论文标题：Soil Moisture Estimation in Kiwifruit Root Zones Using ATT-LSTM Based on UAV and Meteorological Data

论文链接：https://www.mdpi.com/2311-7524/12/3/291

期刊名：Horticulturae

期刊主页：https://www.mdpi.com/journal/horticulturae

导读

猕猴桃作为全球重要的经济作物，在我国陕西等主产区已成为支柱产业之一。根区土壤水分是精准灌溉决策和保障果实优质高产的关键指标，但传统监测方法依赖破坏性取样，效率低下；而基于单一遥感数据（如植被指数）的估算模型，常因密植冠层的光谱饱和效应导致精度不足。针对这一瓶颈，来自西北农林科技大学闫锋欣、牛子杰及其团队人员在Horticulturae期刊发表的论文“Soil Moisture Estimation in Kiwifruit Root Zones Using ATT-LSTM Based on UAV and Meteorological Data”中，创新性地提出了一种融合无人机多光谱数据与气象数据的ATT-LSTM深度学习模型。该研究通过引入注意力机制增强对关键时序特征的捕捉能力，有效克服了植被指数饱和问题，在测试集上决定系数（R²）达到0.868。论文不仅验证了多源数据融合在破解单一数据源局限性的科学价值，也为猕猴桃果园的智慧灌溉管理和农业水资源优化提供了重要的技术参考。

研究过程与结果

作者以猕猴桃果园为研究对象，针对单一植被指数因冠层光谱饱和导致土壤水分反演精度低的问题，构建了融合无人机多光谱数据与气象数据的ATT-LSTM深度学习模型。在数据层面，研究同步采集了猕猴桃冠层四个波段的光谱反射率及气温、湿度、辐射、灌溉量等气象参数，通过严格的时间配准确保了1440组多源数据的时序一致性。经双相关系分析筛选出9个与根区土壤水分显著相关的植被指数作为模型输入特征。在模型层面，作者构建了双层LSTM结合自注意力机制的ATT-LSTM网络（图1）。结果表明：融合气象数据后，LSTM模型测试集R²由0.723提升至0.855，RMSE由2.26%降至1.94%；而ATT-LSTM模型表现最优，测试集R²达0.868，RMSE进一步降至1.44%。时序分析显示，ATT-LSTM在短期精度和长期趋势捕捉上均优于标准LSTM（图2）。综上，多源数据融合有效克服了植被指数饱和问题，注意力机制增强了模型对关键时序特征的捕捉能力，为猕猴桃果园精准灌溉提供了技术支撑。未来需进一步整合作物生长模型以提升应用价值。

图1. ATT-LSTM网络结构图

图1. LSTM与ATT-LSTM模型估算根区土壤水分含量的反演性能

研究总结

本文系统总结了基于无人机多光谱遥感与气象数据融合的猕猴桃根区土壤水分反演研究进展。研究证实，融合冠层光谱数据与气象参数可有效克服植被指数饱和效应：引入气象数据使LSTM模型R²由0.723提升至0.855，RMSE由2.26%降至1.94%；ATT-LSTM模型进一步将R²提升至0.868，RMSE降至1.44%。当前研究仍面临以下挑战：(1) 植被指数与土壤水分的非线性关系尚未完全解耦；(2) 模型在不同品种和气候条件下的泛化能力有待验证；(3) 高精度时序数据获取成本高、实时处理技术存在瓶颈。未来研究应侧重以下方面：(1) 整合高光谱遥感、气象数据与作物生长模型，构建物理机制与数据驱动融合的反演体系；(2) 利用迁移学习开展跨区域验证，提升模型环境适应性；(3) 融合边缘计算与物联网技术，实现土壤水分实时监测与精准灌溉一体化决策。推进多源数据融合与智能算法优化，对揭示土壤水分动态机制、实现智慧农业精准灌溉具有重要意义。

Horticulturae 期刊介绍

主编：Luigi De Bellis, Università del Salento, Italy

期刊重点关注温带到热带园艺的所有领域及相关学科，主题包括果树、蔬菜、花卉、苗圃和风景、以及草药和香料作物等，研究涉及整个园艺供应链。