融合改进TCN与iTransformer的表层土壤湿度预测方法OA

针对表层土壤湿度序列非平稳性强、时序特征复杂和中长期预测精度下降等问题,引入STL分解对表层土壤湿度序列进行解构,并提出了一种融合改进TCN与iTransformer的双分支预测模型SG-TCN-iTransformer。首先,基于自建实验平台,采集多深度土壤湿度和多种环境因子的时序数据,并通过皮尔逊相关性分析筛选强相关协变量;其次,利用STL分解对目标湿度序列进行趋势、季节性与残差的解构,并采用SG-TCN建模残差分量中的非线性扰动特征,采用iTransformer建模趋势与季节性分量中的时序依赖特征;最后,采用双分支并行建模,并通过加权融合获得最终的表层土壤湿度预测结果。在多个预测时间步长(10~240 min)下开展实验验证,结果表明所提模型在1、6、12、24步预测中的决定系数分别为0.951、0.949、0.937、0.925,相应的均方根误差值分别为0.917、0.937、0.998、1.217,且预测精度整体优于现有模型,为农业灌溉管理提供了重要依据。