用“卷积核”来进行局部感知。

如图5所示,一个32×32×3的RGB图像经过一层5×5×3的卷积操作后,变成了一个28×28×1的特征图。这意味着输入层共有32×32×3=3 072个神经元,而第一层隐层只有784个神经元,且这些神经元仅与原输入层的神经元进行局部连接。通过这种局部感知的特性,模型可以大大减少计算参数,从而提高了模型的计算效率和准确性。换句话说,卷积操作可以有效地提取出图像中的局部特征,并将其映射到下一层隐层中,从而实现对图像的深度学习处理。这种方法已经被广泛应用于计算机视觉领域,包括图像分类、目标检测、图像分割等任务。

2.2.3 激励层

激励层指在每个卷积层之后添加的一层,用于对卷积层输出的特征图进行非线性变换。采用线性整流函数(rectified linear unit, ReLU)或其变种作为激活函数,将卷积层的输出转化为具有非线性特征的特征图。激励层主要有两个方面的作用:第一,它能够增强网络的非线性表示能力,使得网络能够学习到更加复杂和抽象的特征;第二,它能够避免梯度消失的问题,使得网络的训练更加稳定和快速。

除了ReLU激活函数之外,还有其他的激活函数可以用于激励层,如sigmoid函数、tanh函数等,不同的激活函数会对网络的性能产生不同的影响。因此,在实际应用中需要根据具体情况选择适合的激活函数。

2.2.4 池化层

池化是一种用于减小特征图大小的操作,它通常跟在卷积层之后,用于降低特征图的维度和参数数量,从而减少计算量,避免过拟合。它分为最大池化和平均池化。最大池化将输入特征图分割成若干个不重叠的矩形区域,然后对每个区域取最大值作为输出;而平均池化则是对每个区域取平均值作为输出。池化层的核大小和步长可以自由设置,通常选用2×2的核大小和2的步长。其主要作用是进行下采样,减少特征图的大小,从而使得模型具有更好的泛化性能,同时也能够增强模型的不变性,提高模型的鲁棒性,如图6所示。此外,池化层还能够有效地减少特征图中的噪声和冗余信息,提高特征的表达力。

2.2.5 输出层

卷积神经网络的输出层通常由一个或多个全连接层组成,这些层将前面卷积层和池化层提取的特征进行展开和降维,最终输出网络的预测结果。对于分类任务,输出层通常使用softmax激活函数来将预测结果映射到类别概率上,使得输出结果可以被解释为每个类别的概率值。对于回归任务,输出层通常直接输出连续值,如坐标、长度、面积等。

3 实验结果与分析

3.1 数据预处理

对相关遥感影像进行预处理,主要进行投影变换、图像裁剪、大气校正等操作。首先,将影像的投影转换为经纬度投影,基准为WGS-84。然后,对经过包含研究区域大致范围粗裁剪后的影像进行绝对辐射定标。同时,利用已有的土壤湿度地面观测数据集。整理阿巴嘎旗与巴南区的实测数据,将所需地区按照时间顺序排列,其中部分数据如表2所示。

3.2 实验过程

研究采用PaddlePaddle框架来搭建卷积神经网络,对阿巴嘎旗研究区域40 cm土壤湿度和10 cm土壤湿度以及巴南区研究区域10 cm土壤湿度进行数据的预处理、模型的构建、训练、预测并且可视化等。数据集以阿巴嘎旗为例,采用其南部的相关草原40 cm土壤湿度和10 cm土壤湿度,并且经过预处理,将其10 cm湿度、40 cm湿度、100 cm湿度、200 cm湿度、逐日土壤蒸发量、土壤蒸发量、植被指数降雨量、最大单日降雨量以及降雨天数导入Excel。其部分数据集所包含的字段以及该字段的数据类型如表3所示。

3.2.1 划分数据集

导入paddle以及数据集,并读取数据,构建Datetime字段,按照时间顺序排序,进行可视化,如图7所示。

先对土壤湿度进行线性回归,包含年份、月份、归一化植被指数(normalized difference vegetation index, NDVI)、降雨量、降雨天数等因子。在线性回归中,通过一个或多个自变量(也称为特征)来预测一个因变量(也称为目标)。线性回归模型假设因变量与自变量之间存在一个线性关系,即目标值可以由输入特征的线性组合进行预测。该模型的数学表达式为

