土壤墒情数据重建方法及预报方法

摘要

本发明提供一种土壤墒情数据重建方法及预报方法，涉及土壤分析技术领域，该方法包括获取目标区域内目标虚拟站点的第一历史土壤墒情影响数据，所述目标虚拟站点用于表征重建土壤墒情数据的空间位置；将所述第一历史土壤墒情影响数据输入至土壤墒情数据重建模型，得到所述土壤墒情数据重建模型输出的所述目标虚拟站点的历史土壤墒情数据重建结果。该方法通过目标真实站点测量所得的数据训练得到土壤墒情数据重建模型，可以实现目标虚拟站点的历史土壤墒情数据的重建，补全了目标区域内未对应有真实站点的空间位置的历史土壤墒情数据，可以实现区域土壤墒情的表征。

权利要求

1.一种土壤墒情数据重建方法，其特征在于，包括：

获取目标区域内目标虚拟站点的第一历史土壤墒情影响数据，所述目标虚拟站点用于表征重建土壤墒情数据的空间位置；

将所述第一历史土壤墒情影响数据输入至土壤墒情数据重建模型，得到所述土壤墒情数据重建模型输出的所述目标虚拟站点的历史土壤墒情数据重建结果；

其中，所述土壤墒情数据重建模型基于所述目标虚拟站点对应的目标真实站点的第二历史土壤墒情影响数据以及历史土壤墒情数据测量结果进行训练得到；

所述目标虚拟站点以及所述目标真实站点基于如下方法确定：

获取所述目标区域的时序卫星遥感数据，并基于所述时序卫星遥感数据，构建时空立方体；所述时空立方体包括多个时间柱，每个时间柱对应于所述时序卫星遥感数据中一个像素位置的时序数据；

选取所述时序卫星遥感数据中的任一像素位置作为备选虚拟站点，并确定所述备选虚拟站点对应的目标时间柱，计算所述目标时间柱与所述时空立方体中除所述目标时间柱外的其他时间柱之间的时序数据相关性；

基于所述时序数据相关性大于第一预设阈值的其他时间柱对应的像素位置，构建目标平面区域，并确定所述目标平面区域内真实站点的数量，若所述数量大于第二预设阈值，则确定所述备选虚拟站点为所述目标虚拟站点，并确定所述真实站点为所述目标真实站点。

2.根据权利要求1所述的土壤墒情数据重建方法，其特征在于，所述获取目标区域内目标虚拟站点的第一历史土壤墒情影响数据，具体包括：每隔第一预设时间段，获取一次所述第一历史土壤墒情影响数据；

相应地，所述将所述第一历史土壤墒情影响数据输入至土壤墒情数据重建模型，得到所述土壤墒情数据重建模型输出的所述目标虚拟站点的历史土壤墒情数据重建结果，具体包括：确定每次获取所述第一历史土壤墒情影响数据的第一获取时刻；

将每次获取的所述第一历史土壤墒情影响数据输入至所述土壤墒情数据重建模型，得到所述土壤墒情数据重建模型输出的所述目标虚拟站点在所述第一获取时刻的历史土壤墒情数据重建结果。

3.根据权利要求2所述的土壤墒情数据重建方法，其特征在于，所述将每次获取的所述第一历史土壤墒情影响数据输入至所述土壤墒情数据重建模型，得到所述土壤墒情数据重建模型输出的所述目标虚拟站点在所述第一获取时刻的历史土壤墒情数据重建结果，之后还包括：每隔第二预设时间段，对所述第二历史土壤墒情影响数据以及所述历史土壤墒情数据测量结果进行更新，并基于更新后的第二历史土壤墒情影响数据以及更新后的历史土壤墒情数据测量结果对所述土壤墒情数据重建模型进行更新，得到更新后的土壤墒情数据重建模型；

若所述更新后的土壤墒情数据重建模型的重建误差小于所述土壤墒情数据重建模型，则将每次对所述土壤墒情数据重建模型进行更新后的第二预设时间段内每次获取的所述第一历史土壤墒情影响数据，输入至所述更新后的土壤墒情数据重建模型，得到所述更新后的土壤墒情数据重建模型输出的所述目标虚拟站点在所述第一获取时刻的历史土壤墒情数据重建结果。

