《Biosystems Engineering》：Optimisation of temperature sensing network deployment and prediction modelling of the active layer in Heilongjiang seasonally frozen ground during spring
编辑推荐：
本文针对黑龙江省季节冻土活动层温度预测难题，通过分析不同深度土壤温度变化特征优化传感器部署方案，提出基于LSTM算法的四层传感器配置模型（0m、0.40m、0.75m、3.40m），成本降低82%，预测精度达MAE=0.0667、R2=0.9996，为春耕作业提供科学依据。
张宇|田芳明|谭峰
黑龙江八一农业大学信息与电气工程学院，中国黑龙江省大庆市龙凤区新风路5号，邮编163319
摘要
本研究针对中国黑龙江省季节性冻土活动层地表温度预测的挑战进行了探讨。通过分析不同深度土层的温度变化特征，优化了地表温度传感网络的部署方案。在此基础上，提出了一种基于LSTM算法的地表温度预测模型。通过优化探针的数量和位置，有效监测和预测了春季田间作业期间永久冻土活动层的温度。研究成功建立了一种优化的四传感器部署方案（0米、0.40米、0.75米和3.40米），与传统部署方案相比，部署成本降低了82%。实验结果表明，基于该方案的LSTM模型具有较高的预测精度（MAE = 0.0667，R2 = 0.9996）。这表明该模型在预测不同深度的土壤温度方面表现良好，为农业生产提供了科学依据，并有助于提高作物产量。同时，也为季节性冻土管理和农业生产提供了技术支持。
引言
黑龙江省是中国重要的农业省份，其粮食总产量始终位居各省之首，是国家粮食安全的“支柱”。该省位于中国最北部，具有寒冷温带和温带大陆性季风气候。冬季平均气温低于0°C，属于季节性冻土地区，春季气温较低。主要农作物如水稻、玉米和大豆在春季播种，秋季收获，遵循严格的农业种植周期。春季田间作业和播种期对于确保稳定的粮食产量至关重要。春季解冻过程中，解冻深度和土壤温度是影响田间作业和播种的关键因素。具体而言，当0.10米深度的土壤温度稳定在7°C以上且解冻深度超过0.30米时，可以开始播种（中华人民共和国农业农村部，2024年；Li等人，2016年）。因此，实时监测、预测和预报土壤温度对于指导农业生产至关重要。
目前，黑龙江省的地表温度监测主要依赖气象部门部署的多层地表温度传感网络进行实时监测。然而，设备成本高昂以及该省地域辽阔，使得全面覆盖变得困难。纬度和经度的差异导致季节性冻土的深度和冻结时间有所不同，因此预测温度无法准确反映全省各地区的实际地表温度。随着传感技术的进步，低成本温度传感器和微控制器技术的出现，为部署低成本地表温度传感网络提供了有利条件。胡等人（2014年）设计了一种使用微控制器的多层地表温度传感网络以实现实时监测；然而，地下温度传感探针的数量及其部署位置直接影响监测系统的预测精度和硬件成本。王等人（2018年）基于MK检验（Mann–Kendall检验）、滑动t检验和EOF分析（经验正交函数分析）方法，利用气象站的观测数据，研究了过去50年黑龙江省季节性冻土厚度的时空变化特征。他们发现气温是影响该省季节性冻土深度变化的主要因素，因此在预测和预报地表温度时应同步监测气温数据。王等人（2019年）研究了中国东北黑土地区3月至4月土壤温度随深度增加的变化特征。周等人（2020年）提出了一种结合模糊理论和LS-SVM的地表温度预测建模方法，以提高地源热泵的地表温度预测精度，但该模型的适应性还需进一步研究。连等人（2022年）研究了阿尔泰山区森林土壤温度的动态变化及其预测，并使用BP人工神经网络模型预测了0.30米深度内的土壤温度，但该模型适用于干旱地区；由于黑龙江省春季融雪导致土壤湿度增加，因此不适用于该地区。王等人（2022年）使用相关系数和线性回归方法建立了春季土壤温度预测模型，但其预测精度直接受天气预报质量的影响，而天气预报通常提供的是区域温度趋势而非特定地点的数据。总之，目前关于该地区春季地表温度变化特征的研究还不够充分，地表温度预测模型的精度和适应性需要提高。因此，有必要研究地表温度预测模型，并探索部署多层地表温度传感探针的机制，为建立低成本且高度可靠的多层实时地表温度采集和预测系统奠定理论基础。