(1)y=b+w₁x₁+w₂x₂+…+w_nx_n

式(1)中:y为目标值;b为偏差项;x_i为第i个自变量;w_i为对应的权重。

在训练过程中,使用已知的自变量与对应的目标值来调整模型参数,使得模型预测结果与真实值的误差最小化。将其可视化如图8所示,发现10 cm土壤湿度、40 cm土壤湿度和NDVI相关性较高,分别为0.57、0.37。

需要一部分验证的数据集,选取2012—2021年共10年的数据,按照9∶1的比例划分数据集,前者用于训练。后者用于预测并进行对比,验证实验的准确性。由此得出可视化结果如图7所示。

3.2.2 将训练数据与预测数据归一化

最大最小值归一化是一种常见的数据预处理技术,它可以将原始数据缩放到一个特定的范围内。该方法通过将每个特征的值映射到0~1的范围来进行归一化,即

(2)X_normalized=X-$\frac{{X}_{min}}{{X}_{max}-{X}_{min}}$

式(2)中:X为原始数据;X_min和X_max分别为该特征的最小值和最大值;X_normalized为归一化后的结果。

划分卷积窗口与标签值,前期训练与预测比例9∶1,以年为时间单位预测结果,因此指定12个连续数据为一个卷积窗,进行卷积神经网络,通过得出来的预测值与第13个数据进行比较,计算出损失。

3.2.3 SD-CNN耦合模型

卷积神经网络的组网主要涵盖多个关键层级,其中卷积层为CNN的核心构成之一,主要用于提取图像中的特征。在卷积层中,使用一系列滤波器(也称为卷积核)对输入图像进行卷积操作,生成一组输出特征图。池化层通常紧跟在卷积层后面,用于缩小特征图的尺寸并增强特征的鲁棒性。常见的池化方式包括最大池化和平均池化。批量归一化层用于加速训练过程和提高模型的鲁棒性。它通过对每个批次的输入数据进行归一化,使得每个神经元的输入分布更加稳定。激活函数层通常放置在卷积层或全连接层的后面,用于增强模型的非线性能力。常见的激活函数包括ReLU^[22]、Sigmoid和Tanh等。全连接层用于将特征图映射到分类标签或回归值。在全连接层中,每个神经元都与上一层的所有神经元相连。Dropout层是一种正则化技术,用于减少模型的过拟合风险。它通过在训练过程中随机删除一些神经元来强制模型学习更加鲁棒的特征。作者根据输入、卷积核、步长、填充、空洞大小一组参数计算出特征层大小,经过卷积层,并且采用激活函数ReLU,再经过线性层。

3.2.4 模型训练

均方误差(mean square error,MSE)是一种常见的回归问题中使用的损失函数。它衡量了模型预测值和实际值之间的平方误差的平均值。MSE损失函数可以表示为

(3)J(θ)=$\frac{1}{2m}\sum _{i=1}^{m}$[h_θ(x_i)-y_i]²

式(3)中:m为训练样本的数量;y_i为第i个样本的真实标签;h_θ(x_i)为第i个样本的预测标签。

该损失函数可以被解释为:对于每个样本,计算它的预测值和真实值之间的差异的平方,然后将所有样本的平方差异加权平均。最小化该损失函数可以使得模型更好地逼近真实值,并提高模型的回归准确率。采用MSE损失函数,设置随机数种子518,使用Adam优化器^[23],学习率设置为0.001,训练次数分别设置为1 000、10 000、100 000。

3.2.5 模型预测

选用最后一年的土壤湿度数据即最后12个序列作为预测数据的输入,将其传入模型中计算出结果。得出的结果仍为归一化结果,需要原来的值则进行反归一化,最后进行可视化绘制与输出。

3.3 实验结果

不同训练迭代次数下土壤湿度预测值与实测值对比结果如图9所示。

阿巴嘎旗40 cm土壤湿度如图9(a)~图9(c)所示。在经过1 000次训练时,已经发现有部分月份的预测值十分接近实测值,但仍有大部分数据与实测值有明显差距。如图9(b)所示,10 000次训练后,大致走势已经相同,但前几个月的数据仍有较大差距。于是加强训练,如图9(c)所示,经100 000次训练后,预测值与真实值走势极其相似,每个数据与实测数据之间相差7~15 kg/m²。