4.一种土壤墒情数据预报方法，其特征在于，包括：

获取待预报站点的历史土壤墒情数据、历史气象环境数据以及未来气象环境数据；

将所述历史土壤墒情数据、所述历史气象环境数据以及所述未来气象环境数据输入至土壤墒情数据预报模型，得到所述土壤墒情数据预报模型输出的所述待预报站点的未来土壤墒情数据；

其中，所述土壤墒情数据预报模型基于样本站点在第三预设时间段的第一历史土壤墒情数据样本、历史气象环境数据样本、预测得到的所述样本站点在第四预设时间段的未来气象环境数据样本以及所述样本站点在所述第四预设时间段的第二历史土壤墒情数据样本训练得到，所述样本站点包括所述目标虚拟站点，或包括所述目标虚拟站点以及所述真实站点，所述目标虚拟站点对应的第一历史土壤墒情数据样本以及第二历史土壤墒情数据样本均基于如权利要求1‑3中任一项所述的土壤墒情数据重建方法得到。

5.根据权利要求4所述的土壤墒情数据预报方法，其特征在于，所述获取待预报站点的历史土壤墒情数据、历史气象环境数据以及未来气象环境数据，具体包括：每隔第五预设时间段，获取一次所述历史土壤墒情数据、所述历史气象环境数据以及所述未来气象环境数据；

相应地，所述将所述历史土壤墒情数据、所述历史气象环境数据以及所述未来气象环境数据输入至土壤墒情数据预报模型，得到所述土壤墒情数据预报模型输出的所述待预报站点的未来土壤墒情数据，具体包括：确定每次获取所述历史土壤墒情数据、所述历史气象环境数据以及所述未来气象环境数据的第二获取时刻；

将每次获取的所述历史土壤墒情数据、所述历史气象环境数据以及所述未来气象环境数据，输入至所述土壤墒情数据预报模型，得到所述土壤墒情数据预报模型输出的、所述待预报站点在所述第二获取时刻的未来土壤墒情数据。

6.一种土壤墒情数据重建系统，其特征在于，包括：

第一获取模块，用于获取目标区域内目标虚拟站点的第一历史土壤墒情影响数据，所述目标虚拟站点用于表征重建土壤墒情数据的空间位置；

数据重建模块，用于将所述第一历史土壤墒情影响数据输入至土壤墒情数据重建模型，得到所述土壤墒情数据重建模型输出的所述目标虚拟站点的历史土壤墒情数据重建结果；

其中，所述土壤墒情数据重建模型基于所述目标虚拟站点对应的目标真实站点的第二历史土壤墒情影响数据以及历史土壤墒情数据测量结果进行训练得到；

所述目标虚拟站点以及所述目标真实站点基于如下方法确定：

获取所述目标区域的时序卫星遥感数据，并基于所述时序卫星遥感数据，构建时空立方体；所述时空立方体包括多个时间柱，每个时间柱对应于所述时序卫星遥感数据中一个像素位置的时序数据；

选取所述时序卫星遥感数据中的任一像素位置作为备选虚拟站点，并确定所述备选虚拟站点对应的目标时间柱，计算所述目标时间柱与所述时空立方体中除所述目标时间柱外的其他时间柱之间的时序数据相关性；

基于所述时序数据相关性大于第一预设阈值的其他时间柱对应的像素位置，构建目标平面区域，并确定所述目标平面区域内真实站点的数量，若所述数量大于第二预设阈值，则确定所述备选虚拟站点为所述目标虚拟站点，并确定所述真实站点为所述目标真实站点。

7.一种土壤墒情数据预报系统，其特征在于，包括：

第二获取模块，用于获取待预报站点的历史土壤墒情数据、历史气象环境数据以及未来气象环境数据；

数据预报模块，用于将所述历史土壤墒情数据、所述历史气象环境数据以及所述未来气象环境数据输入至土壤墒情数据预报模型，得到所述土壤墒情数据预报模型输出的所述待预报站点的未来土壤墒情数据；

