基于SSA-LSTM的玉米土壤含氧量預測模型

于珍珍 鄒華芬 于德水 汪 春， 劉天祥 張欣悅

(1.黑龍江八一農(nóng)墾大學工程學院，大慶 163319；2.中國熱帶農(nóng)業(yè)科學院南亞熱帶作物研究所，湛江 524003；3.華中科技大學管理學院，武漢 430074)

0 引言

土壤含氧量(Soil oxygen content，SOC)是影響作物生長發(fā)育的重要土壤環(huán)境因子，土壤中水分、氣體比例不協(xié)調(diào)是農(nóng)業(yè)可持續(xù)發(fā)展的主要障礙，也是影響我國生態(tài)環(huán)境健康和農(nóng)業(yè)生產(chǎn)發(fā)展的重要制約因素[1-2]。當SOC小于10%時，作物有氧呼吸受阻或者中斷，作物水分和養(yǎng)分利用效率下降，呼吸作用產(chǎn)生的三磷酸腺苷(ATP，高能磷酸化合物)水平下降[3-5]。植物地上部分則表現(xiàn)為葉片萎縮，作物鮮質(zhì)量和干質(zhì)量顯著下降，是農(nóng)作物高產(chǎn)的主要限制條件[6-7]，加氣灌溉技術(shù)是目前對土壤進行通氣增氧的有效措施，但是由于土壤環(huán)境復雜而不穩(wěn)定，土壤氧氣含量變化具有時序性、不穩(wěn)定性和非線性等特點，通氣增氧的相關(guān)參數(shù)尚未形成量化體系[8-10]。SOC容易受到氣象因子(大氣溫濕度、太陽輻射、降雨量等)及土壤環(huán)境因子(土壤溫度、土壤含水率等)的影響[11-13]，各因素存在復雜的耦合關(guān)系，因此，建立SOC預測模型對于作物種植具有重要的生產(chǎn)意義，也為土壤通氣增氧技術(shù)的管理決策提供理論依據(jù)。

近幾年人工神經(jīng)網(wǎng)絡迅速發(fā)展，在解決函數(shù)逼近與數(shù)據(jù)預測等問題上效果良好[14-16]，但是關(guān)于土壤含氧量預測方面的研究未見報道。關(guān)于水中溶解氧(Dissolved oxygen，DO)預測取得了一定的研究成果。長短時記憶(Long and short-term memory，LSTM)神經(jīng)網(wǎng)絡模型，對長時間序列數(shù)據(jù)層具有較好的傳遞記憶功能，可以深度挖掘長距離時序數(shù)據(jù)信息，并且能消除反向梯度消失問題，被廣泛應用于各個領(lǐng)域[17]。LIU等[18]利用注意機制和遞歸神經(jīng)網(wǎng)絡通過水溫、大氣相對濕度、太陽輻射等預測DO。HUAN等[19]以pH值、水溫、大氣相對濕度等為影響因素，采用基于梯度增強決策樹(GBDT)特征選擇的LSTM模型對DO進行預測；陳英義等[20]提出了基于WT-CNN-LSTM的溶解氧含量預測模型，提高池塘溶解氧的預測精度，后期，曹守啟等[21]提出了基于K-means聚類和改進粒子群優(yōu)化(Improved particle swarm optimization，IPSO)的LSTM神經(jīng)網(wǎng)絡預測模型，該模型一定程度解決了天氣突變狀況下的數(shù)據(jù)缺失、魯棒性差等問題。

LSTM預測的準確性與其權(quán)重和閾值的設置密切相關(guān)[22-23]。生物啟發(fā)式算法是LSTM參數(shù)優(yōu)化的有效方法，包括遺傳算法(Genetic algorithm，GA)[24-26]、粒子群算法(Particle swarm optimization，PSO)[27-30]、蝙蝠算法(Bat algorithm，BA)[31]、灰狼優(yōu)化算法(Grey wolf optimizer，GWO)[32-34]和麻雀搜索算法(Sparrow search algorithm，SSA)[35-37]。其中，SSA基于麻雀種群的覓食和反捕食行為，解決模型輸入權(quán)值和閾值的隨機變化問題，具有高性能全局搜索能力，穩(wěn)定性及收斂精度好。SSA算法具有較快的收斂速度和強大的搜索能力，采用網(wǎng)格搜索對LSTM神經(jīng)網(wǎng)絡模型的初始權(quán)值和閾值進行優(yōu)化，克服了傳統(tǒng)神經(jīng)網(wǎng)絡模型參數(shù)選擇的盲目性和不確定性，目前，SSA被廣泛應用于非線性時間序列數(shù)據(jù)處理，如短期風速預報、降雨分析預報，在收斂速度和尋優(yōu)精度等方面有著顯著優(yōu)勢且結(jié)構(gòu)簡單、能準確應對復雜問題。

