Page 220 - 《水资源与水工程学报》2025年第2期

１
２ ６ & ' ( ) & * + , - ２０２５ $
»¼‘‘óV； n， ‰¡üoQ˜Ì>¡ ４ ûí ２０２１，３８５：１１４８６３．
%»¼‘È-， È-í%¡5üoQ˜T‘’ ［９］ＦＡＴＨＯＬＯＬＯＵＭＩＳ，ＶＡＥＺＩＡＲ，ＡＬＡＶＩＰＡＮＡＨＳＫ，ｅｔ
žyXYÈZ。šÎ$‰H‘>d‚ƒ， A_ ａｌ．Ｅｆｆｅｃｔｏｆｍｕｌｔｉｔｅｍｐｏｒａｌｓａｔｅｌｌｉｔｅｉｍａｇｅｓｏｎｓｏｉｌｍｏｉｓｔｕｒｅ
ｐｒｅｄｉｃｔｉｏｎｕｓｉｎｇａｄｉｇｉｔａｌｓｏｉｌｍａｐｐｉｎｇａｐｐｒｏａｃｈ ［Ｊ］．Ｇｅｏ
˜‘í%T, ÒÓ。毖ÈZo~Q˜T
ｄｅｒｍａ ，２０２１，３８５：１１４９０１．
‘’Þg， ÃV¡o~Q˜»¼°OTQ©
［１０］ＷＥＩＸｉｎ，ＺＨＡＮＧＬｕｌｕ，ＹＡＮＧＨａｏｑｉｎｇ，ｅｔａｌ．Ｍａｃｈｉｎｅ
†½， ÀóVɉ¡NTBXí%， K¾u!NªT
ｌｅａｒｎｉｎｇｆｏｒｐｏｒｅｗａｔｅｒｐｒｅｓｓｕｒｅｔｉｍｅｓｅｒｉｅｓｐｒｅｄｉｃｔｉｏｎ：
()RÝ。
ａｐｐｌｉｃａｔｉｏｎｏｆｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｊ］．Ｇｅｏｓｃｉｅｎｃｅ
６ f i Ｆｒｏｎｔｉｅｒｓ，２０２１，１２（１）：４５３４６７．
［１１］ＨＥＤＤＡＭ Ｓ．３ｎｅｗｆｏｒｍｕｌａｔｉｏｎｆｏｒｐｒｅｄｉｃｔｉｎｇｓｏｉｌｍｏｉｓ
（１） 4WpPo~Q˜T„P>?+e7æL ｔｕｒｅｃｏｎｔｅｎｔｕｓｉｎｇｏｎｌｙｓｏｉｌｔｅｍｐｅｒａｔｕｒｅａｓｐｒｅｄｉｃｔｏｒ：ｍｕｌ
[.T， ´+•–™œš›$g@le՟, ｔｉｖａｒｉａｔｅａｄａｐｔｉｖｅｒｅｇｒｅｓｓｉｏｎｓｐｌｉｎｅｓｖｅｒｓｕｓｒａｎｄｏｍｆｏｒｅｓｔ，
æ ÆÑg、 6Мg、 jaJÔI.。 ｍｕｌｔｉｌａｙｅｒｐｅｒｃｅｐｔｒｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ，Ｍ５Ｔｒｅｅ，ａｎｄｍｕｌｔｉ
（２） Y‰}gT ４ ûo（２０、４０、６０、８０ｃｍ） ｐｌｅｌｉｎｅａｒｒｅｇｒｅｓｓｉｏｎ ［Ｊ］．ＷａｔｅｒＥｎｇｉｎｅｅｒｉｎｇＭｏｄｅｌｉｎｇａｎｄ
ＭａｔｈｅｍａｔｉｃＴｏｏｌｓ ，２０２１：４５６２．ＤＯＩ：１０．１０１６／Ｂ９７８０
ŠBÌ>ܔ†æ ４ û„÷Bg（１、１２、２４、４８ｈ），
１２８２０６４４１７．０００２７Ｘ．
(RÁæÈZí%‘’ÞgJ_˜‘’ÒÓÈç‘
［１２］ＡＨＭＥＤＡＡＭ，ＤＥＯＲＣ，ＧＨＡＨＲＡＭＡＮＩＡ，ｅｔａｌ．
NLVTyo。
ＬＳＴＭｉｎｔｅｇｒａｔｅｄｗｉｔｈＢｏｒｕｔａ－ｒａｎｄｏｍｆｏｒｅｓｔｏｐｔｉｍｉｓｅｒｆｏｒ
（ ３） Fa5| éՄÌ>óVT ＬＳＴＭ－１
