利用动态时空图神经网络优化节水灌溉决策

摘要

节水灌溉对于提高水资源利用效率和确保可持续的粮食生产至关重要。然而，由于土壤、作物和气象过程在空间、深度和时间上存在相互作用，准确预测农田的水分需求仍然具有挑战性。为了解决这一问题，我们开发了一个基于AI-STGNN的灌溉决策框架，其中AI-STGNN作为核心预测模型。该框架的主要方法创新在于采用了一个动态的三维（3D）图谱来表示土壤的垂直异质性和随时间变化的水文连通性，并结合了针对渠道的气象特征和多尺度时间记忆机制，以增强模型的农业水文适应性。在2021–2022年的测试数据集上，AI-STGNN的均方根误差（RMSE）、平均绝对误差（MAE）和R²值分别为3.63%、2.88%和0.89%，相比STGCN降低了7.2%，相比LSTM降低了16.7%。在降雨量较大的情况下，其RMSE增加了45%，而基线模型的RMSE增幅为59%–70%。在三个代表性农场的两个生长季节的实地对比中，采用AI-STGNN指导的灌溉策略使灌溉用水量减少了12.3%–15.7%，作物产量增加了3.5%–4.2%，水资源利用效率提高了13.7%–17.8%。由于实地对比仅涵盖了两个生长季节和三个地点，这些实际效果仍应被视为初步结果而非定论。总体而言，所提出的框架为研究中的中西部作物系统的动态水分需求预测和灌溉调度提供了基于物理原理和数据驱动的依据。