《Agriculture》：Informer–UNet: A Hybrid Deep Learning Framework for Multi-Point Soil Moisture Prediction and Precision Irrigation in Winter Wheat
Dingkun Zheng,
Chenghan Yang,
Gang Zheng,
Baurzhan Belgibaev,
Madina Mansurova,
Sholpan Jomartova and
Baidong Zhao
编辑推荐：
本综述提出了一种创新的深度学习驱动灌溉框架，将新型Informer-UNet混合模型与综合灌溉指数相结合，实现了冬小麦田块尺度土壤水分的精准预测与自适应灌溉管理。该框架通过整合时空建模与不确定性量化，显著提升了水分利用率（R2> 0.98， RMSE < 0.65），相较于传统阈值控制，节水达38.2%，为水资源有限的可持续农业提供了可行的技术方案。
在全球水资源日益紧张的背景下，农业作为主要淡水消耗部门，其水资源利用效率的提升至关重要。精准灌溉通过实时土壤水分数据进行灌溉决策，成为减少浪费、维持作物生产力的有效途径。本研究以中国四川成都的冬小麦田为实验区，旨在解决现有土壤水分预测模型在捕捉空间异质性和多尺度时序依赖性方面的不足。
研究目标与方法概览
本研究主要致力于三个方面：首先，开发一种混合Informer-UNet深度学习模型，以联合建模长距离时序依赖性和多尺度空间异质性，实现田块尺度27个空间位置、三个土壤深度（10厘米、30厘米、50厘米）的土壤水分同步预测。其次，在预测框架中融入蒙特卡洛Dropout，以明确量化模型不确定性，输出土壤水分均值估计及相应的置信区间，为风险感知的灌溉决策提供依据。最后，基于空间分布式预测和不确定性信息，构建一个综合了水分偏差、空间方差和置信区间宽度的综合灌溉指数，并通过多季节田间实验验证基于阈值的自适应灌溉策略。
材料与方法
研究区域与数据集
研究区域位于中国四川省成都市的一个农业创新区。该区域采用了系统的27点监测网格，在空间上部署9个管式土壤水分传感器形成3×3网格，每个空间点又在10厘米、30厘米、50厘米三个深度进行监测，以捕捉水平和垂直方向的水分梯度。数据采集系统以树莓派为核心，整合土壤和气象传感器，实现多参数同步采集、预处理与云传输。数据集时间跨度为2023年10月至2025年6月，包含来自27个土壤水分传感器和多个气象变量的多元时间序列。
数据预处理
针对原始数据中的缺失值和异常值，本研究采用了系统化的预处理流程。对于主要由短时通信中断造成的缺失数据（数据总丢失率1.2%），采用了线性插值法进行填补。对于通过3σ规则识别出的异常值，则采用窗口大小k=5的滑动窗口移动平均法进行修正，以确保数据质量满足后续深度学习模型训练的要求。
Informer-UNet混合模型
本研究提出的Informer-UNet模型是一个创新的混合架构，旨在协同解决土壤水分预测中的时空挑战。其核心是将Informer模型和UNet模型的优势相结合。
- •
Informer组件：该部分主要负责捕获长序列的时序依赖关系。它采用了ProbSparse自注意力机制，有效降低了标准Transformer在长序列建模时的计算复杂度，使模型能够高效处理长时间跨度的土壤水分动态。
- •
UNet组件：该部分是一个经典的编码器-解码器结构，具有跳跃连接。在此框架中，它被用于建模和融合多尺度的空间特征。编码器通过下采样逐步提取不同尺度的空间信息，解码器则通过上采样和跳跃连接融合这些多尺度特征，最终实现对27个监测点的空间分布预测。
不确定性量化与综合灌溉决策
为了提高灌溉决策的可靠性，本研究在预测框架中引入了蒙特卡洛Dropout技术。在模型测试阶段，通过对同一输入进行多次前向传播（开启Dropout），可以得到一系列预测样本，进而计算预测均值和置信区间。这种不确定性信息对于评估预测风险至关重要。
基于模型输出的空间分布预测（均值）和不确定性信息（置信区间），本研究构建了一个综合灌溉指数，用于触发灌溉决策。该指数（CII）是三个分量的加权和：
- 1.
水分偏差：监测点平均土壤水分与目标范围（55%-75%）中值的偏差。
- 2.
空间方差：所有监测点预测值的方差，反映田间水分空间分布的不均匀性。
- 3.
置信区间宽度：预测不确定性的度量，区间越宽表示模型对当前预测越不确定。
三个分量的权重通过遗传算法进行优化，以最大化灌溉效率。当CII超过预设阈值时，系统即触发灌溉指令。
实验结果与讨论
模型预测性能
在为期两季的冬小麦生长季田间实验中，Informer-UNet模型展现出了卓越的预测性能。与LSTM、Transformer和标准Informer等基线模型相比，Informer-UNet在27个预测点上均取得了最优的预测精度，其确定系数R2大于0.98，均方根误差RMSE小于0.65 Vol./Vol.，并且具有最快的收敛速度和最低的验证损失。这验证了该混合模型在联合建模土壤水分时空动态方面的有效性。
灌溉策略效果评估
将提出的深度学习驱动灌溉策略与固定阈值控制策略和专家人工调度策略进行了对比。结果表明，所提出的DeepIndexIrr策略在整个灌溉期内，能使土壤水分保持在目标范围（55%至75%）的时间超过81%。在水资源消耗方面，该策略相较于固定阈值控制节水38.2%，相较于专家人工调度节水19.2%。这些结果充分证明了集成空间分布式深度学习预测与不确定性感知决策规则，在实现可持续精准灌溉方面的巨大潜力和应用价值。