其中，所述土壤墒情数据预报模型基于样本站点在第三预设时间段的第一历史土壤墒情数据样本、历史气象环境数据样本、预测得到的所述样本站点在第四预设时间段的未来气象环境数据样本以及所述样本站点在所述第四预设时间段的第二历史土壤墒情数据样本训练得到，所述样本站点包括所述目标虚拟站点，或包括所述目标虚拟站点以及所述真实站点，所述目标虚拟站点对应的第一历史土壤墒情数据样本以及第二历史土壤墒情数据样本均基于如权利要求1‑3中任一项所述的土壤墒情数据重建方法得到。

8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至3任一项所述的土壤墒情数据重建方法，或者实现如权利要求4至5任一项所述的土壤墒情数据预报方法。

9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述的土壤墒情数据重建方法，或者实现如权利要求4至5任一项所述的土壤墒情数据预报方法。

说明书

土壤墒情数据重建方法及预报方法

技术领域

[0001] 本发明涉及土壤分析技术领域，尤其涉及一种土壤墒情数据重建方法及预报方法。

背景技术

[0002] 土壤墒情，即作物根区的土壤含水状况，是评价作物水分亏缺状态的关键。目前，土壤墒情的监测方式已经从早期的人工土壤烘干判定法发展为传感器自动测定。以时域反射（Time  Domain Reflectometry，TDR）测量技术、频域反射（Frequency Domain Reflectometry，FDR）测量技术为代表，以传感器的安装位置为站点，通过传感器测量不同深度下土壤的介电常数和介质损耗等介电性质参数进而转化为站点实际的土壤体积含水量。配合4G、5G网络等的无线通信网络，能够实现站点原位监测的土壤墒情物联网监测网络。

[0003] 然而，气象、土壤理化性质等因素的高度异质性，决定了站点的土壤墒情难以有效表征一个区域的土壤墒情。同时，传感器的安装及维护成本较高，无法通过在区域内安装大量传感器的方式实现对该区域的土壤墒情的准确表征。

[0004] 因此，现亟须提供一种土壤墒情数据重建方法，以实现区域土壤墒情的表征。

发明内容

[0005] 本发明提供一种土壤墒情数据重建方法及预报方法，用以解决现有技术中存在的缺陷。

[0006] 本发明提供一种土壤墒情数据重建方法，包括：

[0007] 获取目标区域内目标虚拟站点的第一历史土壤墒情影响数据，所述目标虚拟站点用于表征重建土壤墒情数据的空间位置；

[0008] 将所述第一历史土壤墒情影响数据输入至土壤墒情数据重建模型，得到所述土壤墒情数据重建模型输出的所述目标虚拟站点的历史土壤墒情数据重建结果；

[0009] 其中，所述土壤墒情数据重建模型基于所述目标虚拟站点对应的目标真实站点的第二历史土壤墒情影响数据以及历史土壤墒情数据测量结果进行训练得到。

[0010] 根据本发明提供的一种土壤墒情数据重建方法，所述目标虚拟站点以及所述目标真实站点基于如下方法确定：

[0011] 获取所述目标区域的时序卫星遥感数据，并基于所述时序卫星遥感数据，构建时空立方体；所述时空立方体包括多个时间柱，每个时间柱对应于所述时序卫星遥感数据中一个像素位置的时序数据；

[0012] 选取所述时序卫星遥感数据中的任一像素位置作为备选虚拟站点，并确定所述备选虚拟站点对应的目标时间柱，计算所述目标时间柱与所述时空立方体中除所述目标时间柱外的其他时间柱之间的时序数据相关性；

[0013] 基于所述时序数据相关性大于第一预设阈值的其他时间柱对应的像素位置，构建目标平面区域，并确定所述目标平面区域内真实站点的数量，若所述数量大于第二预设阈值，则确定所述备选虚拟站点为所述目标虚拟站点，并确定所述真实站点为所述目标真实站点。

