基于PSWE模型的秸秆深埋下夏玉米灌水制度优化

目前，关于土壤水盐运移的研究方法主要是野外试验及数值模拟试验。大多数土壤水盐运移模型模拟及相关影响因子主要依赖于复杂的物理过程机理获取，模型求解也往往因边界条件复杂、计算参数众多等原因在运用上受限，并且水盐运移的非线性和变异性降低了这些机理模型的准确性和可靠性。Schindler等认为，相比基于物理过程机理的模型，基于数据驱动的模型优势更为突出，并且伴随着机器学习理论及技术的发展，此类模型在模拟土壤水盐运移方面逐渐得到认可。作为当前机器学习领域最为活跃的深度学习理论及技术在土壤水盐运移上的应用还比较少见。

通过前面第3和4章的研究发现，秸秆深埋措施的整体效果较好，对改善水盐分布、增产及提高水分利用效率优于秸秆表覆处理。因此，本章开展针对多因素协同秸秆深埋下夏玉米灌水制度优化及水盐运移模拟，并预测作物生产效益。以田间试验实测的土壤水盐含量及作物生产效益数据为基础，基于深度学习中的分级长短期记忆神经网络（Hierarchical Long Short-Term Memory Network，HLSTM）与批标准化多层感知机（Batch-normalized Multi-Layer Perceptron，BMLP）的耦合，建立递进水盐嵌入神经网络模型（Progressive Salt-Water Embedding Neural Network，PSWE），模拟河套灌区多因素协同秸秆深埋下不同灌水量的土壤水盐运移，预测夏玉米生产效益。旨在探明多因素协同秸秆深埋下土壤水盐运动规律，进一步优化秸秆覆盖下夏玉米灌水定额，同时检验深度学习理论及技术在土壤水盐运移模拟的有效性。