本研究提出SSA-LSTM神經(jīng)網(wǎng)絡模型預測土壤含氧量，基于國家土壤質(zhì)量湛江觀測實驗站2021年田間獲取的氣象因子及土壤環(huán)境因子，通過皮爾遜相關(guān)系數(shù)(Pearson correlation coefficient，Pearson)及斯皮爾曼相關(guān)系數(shù)(Spearman’s rank correlation coefficient，Spearman)明確土壤含氧量變化影響因子的主次順序，基于麻雀搜索算法優(yōu)化建立SSA-LSTM神經(jīng)網(wǎng)絡預測模型，并與傳統(tǒng)的BP預測模型、LSTM預測模型、GA-LSTM預測模型及PSO-LSTM預測模型訓練前后的精度及預測誤差進行對比，為探究土壤含氧量變化規(guī)律及土壤通氣增氧技術(shù)整體管理措施調(diào)整及決策提供技術(shù)指導。

1 材料與方法

1.1 數(shù)據(jù)來源

研究區(qū)域位于廣東省湛江市(110°27′E，21°16′N)國家土壤質(zhì)量湛江觀測實驗站，年平均日照時間為2 160 h，無霜期為350 d，年平均氣溫為23.2℃，是典型的的亞熱帶季風氣候。試驗時間為2021年8月21日—11月12日，季節(jié)性種植作物為玉米，試驗區(qū)域及定位試驗點如圖1所示。

圖1 研究區(qū)域及定位試驗點示意圖

SOC主要來自土壤與大氣之間氣體交換。土壤空氣組成與大氣空氣組成近似(表1)。土壤O2濃度低于大氣，土壤和大氣之間產(chǎn)生O2分壓差，在分壓梯度的驅(qū)動下，O2不斷從大氣向土壤空氣擴散。土壤與大氣之間進行氣體擴散和整體交換，使得土壤中保持一定量O2(圖2a)。大氣環(huán)境主要通過影響氣體擴散進而影響SOC。大氣環(huán)境因素中，WILLEY等[10]研究表明，大氣溫度(Atmospheric temperature，Ta)變化是引起大氣與土壤氣體交換的主要因素，同時發(fā)現(xiàn)，隨著風速(Wind speed，SW)和大氣相對濕度(Atmospheric humidity，RH)的升高，SOC也逐漸提高。

表1 土壤空氣與大氣空氣組成成分比較

土壤中連續(xù)的充氣孔隙是作物根系-土壤-大氣之間唯一的聯(lián)系通道[30]。土壤充氣孔隙度(Air-filled porosity，AFP)充滿了空氣或水以及溶解的物質(zhì)，固體為根和固定植物結(jié)構(gòu)提供支持，水分滿足作物蒸騰需求，空氣為作物根系(和微生物)呼吸提供氧氣。O2以溶解氧方式通過根外水膜擴散到根系表面，最后，氧氣由根系表面擴散到根組織內(nèi)，用于維持土壤中一切生物化學過程正常進行(圖2c)。田間灌溉和降雨(Rainfall，RF)會使土壤中持續(xù)存在飽和濕潤區(qū)，導致水分代替空氣存在于土壤中，進而限制了SOC的可利用性和移動性(圖2d)，土壤SOC降低會導致作物根系土壤低氧脅迫，土壤呼吸(土壤中各項代謝活動)將受到限制(圖2b)。

圖2 大氣-土壤-作物之間O2交換示意圖

土壤溫度(Soil temperature，Ts)以多種方式影響土壤氧氣的移動性與可利用性。首先，氧氣在水中的溶解度與溶液溫度成反比[11]，其次，土壤溫度通過影響土壤呼吸(圖2d)(Soil respiration，Rs)進而影響SOC的變化[13]。土壤含水率(Soil water content，Ws)是影響SOC的關(guān)鍵因素。THONGBAI等[38]和BHATTARAI等[39]的研究均表明較高的水分變化可以調(diào)控植物體內(nèi)水分的再分配和改變土壤的透氣性，從而影響植物體和微生物的代謝活動，最終導致SOC發(fā)生變化，通過進一步采用關(guān)聯(lián)系數(shù)法發(fā)現(xiàn)，較高的土壤水分不但阻礙大氣與土壤之間的氣體交換，直接導致SOC下降，也會抑制O2在作物根部周圍運動[11]。