ｓｏｉｌｍｏｉｓｔｕｒｅｅｓｔｉｍａｔｉｏｎｕｎｄｅｒＲＣＰ４．５ａｎｄＲＣＰ８．５ｇｌｏｂａｌ
í%， BX ＬＳＴＭí%º¡oU １２、２４、４８ｈ T‘’ ｗａｒｍｉｎｇｓｃｅｎａｒｉｏｓ ［Ｊ］．ＳｔｏｃｈａｓｔｉｃＥｎｖｉｒｏｎｍｅｎｔａｌＲｅｓｅａｒｃｈ
２
!，Ｒ †xȝ‘ ２．４２％、５．７１％、１２．２６％； (í% ａｎｄＲｉｓｋＡｓｓｅｓｓｍｅｎｔ，２０２１，３５（９）：１８５１１８８１．
Ï:¯õÅÉ·Ûv‘’4WpP=âüoQ˜ ［１３］ＺＨＡＮＧＦａｎｇｆａｎｇ，ＷＵＳｈｉｗｅｎ，ＬＩＵＪｉｅ，ｅｔａｌ．Ｐｒｅｄｉｃ
˜™。 ｔｉｎｇｓｏｉｌｍｏｉｓｔｕｒｅｃｏｎｔｅｎｔｏｖｅｒｐａｒｔｉａｌｌｙｖｅｇｅｔａｔｉｏｎｃｏｖｅｒｅｄ
ｓｕｒｆａｃｅｓｆｒｏｍ ｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａｗｉｔｈｄｅｅｐｌｅａｒｎｉｎｇ ［Ｊ］．
ÕÖKL： ＳｏｉｌＳｃｉｅｎｃｅＳｏｃｉｅｔｙｏｆＡｍｅｒｉｃａＪｏｕｒｎａｌ ，２０２１，８５（４）：
［１］îö3， _!d， 1—ÿ， Q． 4WznÝûÂPIMN ９８９１００１．
OPKLTIM,> .［Ｊ］． F[#$Zš，２０１８，３４ ［１４］ＰＯＮＫＩＮＡＥ，ＩＬＬＩＧＥＲＰ，ＫＲＯＴＯＶＡＯ，ｅｔａｌ．ＤｏＡＲＭＡ
（１１）：９６１０４． ｍｏｄｅｌｓｐｒｏｖｉｄｅｂｅｔｔｅｒｇａｐｆｉｌｌｉｎｇｉｎｔｉｍｅｓｅｒｉｅｓｏｆｓｏｉｌｔｅｍｐｅｒａ
［２］$ `， é ¦， aêf， Q． ‰}Žv“ÊbSo~I†„ ｔｕｒｅａｎｄｓｏｉｌｍｏｉｓｔｕｒｅ ？ｔｈｅｃａｓｅｏｆａｒａｂｌｅｌａｎｄｉｎｔｈｅＫｕｌｕｎｄａ
†‡Q©［Ｊ］． o~Zš，２０２１，５８（６）：１４２３１４３５． Ｓｔｅｐｐｅ ，Ｒｕｓｓｉａ［Ｊ］．Ｌａｎｄ，２０２１，１０（６）：５７９．
［３］í |， j !， ՐH， Q． lnh!qFGo~I†(. ［１５］ＣＡＲＲＡＮＺＡＣ，ＮＯＬＥＴＣ，ＰＥＺＩＪＭ，ｅｔａｌ．Ｒｏｏｔｚｏｎｅ
«¦„PQ©［Ｊ］． o~，２０１９，５１（２）：３９０３９８． ｓｏｉｌｍｏｉｓｔｕｒｅｅｓｔｉｍａｔｉｏｎｗｉｔｈｒａｎｄｏｍｆｏｒｅｓｔ［Ｊ］．Ｊｏｕｒｎａｌｏｆ
［４］î×2， 1^.， ç#Ì， Q． o~I†ÑHQ©„.( Ｈｙｄｒｏｌｏｇｙ ，２０２１，５９３：１２５８４０．
)Ûe［Ｊ］． o~Zš，２０１９，５６（１）：２３３５． ［１６］ＨＡＮＨ，ＣＨＯＩＣ，ＫＩＭＪ，ｅｔａｌ．Ｍｕｌｔｉｐｌｅｄｅｐｔｈｓｏｉｌｍｏｉｓ
［５］ＺＨＡＮＧＱｉｕｒｕ，ＳＨＩＬｉａｎｇｓｈｅｎｇ，ＨＯＬＺＭＡＮＭ，ｅｔａｌ．Ａ ｔｕｒｅｅｓｔｉｍａｔｅｓｕｓｉｎｇａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｌｏｎｇｓｈｏｒｔ
ｄｙｎａｍｉｃｄａｔａｄｒｉｖｅｎｍｅｔｈｏｄｆｏｒｄｅａｌｉｎｇｗｉｔｈｍｏｄｅｌｓｔｒｕｃ ｔｅｒｍｍｅｍｏｒｙｍｏｄｅｌｓ ［Ｊ］．Ｗａｔｅｒ，２０２１，１３（１８）：２５８４．
ｔｕｒａｌｅｒｒｏｒｉｎｓｏｉｌｍｏｉｓｔｕｒｅｄａｔａａｓｓｉｍｉｌａｔｉｏｎ ［Ｊ］．Ａｄｖａｎｃｅｓ ［１７］ＡＤＥＹＥＭＩＯ，ＧＲＯＶＥＩ，ＰＥＥＴＳＳ，ｅｔａｌ．Ｄｙｎａｍｉｃｎｅｕｒａｌ
ｉｎＷａｔｅｒＲｅｓｏｕｒｃｅｓ，２０１９，１３２：１０３４０７． ｎｅｔｗｏｒｋｍｏｄｅｌｌｉｎｇｏｆｓｏｉｌｍｏｉｓｔｕｒｅｃｏｎｔｅｎｔｆｏｒｐｒｅｄｉｃｔｉｖｅｉｒｒｉ
［６］ＡＢＩＯＹＥＥＡ，ＡＢＩＤＩＮＭＳＺ，ＭＡＨＭＵＤＭＳＡ，ｅｔａｌ．ＩｏＴ ｇａｔｉｏｎｓｃｈｅｄｕｌｉｎｇ ［Ｊ］．Ｓｅｎｓｏｒｓ，２０１８，１８（１０）：３４０８．
ｂａｓｅｄｍｏｎｉｔｏｒｉｎｇａｎｄｄａｔａｄｒｉｖｅｎｍｏｄｅｌｌｉｎｇｏｆｄｒｉｐｉｒｒｉｇａｔｉｏｎ ［１８］ＦＩＬＩＰＯＶＩ Ｎ，ＢＲＤＡＲＳ，ＭＩＭＩ Ｇ，ｅｔａｌ．Ｒｅｇｉｏｎａｌｓｏｉｌ
ｓｙｓｔｅｍｆｏｒｍｕｓｔａｒｄｌｅａｆｃｕｌｔｉｖａｔｉｏｎｅｘｐｅｒｉｍｅｎｔ［Ｊ］．Ｉｎｆｏｒｍａｔｉｏｎ ｍｏｉｓｔｕｒｅｐｒｅｄｉｃｔｉｏｎｓｙｓｔｅｍｂａｓｅｄｏｎｌｏｎｇｓｈｏｒｔｔｅｒｍＭｅｍｏｒｙ
ＰｒｏｃｅｓｓｉｎｇｉｎＡｇｒｉｃｕｌｔｕｒｅ ，２０２１，８（２）：２７０２８３． ｎｅｔｗｏｒｋ［Ｊ］．ＢｉｏｓｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇ，２０２２，２１３：３０３８．
［７］ＡＤＡＢＨ，ＭＯＲＢＩＤＥＬＬＩＲ，ＳＡＬＴＡＬＩＰＰＩＣ，ｅｔａｌ．Ｍａ ［１９］ＥＬＳＡＡＤＡＮＩＭ，ＨＡＢＩＢＥ，ＡＢＤＥＬＨＡＭＥＥＤＡＭ，ｅｔ
ｃｈｉｎｅｌｅａｒｎｉｎｇｔｏｅｓｔｉｍａｔｅｓｕｒｆａｃｅｓｏｉｌｍｏｉｓｔｕｒｅｆｒｏｍｒｅｍｏｔｅ ａｌ．Ａｓｓｅｓｓｍｅｎｔｏｆａｓｐａｔｉｏｔｅｍｐｏｒａｌｄｅｅｐｌｅａｒｎｉｎｇａｐｐｒｏａｃｈ
ｓｅｎｓｉｎｇｄａｔａ ［Ｊ］．Ｗａｔｅｒ，２０２０，１２（１１）：３２２３． ｆｏｒｓｏｉｌｍｏｉｓｔｕｒｅｐｒｅｄｉｃｔｉｏｎａｎｄｆｉｌｌｉｎｇｔｈｅｇａｐｓｉｎｂｅｔｗｅｅｎ
［８］ＴＡＮＥＪＡＰ，ＶＡＳＡＶＡＨＫ，ＤＡＧＧＵＰＡＴＩＰ，ｅｔａｌ．Ｍｕｌｔｉ ｓｏｉｌｍｏｉｓｔｕｒｅｏｂｓｅｒｖａｔｉｏｎｓ ［Ｊ］．ＦｒｏｎｔｉｅｒｓｉｎＡｒｔｉｆｉｃｉａｌＩｎ
ａｌｇｏｒｉｔｈｍｃｏｍｐａｒｉｓｏｎｔｏｐｒｅｄｉｃｔｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒａｎｄｓｏｉｌ ｔｅｌｌｉｇｅｎｃｅ ，２０２１，４：６３６２３４．
ｍｏｉｓｔｕｒｅｃｏｎｔｅｎｔｆｒｏｍ ｃｅｌｌｐｈｏｎｅｉｍａｇｅｓ ［Ｊ］．Ｇｅｏｄｅｒｍａ， ［２０］Ò!G， /Gï， a ò， Q． cñëRI¬¬èºB