阿巴嘎旗与巴南区分别进行了10 cm土壤湿度的预测,如图9(d)~图9(i)所示。经过不同训练次数之后,在100 000次时发现之间的数据预测值波动范围明显减少,与实测数据相差在2%左右,由此可得,初始数据的精度越高,所得预测结果也越接近真值。

3.4 实验验证

由于实际数据取的是区域平均值作为结果,所以用于分析的土壤湿度SD-CNN模型预测值也用区域内的均值,进行线性拟合分析,其中X轴为土壤湿度实测数据,Y轴为土壤湿度SD-CNN模型预测值,如图10所示。从图10中可以看出,实际土壤湿度数据与土壤湿度SD-CNN模型预测值的相关性较高,线性函数相对系数为0.652 6,对数函数的相对指数为 0.642 9,指数函数的相对指数为0.649 3。

4 结论

观察预测土壤湿度可以为农业、园艺、生态学和环境科学等领域提供十分有用的信息。基于SD-CNN模型,融合深度CNN模型和浅层时序机器学习模型,采用土壤湿度实测值来训练数据集,并对当前已有数据集进行预测评估。基于内蒙古自治区锡林郭勒盟阿巴嘎旗与重庆市巴南区2012—2021年的土壤湿度数据,基于CNN模型来预测土壤湿度,得出以下结论。

(1)基于SD-CNN模型,结合山地环境,实际选定40 cm土壤湿度和日期作为参数进行处理。其中包括对数据集分析,按照需求整列成需要的字段与格式;分析线性回归函数,选取NDVI变量;最后进行浅层-深度模型组网,采用损失函数进行训练,预测10 cm土壤湿度、40 cm土壤湿度,与实测值比较,相关系数达到0.649 3。

(2)预测了年度、月度的40 cm、10 cm土壤湿度的1 000、100 000次训练后预测值,发现100 000次训练所获得的土壤湿度预测值精度更高。由此可见,采用更多参数,如每个月的降雨天数及20年的实测数据,预测结果将会进一步提高。

所构建的SD-CNN模型融合浅层时序与深度卷积结构,能有效捕捉土壤湿度的时空特征,具有较强的自适应性和稳定性。模型输入变量(NDVI、降雨量、日期等)均具有普适性,从而具备跨地区和多气候条件下的推广潜力。实验结果显示,10 cm 与 40 cm 土层预测精度差异较小,很好地体现出一定的泛化能力。通过在内蒙古阿巴嘎旗与重庆巴南区两类气候与生态条件显著差异区域的对比验证,模型在不同区域均保持稳定预测性能,进一步证明了其良好的跨区域普适性与稳健性。SD-CNN 同时捕获空间、地形和时序信息的能力,大幅提升土壤湿度预测精度与稳定性。其高分辨率预测可支持精准灌溉、水资源调度、生态修复与干旱预警,为农业、水利和生态管理提高可靠数据支撑,从而促进社会经济可持续发展。

然而,SD-CNN还可以结合其他深度学习模型如长短期记忆网络^[24]或循环神经网络^[25]等进行联合训练,以进一步提高预测精度。也可以与传统的统计模型如差分自回归移动平均模型、季节性差分自回归移动平均模型^[26]等相结合,形成SD-CNN与时序深度学习混合模型,以更好地提供预测土壤湿度预测精度。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	王晨, 刘思远, 赵婷婷, 等. 山地生态区土壤水分时空变化特征及其对降水的响应[J]. 科学技术与工程, 2025, 25(7): 3124-3132.

[2]	Wang Chen, Liu Siyuan, Zhao Tingting, et al. Spatiotemporal varia-tion characteristics of soil moisture and its response to precipitation in mountainous ecological regions[J]. Science Technology and Engineering, 2025, 25(7): 3124-3132.

[3]	刘强, 张丽, 王超. 被动微波遥感土壤水分产品的能力评估与研究空白[J]. 遥感学报, 2025, 29(3): 415-432.

[4]	Liu Qiang, Zhang Li, Wang Chao. Evaluation of passive microwave remote sensing soil moisture products: capabilities and research gaps[J]. Journal of Remote Sensing, 2025, 29(3): 415-432.