[0014] 根据本发明提供的一种土壤墒情数据重建方法，所述获取目标区域内目标虚拟站点的第一历史土壤墒情影响数据，具体包括：

[0015] 每隔第一预设时间段，获取一次所述第一历史土壤墒情影响数据；

[0016] 相应地，所述将所述第一历史土壤墒情影响数据输入至土壤墒情数据重建模型，得到所述土壤墒情数据重建模型输出的所述目标虚拟站点的历史土壤墒情数据重建结果，具体包括：

[0017] 确定每次获取所述第一历史土壤墒情影响数据的第一获取时刻；

[0018] 将每次获取的所述第一历史土壤墒情影响数据输入至所述土壤墒情数据重建模型，得到所述土壤墒情数据重建模型输出的所述目标虚拟站点在所述第一获取时刻的历史土壤墒情数据重建结果。

[0019] 根据本发明提供的一种土壤墒情数据重建方法，所述将每次获取的所述第一历史土壤墒情影响数据输入至所述土壤墒情数据重建模型，得到所述土壤墒情数据重建模型输出的所述目标虚拟站点在所述第一获取时刻的历史土壤墒情数据重建结果，之后还包括：

[0020] 每隔第二预设时间段，对所述第二历史土壤墒情影响数据以及所述历史土壤墒情数据测量结果进行更新，并基于更新后的第二历史土壤墒情影响数据以及更新后的历史土壤墒情数据测量结果对所述土壤墒情数据重建模型进行更新，得到更新后的土壤墒情数据重建模型；

[0021] 若所述更新后的土壤墒情数据重建模型的重建误差小于所述土壤墒情数据重建模型，则将每次对所述土壤墒情数据重建模型进行更新后的第二预设时间段内每次获取的所述第一历史土壤墒情影响数据，输入至所述更新后的土壤墒情数据重建模型，得到所述更新后的土壤墒情数据重建模型输出的所述目标虚拟站点在所述第一获取时刻的历史土壤墒情数据重建结果。

[0022] 本发明还提供一种土壤墒情数据预报方法，包括：

[0023] 获取待预报站点的历史土壤墒情数据、历史气象环境数据以及未来气象环境数据；

[0024] 将所述历史土壤墒情数据、所述历史气象环境数据以及所述未来气象环境数据输入至土壤墒情数据预报模型，得到所述土壤墒情数据预报模型输出的所述待预报站点的未来土壤墒情数据；

[0025] 其中，所述土壤墒情数据预报模型基于样本站点在第三预设时间段的第一历史土壤墒情数据样本、历史气象环境数据样本、预测得到的所述样本站点在第四预设时间段的未来气象环境数据样本以及所述样本站点在所述第四预设时间段的第二历史土壤墒情数据样本训练得到，所述样本站点包括所述目标虚拟站点，或包括所述目标虚拟站点以及所述真实站点，所述目标虚拟站点对应的第一历史土壤墒情数据样本以及第二历史土壤墒情数据样本均基于上述的土壤墒情数据重建方法得到。

[0026] 根据本发明提供的一种土壤墒情数据预报方法，所述获取待预报站点的历史土壤墒情数据、历史气象环境数据以及未来气象环境数据，具体包括：

[0027] 每隔第五预设时间段，获取一次所述历史土壤墒情数据、所述历史气象环境数据以及所述未来气象环境数据；

[0028] 相应地，所述将所述历史土壤墒情数据、所述历史气象环境数据以及所述未来气象环境数据输入至土壤墒情数据预报模型，得到所述土壤墒情数据预报模型输出的所述待预报站点的未来土壤墒情数据，具体包括：

[0029] 确定每次获取所述历史土壤墒情数据、所述历史气象环境数据以及所述未来气象环境数据的第二获取时刻；

[0030] 将每次获取的所述历史土壤墒情数据、所述历史气象环境数据以及所述未来气象环境数据，输入至所述土壤墒情数据预报模型，得到所述土壤墒情数据预报模型输出的、所述待预报站点在所述第二获取时刻的未来土壤墒情数据。

