《Smart Agricultural Technology》：Smart Irrigation Management: IoT-Based RNN-LSTM Model for Soil Moisture Prediction in Precision Agriculture
编辑推荐：
面对传统农业灌溉效率低下、水资源浪费严重的问题，研究人员开展了一项结合物联网与循环神经网络-长短期记忆模型的精准农业研究。他们通过部署地下土壤水分传感器构建监测系统，利用RNN-LSTM模型对土壤水分进行实时预测，结果模型预测准确率达到95.49%，R2为0.6723。该研究为优化农业灌溉调度、实现水资源高效利用提供了重要的数据驱动方案。
在全球人口持续增长、气候变化加剧的背景下，确保粮食安全与实现农业可持续发展已成为人类社会面临的重大挑战。传统农业灌溉方式往往依赖经验估算，水资源、肥料和农药的施用缺乏精准性，导致大量浪费，并对环境造成负面影响。与此同时，农业是全球淡水消耗最大的部门，用水量占总用水量的70%以上。如何高效、精准地利用每一滴水，提升作物产量，是现代农业亟待解决的核心问题。在这一背景下，精准农业应运而生，它利用先进的信息技术，根据田间时空变异的具体情况，对农业生产进行精细化管理，以实现资源的最优化配置。其中，智能灌溉管理是精准农业的关键一环，其目标是通过实时监测和预测土壤水分状况，在最恰当的时机提供最适量的灌溉，从而节约水资源、提高作物产量并降低生产成本。
为了应对这一挑战，来自马来西亚多媒体大学工程学院的研究团队在《Smart Agricultural Technology》上发表了一项研究，他们成功开发并部署了一套物联网支持的智能灌溉管理系统。该系统集成了地下土壤水分传感器网络和一种先进的循环神经网络-长短期记忆模型，旨在对土壤水分进行实时、准确的预测，为精准灌溉决策提供强有力的数据支持。
研究人员采用了几个关键技术方法来实现这一目标。首先，他们自主研制了基于无线传感器网络（WSN）的地下土壤水分传感探针，该探针包含时域反射法（TDR）土壤水分传感器（测量深度为15厘米和30厘米）、微控制器、无线模块、太阳能供电系统及多种环境传感器（监测降雨、气温、湿度和太阳辐照度）。研究在马来西亚霹雳州的一个可可试验田进行，在一个93平方米的样地中部署了五个这样的传感探针，以星型拓扑结构组网，在2023年1月1日至6月30日的六个月内，以每10分钟一次的频率连续采集土壤水分数据，环境数据每30分钟采集一次。其次，他们构建并训练了一个RNN-LSTM深度学习模型。该模型以历史土壤水分值、降雨、气温、湿度、太阳辐照度以及编码后的周期性时间戳信息作为输入特征，网络架构包含两层LSTM（长短期记忆单元）和一个全连接输出层。模型使用Adam优化器进行训练，并对比了均方误差损失函数和更稳健的Huber损失函数的效果。数据集按时间顺序划分为70%训练集、15%验证集和15%测试集，用于模型的训练、调优和最终性能评估。
4. 结果和讨论土壤水分数据分析和预测模型
模型的预测性能通过多种指标进行了全面评估。经过超参数调优，采用25的批量大小和100次训练周期（epochs）的LSTM模型表现最佳。其训练和测试损失曲线显示模型收敛良好。通过将模型预测的土壤水分值与五个探针实际测量的真实值进行对比，尽管存在微小偏差，但两条趋势线高度吻合，这表明模型能够有效捕捉土壤水分的时空动态变化。
模型性能量化结果：最终，基于均方误差损失的原始LSTM模型取得了以下结果：均方根误差为1.222，平均绝对误差为0.6374，决定系数R2为0.6723（表明模型能解释约67%的观测数据方差）。尤为重要的是，在一个对精准农业实践更具实际意义的容错性指标上——即预测值落在实际测量值±5%范围内的比例——模型准确率达到了95.49%。这意味着绝大多数预测结果都能满足田间灌溉决策的精度要求。进一步地，为了提升模型在异常情况下的鲁棒性，研究人员采用了Huber损失函数重新训练模型。结果显示，Huber损失的LSTM模型在各项指标上均有改善，R2提升至0.70，MAE和RMSE进一步降低，容错准确率也小幅提升至96.12%。
4.1. 对异常值的鲁棒性
残差分析显示，最大的预测误差发生在强降雨事件期间，此时土壤水分会以非线性模式快速上升。这些情况在数据集中占比较低，对LSTM模型构成了挑战。而采用Huber损失函数的模型在处理这类由突发降雨引入的异常值方面表现更优，证明了其在复杂田间环境下的稳健性。
4.2. 部署、传感器配置和现实世界可扩展性
本研究成功地在试验田部署了传感器网络，并以星型拓扑实现了超过99%的数据包传输效率。这种配置适用于当前的小规模试验，但作者指出，对于更大规模的农田，未来需要评估网状拓扑以提高可扩展性和容错能力。此外，研究所用的地下TDR传感器最大可测深度达1米，本次实验仅使用了15厘米和30厘米深度，这正好对准了所研究作物的主要根区，能更准确地评估作物主动吸水层的水分状况。
4.3. 对精准灌溉的意义
将实时传感与RNN-LSTM预测模型相结合，能够更早地识别出水分耗竭和降雨导致的土壤饱和事件。这为在水文模式多变的地区制定更好的灌溉计划提供了支持。尽管当前的系统主要提供监测和预测洞察功能，而非直接控制灌溉执行器（如阀门、水泵），但其设计完全兼容于未来的闭环自动化系统，为从决策支持到自动执行的演进奠定了技术基础。
5. 结论
本研究成功开发并评估了一个集成RNN-LSTM模型的实时土壤水分监测与精准灌溉管理系统。经过为期六个月的田间试验验证，该系统模型预测准确率高达95.49%，核心评估指标（RMSE, MAE, R2）均表现良好，证实了其用于地下土壤水分可靠预测的能力。相较于以往常用的地表传感，本研究采用的地下传感系统（深度可达一米）是一个显著进步，尤其对木本作物根区水分监测至关重要。该研究展示了如何利用物联网和深度学习技术，将传统灌溉转变为数据驱动的预测性过程，从而优化水资源管理，支持可持续农业实践。
然而，研究也存在一些局限性：一是传感器密度（五个探针）对于小型均质试验田足够，但对于大规模或异质性农田可能不足；二是试验时长六个月未能完全覆盖季节变异，计划进行为期一年的试验以包含干湿极端情况；三是当前使用的星型网络拓扑在扩展性方面存在限制，未来将探索网状拓扑。展望未来，研究团队计划将该系统扩展至其他种植园类型，并整合肥料相关传感器，以实现对养分吸收的预测建模，最终朝着更全面的精准农业框架迈进。
