Pixel-oriented prediction of soil moisture using graph neural network and remote sensing data- a case study in Karnataka, India

方法

构建GCN/GAT与LSTM组合的时空图神经网络，对比六种基线模型。

发现

GAT动态模型最优，RMSE为0.022、R²为0.919，较ConvLSTM降低4.34%。

机会点

可探索图结构自适应构建与多源遥感融合，提升区域尺度土壤湿度预报精度。

摘要　土壤水分（SM）预测因其时空变异性以及对环境与气候条件变化的敏感性而具有挑战性。准确的SM预测对水资源管理和农业可持续性具有重要意义。本研究提出一种基于图的方法，利用图神经网络（GNNs）对印度卡纳塔克邦进行SM预测，所用数据为2015年4月至2021年12月的多源数据。我们通过将图卷积网络（GCN）、图注意力网络（GAT）、图卷积与注意力组合网络（GCAT和GACN）架构与长短期记忆（LSTM）网络相结合，构建了静态和动态时序SM GNN（T-SM-GNN）变体，用于时空SM预测。所提模型与文献中的六个基线模型进行了对比评估。在评估的模型中，基于GAT的T-SM-GNN取得了最佳整体性能，其动态变体的RMSE为$$0.022 \pm 0.000$$ $$m^3$$/$$m^3$$，$$R^2$$为$$0.919 \pm 0.003$$，与最强基线卷积长短期记忆网络（ConvLSTM）相比，RMSE降低了4.34%。这些结果凸显了基于图的时空建模在区域尺度SM预测中的潜力。