[0031] 本发明还提供一种土壤墒情数据重建系统，包括：

[0032] 第一获取模块，用于获取目标区域内目标虚拟站点的第一历史土壤墒情影响数据，所述目标虚拟站点用于表征重建土壤墒情数据的空间位置；

[0033] 数据重建模块，用于将所述第一历史土壤墒情影响数据输入至土壤墒情数据重建模型，得到所述土壤墒情数据重建模型输出的所述目标虚拟站点的历史土壤墒情数据重建结果；

[0034] 其中，所述土壤墒情数据重建模型基于所述目标虚拟站点对应的目标真实站点的第二历史土壤墒情影响数据以及历史土壤墒情数据测量结果进行训练得到。

[0035] 本发明还提供一种土壤墒情数据预报系统，包括：

[0036] 第二获取模块，用于获取待预报站点的历史土壤墒情数据、历史气象环境数据以及未来气象环境数据；

[0037] 数据预报模块，用于将所述历史土壤墒情数据、所述历史气象环境数据以及所述未来气象环境数据输入至土壤墒情数据预报模型，得到所述土壤墒情数据预报模型输出的所述待预报站点的未来土壤墒情数据；

[0038] 其中，所述土壤墒情数据预报模型基于样本站点在第三预设时间段的第一历史土壤墒情数据样本、历史气象环境数据样本、预测得到的所述样本站点在第四预设时间段的未来气象环境数据样本以及所述样本站点在所述第四预设时间段的第二历史土壤墒情数据样本训练得到，所述样本站点包括所述目标虚拟站点，或包括所述目标虚拟站点以及所述真实站点，所述目标虚拟站点对应的第一历史土壤墒情数据样本以及第二历史土壤墒情数据样本均基于上述的土壤墒情数据重建方法得到。

[0039] 本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的土壤墒情数据重建方法，或者实现上述的土壤墒情数据预报方法。

[0040] 本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的土壤墒情数据重建方法，或者实现上述的土壤墒情数据预报方法。

[0041] 本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述的土壤墒情数据重建方法，或者实现上述的土壤墒情数据预报方法。

[0042] 本发明提供的土壤墒情数据重建方法及预报方法，该方法通过目标真实站点测量所得的数据训练得到土壤墒情数据重建模型，可以实现目标虚拟站点的历史土壤墒情数据的重建，补全了目标区域内未对应有真实站点的空间位置的历史土壤墒情数据，可以实现区域土壤墒情的表征。

附图说明

[0043] 为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0044] 图1是本发明提供的土壤墒情数据重建方法的流程示意图；

[0045] 图2是本发明提供的土壤墒情数据预报方法的流程示意图；

[0046] 图3是本发明提供的土壤墒情数据重建预报方法的完整流程示意图；

[0047] 图4是本发明提供的土壤墒情数据重建系统的结构示意图；

[0048] 图5是本发明提供的土壤墒情数据预报系统的结构示意图；

[0049] 图6是本发明提供的电子设备的结构示意图。

具体实施方式

[0050] 为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0051] 现有技术中，由于气象、土壤理化性质等因素的高度异质性，导致真实站点的土壤墒情难以有效表征具有一定范围的区域的土壤墒情。同时，传感器的安装及维护成本较高，无法通过在区域内安装大量传感器的方式实现对该区域的土壤墒情的准确表征。本发明实施例中提供了一种土壤墒情数据重建方法，以实现区域土壤墒情的表征。

[0052] 图1为本发明实施例中提供的一种土壤墒情数据重建方法的流程示意图，如图1所示，该方法包括：

[0053] S11，获取目标区域内目标虚拟站点的第一历史土壤墒情影响数据，所述目标虚拟站点用于表征重建土壤墒情数据的空间位置；

[0054] S12，将所述第一历史土壤墒情影响数据输入至土壤墒情数据重建模型，得到所述土壤墒情数据重建模型输出的所述目标虚拟站点的历史土壤墒情数据重建结果；

[0055] 其中，所述土壤墒情数据重建模型基于所述目标虚拟站点对应的目标真实站点的第二历史土壤墒情影响数据以及历史土壤墒情数据测量结果进行训练得到。

[0056] 具体地，本发明实施例中提供的土壤墒情数据重建方法，其执行主体为土壤墒情数据重建装置，该装置可以配置于服务器内，该服务器可以是本地服务器，也可以是云端服务器，本地服务器具体可以是计算机等，本发明实施例中对此不作具体限定。