因此，本研究選取Ta、RH、RF、SW、AFP、Ts、Rs及Ws共8個指標作為輸入，以SOC作為輸出構(gòu)建網(wǎng)絡模型進行訓練和預測。

1.2 數(shù)據(jù)處理

氣象數(shù)據(jù)采用小氣候觀測儀(CAWS2000型，北京華云尚通科技有限公司)，采集的氣象數(shù)據(jù)主要包括Ta、RH、RF和SW；土壤溫濕度(Ts和Ws)主要由浙江托普云農(nóng)科技股份有限公司生產(chǎn)的TZS-PHW-4G型土壤多功能參數(shù)測定儀測定，可以自動存儲數(shù)據(jù)，土壤溫度測試范圍為-40～100℃，精度為±0.5℃，分辨率為0.1℃；土壤含水率測試范圍為0～100%，精度小于等于3%，分辨率為0.1%。

SOC采用MO-200型土壤氧氣測定儀進行定位記錄，由于土壤深度10 cm左右與大氣氣體交換較為通暢，一般不會出現(xiàn)缺氧現(xiàn)象，而作物根系大部分分布在土壤深度30～40 cm，所以本試驗選擇測定深度為30 cm。Rs采用Li-6400型土壤呼吸儀測定。AFP計算公式為

AFP=1-ρb/ρs-Ws

(1)

式中AFP——土壤充氣孔隙度，%

ρb——土壤容重，取1.32 g/cm3

ρs——土粒密度，取1.75 g/cm3

Ws——土壤含水率，%

1.3 試驗方法

相關(guān)試驗參數(shù)在每日07:00—09:00之間進行測量，相關(guān)研究表明該時段測得的土壤呼吸、充氣孔隙度等相關(guān)參數(shù)可以代表當日的平均值。人工測量時實時讀取數(shù)據(jù)，如遇強降雨天氣則推遲時間段進行測定。由于土壤含氧量的影響因素之一——土壤呼吸主要由作物根系呼吸及土壤微生物呼吸組成，因此，為了豐富數(shù)據(jù)來源，在玉米種植前9 d(2021年8月12—20日)進行裸地測量(此時，未進行玉米種植，土壤中不存在作物根系，微生物豐度也較低)，玉米種植期間(2021年8月21日—11月12日)及玉米收獲后10 d(2021年11月12—21日)進行裸地測量(此時，土壤中還存在一些玉米根茬及相關(guān)土壤微生物)。因此，本研究所測的7個試驗地點共獲得682組試驗數(shù)據(jù)。其中6個試驗地點土壤含氧量為訓練樣本，以1個試驗地點數(shù)據(jù)作為驗證，分別采用BP預測模型、LSTM預測模型、PSO-LSTM預測模型、GA-LSTM預測模型以及SSA-LSTM預測模型進行預測，全文采用Matlab進行編程與模型建立。

2 預測模型構(gòu)建

2.1 LSTM神經(jīng)網(wǎng)絡模型構(gòu)建

LSTM最初是傳統(tǒng)遞歸神經(jīng)網(wǎng)絡的變體。在處理時間序列預測時具有較強的記憶能力，被廣泛應用于時間序列中具有長時間時間間隔和時滯的預測場景，LSTM單元的基本結(jié)構(gòu)如圖3a所示。

圖3 預測模型

LSTM在神經(jīng)網(wǎng)絡的基礎(chǔ)上增加了更多的神經(jīng)網(wǎng)絡層，增加了記憶單元、輸入門、輸出門和遺忘門4個具有記憶功能的模塊，有選擇地讓信息通過，每個門的功能各不相同。

遺忘門ft負責決定從記憶單元中丟棄哪些信息，更新公式為

ft=σ(wfxxt+wfhht-1+wfcCt-1+bf)

(2)

