土壤湿度（SM）是连接地表和大气之间循环过程的重要地表变量。准确的SM预测对农业生产、干旱评估和全球气候预测具有重要意义。然而，复杂的地理和环境因素导致SM的变化复杂且分布不规则。现有的大多数多变量预测方法主要考虑局部空间数据，难以捕捉远程SM变化的异质依赖效应。为了应对这一挑战，本研究提出了GCCL模型，该模型集成了两个组件：GConvLSTM（图卷积LSTM）和ConvLSTM（卷积LSTM）。该组合模型旨在预测未来7天的SM。GCCL利用皮尔逊相关系数构建连接矩阵，不仅关注周围的空间信息，还关注更广泛的空间信息和时间相关性，从而能够捕捉远程SM变化的异质依赖关系。使用土壤水分主动被动 (SMAP) 卫星 L4 产品，将 GCCL 与 ConvLSTM、TGC-LSTM、CNN-LSTM、随机森林和 SARIMAX 模型进行比较，以进行 SM 预测。使用未来 1、3、5 和 7 天的预测结果评估模型在不同阶段的性能。
结果表明，GCCL 优于基线模型，多步预测的 RMSE 分别为 0.018 m3/m3、0.031 m3/m3、0.035 m3/m3 和 0.038 m3/m3。与 ConvLSTM 相比，GCCL 分别将均方根误差 (RMSE) 降低了 14.3%、8.8%、7.9% 和 7.5%。在时空场景中，GCCL 在复杂地形、降雨和干旱条件下表现出色。对于多步预测，GCCL 在 98%、94%、86% 和 83% 的区域中表现优于 ConvLSTM。这些发现表明 GCCL 模型在多步 SM 预测中表现出优异的时空性能，并有可能提高 SM 时空预测的准确性和稳定性。
图7.模型的RMSE箱线图：(a)、(b)、(c)和(d)分别表示提前1、3、5和7天的各个模型预测结果的RMSE分布。
图8.模型的R2箱线图：（a）、（b）、（c ）和（d）分别表示提前1、3、5和7天的各个模型预测结果的R2分布。
图 9.模型预测值与观测值的比较。
图 10 . GCCL 与基线模型的像素级 RMSE 比较。
图 11 . 1 天预测期内土壤湿度预测值与观测值的关系图：（a）GCCL 模型，（b）CNN-LSTM 模型，（c）TGC-LSTM 模型，（d）ConvLSTM 模型，（e）RF 模型，（f）SARIMAX 模型。
图 12 . 3 天预测期内土壤湿度预测值与观测值的关系图：（a）GCCL 模型，（b）CNN-LSTM 模型，（c）TGC-LSTM 模型，（d）ConvLSTM 模型，（e）RF 模型，（f）SARIMAX 模型。
干旱区气象生态拥有近1w活跃粉丝，是干旱区资源环境领域最大的自媒体平台，致力于帮助科研人员和团队宣传成果，促进学术交流。由于微信修改了推送规则，请大家将本公众号加为星标，一键三连，可以第一时间收到我们每日的推文！您的鼓励是我们最大的动力😊