[0057] 首先执行步骤S11，获取目标区域内目标虚拟站点的第一历史土壤墒情影响数据，目标区域是指待研究区域，其范围大小可以根据需要进行设定。该目标虚拟站点用于表征重建土壤墒情数据的空间位置，即目标区域内无真实站点且能够重建得到土壤墒情数据的空间位置。

[0058] 可以理解的是，目标虚拟站点表示该空间位置在实际中并无真实站点，该空间位置的土壤墒情数据需要通过目标区域内其他空间位置的真实站点实测得到的土壤墒情数据测量结果重建得到。

[0059] 第一历史土壤墒情影响数据可以是临近当前时刻且在当前时刻之前的第一时间段内的历史逐日土壤墒情影响数据，历史逐日土壤墒情影响数据即第一时间段内以日为单位的历史土壤墒情影响数据。第一时间段的长度可以根据需要进行设置，此处不作具体限定。例如，第一时间段可以是过去一周、过去一年、过去多年等。例如，可以是过去7年（2015‑2021年）。

[0060] 第一历史土壤墒情影响数据的数据类别可以包括气象环境数据、土壤性质数据、时序遥感监测数据以及地理信息系统数据中的至少一类。

[0061] 气象环境数据可以包括以日为单位的平均气温（℃）、最低气温（℃）、最高气温（℃）、露点温度（℃）、累积降雨量（mm）、地表气压（hPa）、海平面气压（hPa）以及风速（m/s）等。其中，气温可以在2m高度处采集得到。

[0062] 土壤性质数据可以包括某一具体深度的土壤属性数据，分别为土壤pH（无量纲）、3
土壤有机碳（g/kg）、土壤容重（kg/m）、土壤田间持水量（%）、砂含量（%）（kg/kg）以及黏土含量（%）（kg/kg）等。具体深度的取值范围可以是地下0‑20cm、20‑40cm、40‑60cm或60‑80cm等土壤深度范围。其中，若采用土壤性质测量设备无法直接测量得到0‑20cm、20‑40cm、40‑
60cm或60‑80cm等土壤深度范围的土壤性质数据，则可以选取与地下20cm、40cm、60cm或
80cm等土壤深度最近邻的能够土壤性质测量设备直接测量的深度处的土壤性质数据代替。

[0063] 时序遥感监测数据是指与土壤墒情数据相关的时序遥感数据，例如可以包括土壤水分主动和被动（Soil Moisture Active and Passive，SMAP）数据以及归一化会被指数（Normalized Difference Vegetation Index，NDVI）数据等，SMAP数据即为卫星遥感数据，SMAP数据以及NDVI数据均为图像文件格式（Tag Image File Format，TIFF）。

[0064] 时序遥感监测数据可以是第一时间段内的逐日数据及逐日数据的聚合结果，该聚合结果即将第一时间段内同一日期的SMAP数据进行平均处理得到的逐日历史均值分布。若当日无SMAP数据则可以取就近日期的SMAP数据代替。NDVI数据可以采用与SMAP数据相同的处理方式进行处理。

[0065] 地理信息系统（Geographic Information System，GIS）数据可以包括经纬度坐标、数字高程模型（Digital Elevation Model，DEM）（m）和空间插值面。其中，经纬度坐标可以通过十进制表示。空间插值面可以为图像文件格式，可以是以逐日真实站点的上述具体深度处的墒情数据测量结果的平均值为基础，利用反距离权重法（Inverse Distance Weighted，IDW）和克里金插值法（Kriging）生成的逐日、具体深度处的土壤墒情空间插值面。

[0066] 然后执行步骤S12，将第一历史土壤墒情影响数据输入至土壤墒情数据重建模型，得到土壤墒情数据重建模型输出的目标虚拟站点的历史土壤墒情数据重建结果。其中，土壤墒情数据重建模型用于表征目标虚拟站点的第一历史土壤墒情影响数据与历史土壤墒情数据重建结果之间的对应关系。

