Объяснимая квантильная модель CNN-LSTM для прогнозирования многослойной влажности почвы с учетом неопределенности на тропических плантациях какао
Explainable Quantile CNN-LSTM model for uncertainty-aware multi-layer soil moisture prediction in tropical cocoa plantations
Sarowar Morshed Shawon, Mukter Zaman, Shamala Maniam, Marran Al Qwaid, Md Tanjil Sarker, Tee Yei Kheng, H. Y. Wong
Аннотация (перевод)
Точное прогнозирование многослойной влажности почвы в корнеобитаемом слое имеет решающее значение для плантаций какао, где доступность воды напрямую влияет на развитие корневой системы, усвоение питательных веществ, цветение и стабильность урожая. В тропических системах сильная изменчивость осадков, гетерогенные почвы и замедленный отклик подповерхностных слоев делают прогнозирование влажности по глубине особенно сложной задачей. В данном исследовании предлагается усовершенствованная квантильная структура на основе сверточных нейронных сетей (CNN) и долгой краткосрочной памяти (LSTM) для надежного и интерпретируемого прогнозирования многослойной влажности почвы. Модель объединяет CNN для извлечения локализованных временных признаков со стекированными сетями долгой краткосрочной памяти LSTM для моделирования последовательных зависимостей, а также включает квантильную регрессию для формирования вероятностных прогнозов. Оптимизация временного лага на основе автокорреляции определила временное окно lag-7 как оптимальное. Данные Zone 1 использовались исключительно для обучения и валидации, тогда как Zones 2 и 3 были зарезервированы для независимого тестирования с целью обеспечения пространственной генерализации и надежности. Предложенная модель продемонстрировала стабильно высокую прогностическую точность на пяти глубинах почвы (5–105 cm) со средним общим значением R2 0.948, низким RMSE (0.39–0.79 по слоям) и MAPE, как правило, ниже 3%. Независимое тестирование в Zones 2 и 3 показало минимальное снижение эффективности, подтверждая высокую переносимость модели в различных полевых условиях. Для количественной оценки неопределенности квантильная регрессия обеспечила надежные 50 и 80% интервалы прогнозирования. Низкие средние значения pinball loss, вероятность покрытия интервала прогнозирования (PICP), близкая к номинальным уровням, умеренная средняя ширина интервала прогнозирования (MPIW) и благоприятные оценки Winkler scores указывают на хорошо откалиброванные и четкие вероятностные прогнозы. Анализ объяснимости с использованием SHapley Additive exPlanations (SHAP) и Integrated Gradients Attribution (IGA) выявил согласованное зависящее от глубины климатическое влияние, переходящее от краткосрочных атмосферных факторов в верхних слоях к более медленно меняющимся сезонным воздействиям в более глубоких горизонтах. В целом, данное исследование представляет собой надежную, учитывающую неопределенность и интерпретируемую квантильную структуру глубокого обучения для прогнозирования многослойной влажности почвы, способствующую умному орошению и климатически адаптированному управлению водными ресурсами в тропическом точном земледелии.
Оригинальная аннотация
Accurate prediction of multi-layer soil moisture within the root zone is critical for cocoa plantations, where water availability directly influences root development, nutrient uptake, flowering and yield stability. In tropical systems, strong rainfall variability, heterogeneous soils, and delayed subsurface responses make depth-resolved moisture forecasting particularly challenging. This study proposes an improved Quantile Convolutional Neural Networks (CNN)-Long Short-Term Memory (LSTM) framework for robust and interpretable multi-layer soil moisture prediction. The model integrates CNN for localized temporal feature extraction with stacked LSTM long short-term memory networks for sequential dependency modelling, while incorporating quantile regression to provide probabilistic forecasts. Autocorrelation-guided lag optimization identified lag-7 temporal window as optimal. Zone 1 data were used exclusively for training and validation, whereas Zones 2 and 3 were reserved for independent testing to ensure spatial generalization and robustness. The proposed model achieved consistently high predictive accuracy across five soil depths (5–105 cm), with an overall average R2 of 0.948, low RMSE (0.39–0.79 across layers), and MAPE generally below 3%. Independent testing in Zones 2 and 3 demonstrated minimal performance degradation, confirming strong transferability under varying field conditions. For uncertainty quantification, quantile regression produced reliable 50 and 80% prediction intervals. Low mean pinball loss values, Prediction Interval Coverage Probability (PICP) close to nominal levels, moderate Mean Prediction Interval Width (MPIW), and favorable Winkler scores indicate well-calibrated and sharp probabilistic forecasts. Explainability analysis using SHapley Additive exPlanations (SHAP) and Integrated Gradients Attribution (IGA) revealed coherent depth-dependent climatic controls, transitioning from short-term atmospheric drivers in shallow layers to slower-varying seasonal influences in deeper horizons. Overall, this research delivers a robust, uncertainty-aware, and interpretable quantile deep learning framework for multi-layer soil moisture forecasting, supporting smart irrigation and climate-adaptive water management in tropical precision agriculture.
Идентификаторы
Canonical: https://research.holos.house/w/28ae217a-a224-4558-b074-021035cd8f35
DOI: 10.1038/s41598-026-48517-z
OpenAlex: W7153831518