5.1　PSWE模型的基本原理

本模型使用Python编码，在Pytorch框架上架构递进水盐嵌入神经网络模型（Progressive Salt-Water Embedding Neural Network，PSWE），并进行模型的训练、模拟与预测。分级长短记忆网络（Hierarchical Long Short-Term Memory Network，HLSTM）编码器构架时间化序列数据，对以天为单位记录的农田气象数据、灌溉定额及土层深度进行学习，并作为整体嵌入一个低维度欧几里得空间中，同时对作物生长及气候条件、与土壤水盐间的因果关系进行学习与分析，最终模拟输出土壤水盐动态变化。承接HLSTM编码器所得结果，批标准化多层感知机BMLP构造的解码器对土壤水盐动态变化与夏玉米生产效益间的因果关系进一步分析与学习。HLSTM时间序列编码器与BMLP解码器在相互迭代更新学习的过程中，充分分析夏玉米各项指标在时间序列上的依存关系，并分析不同灌水量、生育期时长、土层深度、秸秆埋深及气象条件（地温、气温、辐射、CO2浓度、降水量）对土壤水盐运移以及作物生产效益（产量、水分利用效率）的多因素影响，最终达到对土壤水盐运移、作物产量和水分利用率的准确预测。

具体来讲，本书使用[x0，x1，x2，…，xt]来表示每个时间点上的夏玉米各项指标（灌水量、生育期时长、土层深度及气候条件）。其中，每个xt为m维的向量（m为每个时间点夏玉米指标的数量，m=9）。时间序列化使得xt自然拥有依次生成的性质，基于n阶马尔科夫链的夏玉米在各时间点上的各项指标依次发生的概率为

式中　xt——每个时间点上夏玉米各项数据指标；

T——夏玉米整个生长周期，d。