引言
研究背景：土壤湿度是农业、水文、生态和气候过程中的关键变量，受土壤类型、结构、地形、植被和人类活动影响，表现出强烈的空间异质性。
研究目的：提出一种基于粒子群优化（PSO）和长短期记忆（LSTM）网络模型的混合模型（PSO-LSTM），用于大规模精准预测柑橘园土壤湿度。
材料与方法
研究区域：中国四川省眉山市的柑橘园。
数据来源：使用欧洲空间局Sentinel-1A SAR数据，具有5×20米的分辨率，包括垂直极化（VV）和交叉极化（VH）。
土壤湿度测量：通过155个采样点，收集5厘米、10厘米、20厘米和40厘米深处的土壤样本，使用烘干法测量土壤湿度。
模型和算法：
LSTM模型：通过输入门、输出门和遗忘门形成循环模块，提高短期信息的保持能力和解决梯度问题。
PSO算法：模拟鸟群的社会行为，通过粒子的速度和位置在搜索空间中寻找最优解。
模型训练与验证：使用125个样本点数据训练模型，30个样本点数据验证模型预测精度。
结果
统计分析：显示了2022年4月至11月期间不同深度土壤湿度的变化范围。
模型预测准确性：PSO-LSTM模型在测试和训练阶段的预测准确性均高于单独的LSTM模型。
不同输入组合：发现多参数输入下的模型预测精度高于单参数输入，其中VV极化输入下的模型预测精度最高。
输入指标：基于Sentinel-1A数据的VV和VH极化，构建了ROP、DPSVI、RVI、DOP和RVI4SI等指标。
输入组合：
M1：仅使用VH极化数据。
M2：仅使用VV极化数据。
M3：同时使用VV和VH极化数据以及ROP、DPSV、RVI、RV4SI指标。
M4：与M3相同，但包括VH极化。
M5：与M3相同，但包括VV极化。
讨论
输入策略：多时相Sentinel-1A数据的不同输入参数组合对模型预测精度有重要影响。
多时相数据的回波强度：不同生长阶段的柑橘园在不同时间的Sentinel-1A数据的回波系数存在显著差异。
PSO算法的改进：PSO算法在处理非线性问题时展现了强大的全局收敛能力、高效率和快速计算速度。
研究方法的局限性：当前研究方法未考虑土壤的物理属性和光学遥感特征，未来研究将探索多源卫星遥感数据融合方法。
结论
模型性能：PSO-LSTM模型在5厘米、10厘米、20厘米和40厘米的土壤深度预测中均表现出比LSTM模型更高的准确性。
模型稳定性和普适性：PSO-LSTM模型在空间尺度上展现了强大的稳定性、普适性和高预测精度。
未来研究方向：需要进一步研究光学遥感数据与雷达数据耦合的情况。
DOI：10.1016/j.jhydrol.2024.131336