[5]	杨雪梅, 王让会. 基于地理探测器的柯柯牙工程区土壤水分变化特征及驱动力分析[J]. 科学技术与工程, 2024, 24(26), 11148-11157.

[6]	Yang Xuemei, Wang Ranghui. Analysis of soil moisture variation characteristics and driving forces in the Kokkayar Project Area based on geophysical Detectors[J]. Science Technology and Engineering, 2024, 24(26): 11148-11157.

[7]	Wang Y, Shi L, Hu Y, et al. A comprehensive study of deep learning for soil moisture prediction[J]. Hydrology and Earth System Sciences, 2024, 28(4): 917-943.

[8]	路钊, 王大庆, 时玥, 等. 基于多源遥感的荒漠绿洲地区土壤湿度反演方法研究[J]. 测绘与空间地理信息, 2024, 47(12): 10-13.

[9]	Lu Zhao, Wang Daqing, Shi Yue, et al. Research on soil moisture retrieval in desert-oasis areas based on multi-source remote sensing[J]. Surveying and Spatial Geographic Information, 2024, 47(12): 10-13.

[10]	Hemmati E, Sahebi M R. Surface soil moisture retrieval based on transfer learning using SAR data on a local scale[J]. International Journal of Remote Sensing, 2024, 45(7): 2374-2406.

[11]	Abbes A B, Jarray N, Farah I R. Advances in remote sensing based soil moisture retrieval: applications, techniques, scales and challenges for combining machine learning and physical models[J]. Artificial Intelligence Review, 2024, 57(3): 477-505.

[12]	王敬哲, 丁建丽, 葛翔宇, 等. 基于星地传感技术的土壤盐渍化监测进展与展望[J]. 遥感学报, 2024, 28(9): 2187-2208.

[13]	Wang Jingzhe, Din Jianli, Ge Xiangyu, et al. Progress and prospect of soil salinization monitoring based on satellite-ground sensing technology[J]. Journal of Remote Sensing, 2024, 28(9): 2187-2208.

[14]	王磊, 张思雨, 李明. 基于轻量化卷积神经网络模型的云与云阴影检测方法[J]. 科学技术与工程, 2023, 23(32): 13681-13687.

[15]	Wang Lei, Zhang Siyu, Li Ming. Cloud and cloud-shadow detection method based on a lightweight convolutional neural network model[J]. Science Technology and Engineering, 2023, 23(32): 13681-13687.

[16]	王训洪, 郝同铮, 马聪. 基于PSO-BP神经网络的新能源汽车销量预测模型[J]. 科学技术与工程, 2024, 24(31): 13467-13474.

[17]	Wang Xunhong, Hao Tongzheng, Ma Cong. New energy vehicle sales prediction model based on PSO-BP neural network[J]. Scie-nce Technology and Engineering, 2024, 24(31): 13467-13474.

[18]	Vahidi M, Shafian S, Frame W H. Multi-depth soil moisture estimation via 1D convolutional neural networks from drone-mounted ground penetrating Radar data[J]. Computers and Electronics in Agriculture, 2025, 232(1): 110104.

[19]	Misbah I, Lee C K, Keung K L. Fault diagnosis in rotating machines based on transfer learning: literature review[J]. Knowle-dge-Based Systems, 2024, 283(1): 111158.

[20]	张蕾, 郭安红, 宋迎波, 等. 土壤水分数据融合及其在旱涝灾害多维度评估中的应用[J]. 农业工程学报, 2024, 40(13), 68-76.

[21]	Zhang Lei, Guo Anhong, Song Yingbo, et al. Soil moisture data fusion and its application in multi-dimensional assessment of drought and flood disasters[J]. Transactions of the Chinese Society of Agricultural Engineering, 2024, 40(13), 68-76.

[22]	任青阳, 王彦丁, 施俭. 卷积神经网络目标检测算法研究进展[J]. 科学技术与工程, 2024, 24(32): 13665-13677.

[23]	Ren Qingyang, Wang Yanding, Shi Jian. Review on convolutional neural network-based object detection algorithms[J]. Science Technology and Engineering, 2024, 24(32): 13665-13677.

[24]	李巧玲, 李晓梅, 仇娟娟, 等. 基于 CNN 的流域多源土壤湿度数据降尺度研究[J]. 水资源保护, 2026, 42(2): 100-106.