近年来，深度学习已成为科学和工程领域的颠覆性技术（LeCun等人，2015年）。其应用在多个领域取得了突破性进展，包括智能电网中的电力负荷需求预测（Eren & Kü?ükdemiral，2024年）、自动驾驶车辆的感知系统（Kiran, B.R.等人，2022年）、金融市场复杂动态的建模（Ozbayoglu等人，2020年）以及从视频数据中自动识别商业猪的进食和觅食行为（Alameer等人，2020年）。这种强大的方法在环境科学中得到了广泛应用，其中长短期记忆（LSTM）模型已成为时间序列数据建模的先进方法。然而，将深度学习算法应用于优化多层地表温度部署方案和相关即时预报研究仍相对有限。目前的研究分析了黑龙江省气候潜在生产力的时空演变以及永久冻土厚度变化对农业的影响（Gong等人，2021年）。尽管如此，关于多层地表温度垂直传输机制的协同优化、低成本传感器部署和深度学习模型的研究仍需进一步深入探讨。
为了解决当前多层土壤温度网络中高成本、有限的空间覆盖范围以及探针密度和位置优化缺乏空间相关性感知的问题，本研究提出了一种基于LSTM的框架。该方法有望为黑龙江省的主要粮食生产区提供动态且准确的地表温度信息，从而支持种植即时预报和预警系统。
研究区域概述
黑龙江省位于中国东北部，是中国最北端的省份，西起121°11′E经度，东至135°05′E经度，南至43°26′N纬度，北至53°33′N纬度。2022年，耕地面积为1713万公顷（占全省土地面积的46.4%），使其成为中国领先的粮食生产基地。该省的年温差超过40°C，具有明显的季节性冻土特征。
地表温度和空气温度变化
图4展示了3月至5月期间空气温度和地表温度的对比情况。每日最高和最低空气温度数据来自大庆龙凤区的气象网络。同时展示了现场传感器测量的0米深度的日平均温度。观察发现，0米深度的日平均温度介于每日最高和最低空气温度之间。最高温度与最低温度的差值为11.51°C。
最佳传感器部署和模型性能
本讨论解释了我们的分析结果：为什么最佳的四传感器配置（0米、0.40米、0.75米和3.40米）在传感器数量较少的情况下仍能保持高精度，以及这些具体深度的物理意义。
在4至6个传感器配置中观察到的轻微改进可以通过现有数据计算出的皮尔逊相关性来解释（图14）。0米、0.10米和0.20米序列几乎呈线性相关（r大于0.97；0米到0.10米的相关性最强）。
结论
本研究分析了黑龙江八一农业大学水稻试验田采集的土壤温度数据，并通过比较和分析不同土壤温度的输入数据来训练模型以预测土壤温度。模型采用长短期记忆（LSTM）进行训练，并将其性能与门控循环单元（GRU）、循环神经网络（RNN）和时间卷积网络（TCN）进行了对比。
CRediT作者贡献声明
张宇：撰写——原始草稿、可视化、形式分析、数据整理、概念化。田芳明：撰写——审稿与编辑、监督、方法论、调查、概念化。谭峰：验证、概念化。
数据可用性声明
本研究包含的所有数据均可通过联系相应作者获得。
关于写作过程中使用生成式AI和AI辅助技术的声明
本工作的编写过程中未使用任何生成式AI或AI辅助技术。
资助
本研究得到了黑龙江省自然科学基金（资助编号：LH2023F043）和国家重点研发计划（资助编号：2023YFD2301605）的支持。
利益冲突声明
作者声明没有已知的利益冲突或个人关系可能影响本文所述的工作。
致谢
我们感谢黑龙江省自然科学基金（资助编号：LH2023F043）和国家重点研发计划（资助编号：2023YFD2301605）对本研究的资助。田间实验在黑龙江八一农业大学的水稻试验站进行。我们感谢学校提供的实验场地，以及技术人员在土地准备、气象数据和日常管理方面的支持。