式中σ(·)——sigmoid的激活函數(shù)

xt——t時刻輸入

ht-1——t-1時刻輸出

Ct-1——t-1時刻候選向量

wfx、wfh、wfc——遺忘門權(quán)重系數(shù)

bf——遺忘門偏置

輸入門it負責決定哪些信息可以保存在記憶單元中，更新公式為

it=σ(wixxi+wihht-1+wicCt-1+bi)

(3)

(4)

(5)

式中wix、wih、wic——輸入門權(quán)重系數(shù)

bi——輸入門偏置

wcx、wch——候選向量的權(quán)重系數(shù)

bo——候選向量偏置

tanh(·)——雙曲正切激活函數(shù)

Ct——t時刻的侯選向量

輸出門決定將輸出哪些信息。除所需信息外，沒有其他信息可以通過輸出門。其表達式為

ot=σ(woxxt+wohht-1+wocCt-1+bo)

(6)

ht=ottanh(Ct)

(7)

式中ot——輸出門

wox、woh、woc——輸出門權(quán)重系數(shù)

ht——t時刻輸出

2.2 SSA優(yōu)化算法

SSA是根據(jù)麻雀覓食和反捕食行為的啟發(fā)而提出的新型群體智能優(yōu)化算法。SSA主要模擬了麻雀群體覓食的過程，每只麻雀都有3種可能的行為：發(fā)現(xiàn)者(搜索食物)；加入者(跟隨發(fā)現(xiàn)者覓食)；偵察者(警戒偵查)。其中，發(fā)現(xiàn)者是麻雀中找到食物較早的個體，加入者則為其他個體，同時在麻雀種群中還有一定比例的個體進行偵察預警，它們的任務是在發(fā)現(xiàn)危險的情況下放棄食物，選擇安全第一。

在模擬試驗中，使用虛擬麻雀來尋找實物，n只麻雀種群可以表示為

(8)

式中d——待優(yōu)化變量維數(shù)

所有麻雀適應度可以表示為

(9)

式中f(x)——適應度

SSA算法中所有的生產(chǎn)者、具有較好適應度的發(fā)現(xiàn)者在搜索過程中會優(yōu)先獲取食物，并負責為種群尋覓食物以及為發(fā)現(xiàn)者、加入者和偵察者根據(jù)各自的規(guī)則更新喂食，表達式為

(10)

式中t——當前迭代次數(shù)

rmax——最大迭代次數(shù)，常數(shù)

Xij——第i只麻雀在第j維中的位置信息，j=1,2,…,d

α——隨機數(shù)，α∈(0，1]

ST——安全值,ST∈[0.5，1]

R2——警告值，當R2≤ST時，發(fā)現(xiàn)者可以執(zhí)行搜索操作，而當R2≥ST,表示發(fā)現(xiàn)者種群發(fā)出預警，迅速飛離,R2∈(0，1]

Q——服從正態(tài)分布的隨機數(shù)

L——L×d矩陣,矩陣中的每個元素均為1

對于加入者執(zhí)行

(11)

式中Xbest——當前最優(yōu)位置

Xworst——極差位置

β——步長控制參數(shù)

K——服從正態(tài)分布的隨機數(shù)，K∈[-1,1]，其均值為0，方差為1

fi——當前麻雀的個體適應度

fg、fw——當前全局最佳適應度和最差適應度

ε——避免分母為零的最小常數(shù)

監(jiān)視發(fā)現(xiàn)者同時隨時準備與之競爭，否則執(zhí)行

(12)

式中Xp——發(fā)現(xiàn)者所占據(jù)的最佳位置

A——1×d矩陣，其中每個元素隨機賦值為1或者-1，且A+=AT(AAY)-1

當i>n/2，表示適應度較低的第i個加入者沒有得到食物。

預警者一般占種群數(shù)量的10%～20%，按式(12)更新站位。

SSA實現(xiàn)步驟如下：①初始麻雀數(shù)量并定義相關(guān)參數(shù)。②按照適應度進行順序排列，找到當前最佳適應度個體和最差適應度個體。③利用 式(10)更新麻雀(發(fā)現(xiàn)者)在適應度方面的位置。④使 用式(12)更新晚期麻雀(scrounger)的適應度位置。⑤使用式(11)隨機更新部分麻雀的位置。⑥獲取當前更新位置。⑦如果新的位置比舊的位置好，則更新舊的位置。⑧重復步驟④～⑧。⑨輸出最佳適應度和單個麻雀。