[25]	Li Qiaoling, Li Xiaomei, Qiu Juanjuan, et al. Research on CNN-based downscaling of multi-source soil moisture data in river basins[J]. Water Resources Protection, 2026, 42(2): 100-106.

[26]	何佳星, 郑南山, 丁锐, 等. 粒子群优化卷积神经网络 GNSS-IR 土壤湿度反演方法[J]. 测绘学报, 2023(1): 1286-1297.

[27]	He Jiaxing, Zheng Nanshan, Din Rui, et al. Particle swarm optimization convolutional neural network GNSS-IR soil moisture inversion method[J]. Journal of Geodesy and Geoinformation Science, 2023(1): 1286-1297.

[28]	李顺勇, 李青辉, 邢煜曼. 基于轻量化网络和迁移学习的岩石智能识别[J]. 科学技术与工程, 2025, 25(5): 1774-1782.

[29]	Li Shunyong, Li Qinghui, Xing Yuman. Intelligent rock recognition based on lightweight network and transfer learning[J]. Scie-nce Technology and Engineering, 2025, 25(5): 1774-1782.

[30]	Xu M, Yang H, Hu A, et al. A deep learning approach for SMAP soil moisture downscaling informed by thermal inertia theory[J]. International Journal of Applied Earth Observation and Geoinformation, 2025, 136(1): 104370.

[31]	Xu H, Sun H, Xu Z, et al. kNDMI: a kernel normalized differe-nce moisture index for remote sensing of soil and vegetation moisture[J]. Remote Sensing of Environment, 2025, 319(1): 114621.

[32]	金燕, 徐凌, 周群, 等. 基于 CLDAS 土壤相对湿度的云南农业干旱监测[J]. 中国农业气象, 2024, 45(1): 79-90.

[33]	Jin Yan, Xu Ling, Zhou Qun, et al. Monitoring of agricultural drought in Yunnan based on CLDAS soil relative moisture[J]. Agricultural Meteorology in China, 2024, 45(1): 79-90.

[34]	邵玉. 农田智能灌溉系统对水资源利用效率的影响[J]. 农业工程技术, 2024, 44(26): 50-51.

[35]	Shao Yu. The impact of intelligent farmland irrigation systems on water resource utilization efficiency[J]. Agricultural Engineering Technology, 2024, 44(26): 50-51.

[36]	Li J, Cheng Y, Lu Y, et al. From ReLU to GeMU: activation functions in the lens of cone projection[J]. Neural Networks, 2025 (1): 107654.

[37]	Yang Y, Li D, Lü Y, et al. Multispectral and hyperspectral images fusion based on subspace representation and nonlocal low-rank regularization[J]. International Journal of Remote Sensing, 2024, 45(9): 2965-2984.

[38]	Farhangmehr V, Imanian H, Mohammadian A, et al. A spatiotemporal CNN-LSTM deep learning model for predicting soil temperature in diverse large-scale regional climates[J]. Science of the Total Environment, 2025, 968: 178901.

[39]	苏宇杭, 马俊, 樊津瑜, 等. 基于 GATv2-TCN 联合优化的 WSN 数据流异常检测算法[J]. 计算机工程与科学, 2025, 47(5): 843-850.

[40]	Su Yuhang, Ma Jun, Fan Jinyu, et al. WSN data stream anomaly detection algorithm jointly optimized by GATv2-TCN[J]. Compu-ter Engineering and Science, 2025, 47(5): 843-850.

[41]	吴尚蓉, 赵荣坤, 曹红, 等. 基于微波散射机理的 SAR 作物和土壤参数反演研究进展[J]. 雷达学报, 2025, 14(3): 1-19.

[42]	Wu Shangrong, Zhao Rongkun, Cao Hong, et al. Research progress on SAR crop and soil parameter inversion based on microwave scattering mechanism[J]. Journal of Radar, 2025, 14(3): 1-19.

基金资助

重庆市技术创新与应用发展重大专项(CSTB2022TIAD-KPX0118)

重庆市教委青年项目(KJQN202100734)

PDF (15928KB)

访问

被引

详细

导航

Received	Published	Revised
2025-08-23	2026-08-08	2025-12-16
Online Date
2026-09-03

摘要