Interpretable soil moisture prediction with a knowledge-guided deep learning approach

Yanling Wang

doi:10.5194/hess-30-2973-2026

Interpretable soil moisture prediction with a knowledge-guided deep learning approach

2026-05-19

0

OA

AI

DOI：10.5194/hess-30-2973-2026

原文链接

原文求助

摘要

En 中文

摘要。土壤湿度（SM）是水文学循环的关键组成部分；但由于土壤水分传输的非线性、边界条件的变异性以及土壤性质的复杂性，其准确预测仍然具有挑战性。近年来，深度学习在该领域显示出潜力，通常通过建模土壤湿度的时序依赖性进行预测。本研究提出非局部神经网络（NLNNs）将此问题转化为单时间步、多深度土壤湿度的同步预测。非局部操作设计包括嵌入高斯操作和解耦的知识引导操作，形成两种变体：自注意力非局部神经网络（SA-NLNN）和知识引导非局部神经网络（KG-NLNN）。知识引导的非局部操作通过将给定深度的土壤湿度影响分解为四个受不同物理过程支配的分量，来捕捉土壤湿度的垂直关系。模型通过学习的非局部权重提供可视化可解释性，揭示不同深度土壤湿度间的相互作用，从而实现对层间连通性的定性表征。值得注意的是，受土壤湿度传输知识引导的模型能提供更稳定和合理的解释。通过实地观测，我们证明所提出的模型表现良好。知识引导的非局部操作显著提高了准确性和可靠性。此外，我们的模型能够适应不同时间尺度的场景，同时保持高计算效率。两种模型均表现出良好的抗噪能力，知识引导进一步增强了KG-NLNN的抗噪性。总之，本研究以新颖的方式解决了土壤湿度预测的挑战，突显了NLNN的潜力以及将物理指导融入数据驱动模型的重要性。

Keyword:

soil moisture prediction

deep learning

non-local neural networks

knowledge-guided models

interpretability

Interpretable soil moisture prediction with a knowledge-guided deep learning approach

摘要

期刊

机构

引用论文