2.3 SSA-LSTM組合預測模型

為了提高預測精度和穩(wěn)定性，本文提出了一種混合模型SSA-LSTM(圖3b)，利用SSA優(yōu)化LSTM的初始隱層節(jié)點數(shù)和學習率。SSA-LSTM模型的主要步驟如下：

(1)模型初始化：初始化SSA的參數(shù)，包括麻雀種群位置、參數(shù)取值上下限及最大迭代次數(shù)。初始化LSTM結(jié)構(gòu)，以LSTM模型的隱層節(jié)點數(shù)和學習率作為優(yōu)化目標。

(2)目標函數(shù)建立：SSA的目標函數(shù)是未經(jīng)訓練的LSTM模型預測值與實際值相比的均方根誤差(RMSE)。

(3)優(yōu)化：根據(jù)目標函數(shù)的結(jié)果更新麻雀的位置，當滿足初始設定的迭代次數(shù)時，LSTM的初始值達到最優(yōu)。

(4)LSTM訓練：將尋優(yōu)后求得的最優(yōu)參數(shù)代入LSTM模型，重新進行訓練和預測，得到最終的預測模型。

2.4 模型性能評估

為了定量評估SSA-LSTM優(yōu)化的神經(jīng)網(wǎng)絡預測模型的有效性和準確性，采用均方根誤差(RMSE)、平均絕對誤差(MAE)和平均誤差(MAPE)進行模型評估。

3 結(jié)果與分析

3.1 土壤含氧量變化及影響因子相關(guān)性分析

由8個影響因子與SOC的Pearson相關(guān)系數(shù)可知，SOC與RF、Ws、Ts和AFP相關(guān)性極顯著，相關(guān)系數(shù)均高于0.8，與Ta、SW相關(guān)性顯著，與RH、Rs相關(guān)性較弱(圖4)。

圖4 SOC與影響因子的Pearson相關(guān)系數(shù)

考慮到大氣溫度與土壤溫度對SOC的影響有一定的滯后效應，大氣溫度的變化對土壤溫度產(chǎn)生直接影響，土壤溫度的變化對土壤中的運動、土壤中各項生化活動產(chǎn)生影響，進而對SOC的變化產(chǎn)生影響，所以考慮滯后效應，修正后大氣溫度相關(guān)系數(shù)由0.43提升至0.51，土壤溫度相關(guān)系數(shù)由-0.72提升至-0.81。

3.2 算法參數(shù)設置

通過前期試驗，采用試湊法得到本次試驗設置的BP預測模型中相應參數(shù)：最大迭代次數(shù)為500，隱層節(jié)點數(shù)目為25，訓練精度為0.000 01，學習率設置為0.1；SSA算法優(yōu)化LSTM網(wǎng)絡的兩個參數(shù)為隱藏神經(jīng)元數(shù)和學習率，將SOC真實數(shù)據(jù)與預測數(shù)據(jù)的均方根誤差作為適應度函數(shù)。同時設置麻雀種群數(shù)量為20，迭代次數(shù)為50，神經(jīng)元個數(shù)m設置范圍為[1，100]，學習率為[0.000 1，0.01]，經(jīng)過SSA算法優(yōu)化后隱藏神經(jīng)元數(shù)和學習率的取值為30、0.008 5；設置GA算法的種群規(guī)模為20，交叉概率為0.3，變異概率為0.1，迭代次數(shù)為50；設置PSO算法中種群迭代次數(shù)為50，規(guī)模為20，參數(shù)c1和c2均為1.8。

3.3 模型預測對比分析

根據(jù)所測數(shù)據(jù)，構(gòu)建基于BP預測模型、LSTM預測模型、GA-LSTM預測模型、PSO-LSTM預測模型、SSA-LSTM預測模型共5種預測模型，各模型對SOC預測結(jié)果如圖5所示。由圖5a、5b可以看出，BP預測模型及LSTM預測模型預測誤差較大。PSO-LSTM預測模型在土壤含氧量9.6%～12.5%的范圍內(nèi)模型預測誤差較大；GA-LSTM預測模型具有良好的收斂性，當土壤含氧量高于14.2%時，會出現(xiàn)較大的誤差，且遺傳算法步驟復雜，運算繁瑣。SSA-LSTM預測模型具有良好的適應性和預測精度(圖5e)，實測值與預測值曲線擬合更接近，說明SSA-LSTM預測模型具有更好的擬合效果和泛化能力，體現(xiàn)了優(yōu)化算法的相對優(yōu)越性。

圖5 不同神經(jīng)網(wǎng)絡模型的預測曲線

為了驗證5種模型的預測性能，驗證數(shù)據(jù)的實測值與預測值的相關(guān)系數(shù)曲線如圖6所示。不同網(wǎng)絡模型的擬合程度由高到低依次為SSA-LSTM預測模型、GA-LSTM預測模型、PSO-LSTM預測模型、LSTM預測模型、BP預測模型。SSA-LSTM預測模型回歸擬合較好，相關(guān)系數(shù)R增加到0.979 69，決定系數(shù)R2增加到了0.959 79，與傳統(tǒng)的BP預測模型、LSTM預測模型、GA-LSTM預測模型及PSO-LSTM預測模型相比，SSA-LSTM算法的R分別提高5.52%、2.30%、0.28%、1.25%，R2提高10.74%、4.55%、0.56%、2.48%。

圖6 不同神經(jīng)網(wǎng)絡模型預測值與實測值間的相關(guān)性分析

對5種預測模型的預測結(jié)果進行量化，并利用模型評價指標對模型進行對比分析(表2)。與傳統(tǒng)的BP預測模型、LSTM預測模型、GA-LSTM預測模型及PSO-LSTM預測模型相比，SSA-LSTM模型的RMSE分別降低58.64%、42.40%、20.04%、42.32%，MAPE分別降低59.85%、44.16%、4.02%、41.21%，MAE分別降低58.22%、43.70%、2.45%、38.26%。

表2 BP預測模型、LSTM預測模型和SSA-LSTM預測模型性能分析

3.4 模型預測誤差分析

不同模型的預測誤差分布如圖7所示。以分布誤差為0的分界線，向兩端擴散增大，0軸表示真實值與預測值結(jié)果一致，越接近0，代表預測值與實測值的差值越小，模型的預測精度越高。從圖7可以看出，與BP、LSTM預測模型相比，GA-LSTM、PSO-LSTM及SSA-LSTM預測模型的誤差直方圖誤差接近0的個數(shù)更多且誤差更小。其中，在組合預測模型里，本文所提出的SSA-LSTM模型在零區(qū)間分布的數(shù)量更多，誤差更小，其他組合模型GA-LSTM、PSO-LSTM在零區(qū)間分布個數(shù)分別為48和38，誤差較大。

圖7 不同神經(jīng)網(wǎng)絡模型預測誤差分布圖

4 結(jié)論

(1)利用SSA搜索算法優(yōu)化后的LSTM神經(jīng)網(wǎng)絡預測模型，采用網(wǎng)格搜索對LSTM神經(jīng)網(wǎng)絡模型的隱層節(jié)點數(shù)和學習率進行優(yōu)化，克服了傳統(tǒng)神經(jīng)網(wǎng)絡模型參數(shù)選擇的盲目性和不確定性，提高了搜索精度、收斂速度和預測穩(wěn)定性。

(2)通過對所選影響因子與SOC的Pearson相關(guān)系數(shù)分析可知，SOC與RF、Ws、Ts和AFP相關(guān)性極顯著，相關(guān)系數(shù)均高于0.8，與大氣溫度、風速相關(guān)性顯著，與大氣濕度和土壤呼吸速率相關(guān)性較弱，其中，土壤呼吸是吸收O2排出CO2的過程，呼吸強度不僅受到土壤非生物因子的影響，更多地是受到生物因子的制約，主要與土壤中的根系、微生物數(shù)量有關(guān)，因此，土壤呼吸速率與SOC的相關(guān)性較弱。

(3)將BP預測模型、LSTM預測模型、GA-LSTM預測模型、PSO-LSTM預測模型和SSA-LSTM神經(jīng)網(wǎng)絡模型進行SOC預測分析，SSA-LSTM預測模型比其他神經(jīng)網(wǎng)絡模型表現(xiàn)出更好的預測性能。經(jīng)過不斷迭代訓練，SSA-LSTM網(wǎng)絡模型預測精度R2達到0.959 79，RMSE僅為0.491 7%，MAPE 為3.733 1%，MAE為0.362 0%，預測值與試驗值之間的擬合程度高。研究結(jié)果為土壤氧氣含量的預測提供一種新的思路和方法，為土壤通氣增氧技術(shù)提供理論依據(jù)與基礎(chǔ)。