[0067] 该土壤墒情数据重建模型可以通过目标虚拟站点对应的目标真实站点的第二历史土壤墒情影响数据以及历史土壤墒情数据测量结果进行训练得到。

[0068] 第二历史土壤墒情影响数据可以包括临近当前时刻且在当前时刻之前的第二时间段内的历史逐日土壤墒情影响数据，历史土壤墒情数据测量结果包括第二时间段内的历史逐日土壤墒情数据测量结果。第二时间段可以根据需要进行选取，可以与第一时间段相同，也可以是长于第一时间段的更长时间段，此处不作具体限定。第二历史土壤墒情影响数据与第一历史土壤墒情影响数据的数据类别相同，也可以包括气象环境数据、土壤性质数据、时序遥感监测数据以及地理信息系统数据中的至少一类。

[0069] 历史土壤墒情数据测量结果可以是某一深度处的历史土壤墒情数据测量结果，也可以是多个不同深度处的历史土壤墒情数据测量结果，历史土壤墒情数据重建结果与历史土壤墒情数据测量结果的深度信息相同。

[0070] 第二历史土壤墒情影响数据同时包括有气象环境数据、土壤性质数据、时序遥感监测数据以及地理信息系统数据时，第二历史土壤墒情影响数据以及历史土壤墒情数据测量结果可以构成多源数据集。本发明实施例中，可以采用TDengine分布式数据库作为核心存储引擎，将该多源数据集中的结构化数据以及非结构化数据以时序数据的形式进行整合，为后续步骤数据的快速获取提供基础。

[0071] 土壤墒情数据重建模型的基础架构可以根据需要进行选择，例如可以是神经网络模型，也可以是决策树模型，此处不作具体限定。

[0072] 本发明实施例中提供的土壤墒情数据重建方法，首先获取目标区域内目标虚拟站点的第一历史土壤墒情影响数据，然后将第一历史土壤墒情影响数据输入至土壤墒情数据重建模型，得到土壤墒情数据重建模型输出的目标虚拟站点的历史土壤墒情数据重建结果。该方法通过目标真实站点测量所得的数据训练得到土壤墒情数据重建模型，可以实现目标虚拟站点的历史土壤墒情数据的重建，补全了目标区域内未对应有真实站点的空间位置的历史土壤墒情数据，可以实现区域土壤墒情的表征。

[0073] 在上述实施例的基础上，本发明实施例中提供的土壤墒情数据重建方法，所述土壤墒情数据重建模型基于如下方法确定：

[0074] 基于所述目标虚拟站点对应的目标真实站点的第二历史土壤墒情影响数据以及历史土壤墒情数据测量结果对决策树模型进行训练，并采用贝叶斯算法对所述决策树模型的超参数进行优化，得到所述土壤墒情数据重建模型。

[0075] 具体地，本发明实施例中，采用的土壤墒情数据重建模型通过目标虚拟站点对应的目标真实站点的第二历史土壤墒情影响数据以及历史土壤墒情数据测量结果对决策树模型进行训练，并采用贝叶斯算法对决策树模型的超参数进行优化得到。

[0076] 通过决策树模型构建，决策树模型可以通过特征选择、决策树生成和决策树修剪三个步骤，高效处理大量的第二历史墒情影响数据以及历史墒情数据测量结果，能够实现高效、准确的拟合性能，可以直观地得到特征重要性排序，便于选取协同制图参数。

[0077] 在此基础上，决策树模型还可以以集成学习（Ensemble Learning，EL）为理论基础，通过构建和组合多个学习器来完成学习任务以获得更加准确、稳定和健壮的最终结果。

[0078] 特别地，本发明实施例中，决策树模型可以是CatBoost模型，CatBoost模型可以解决以往梯度下降树（Gradient Boosting Decision Tree，GBDT）框架的机器学习算法中常出现的梯度偏差和预测偏移问题，从而减少了过拟合的发生，提高了算法的泛化能力。CatBoost模型以对称决策树为基学习器，能够高效合理的处理类别型特征，在具有极佳的拟合性能的同时训练速度极快。而且，相比于Transformer等深度神经网络（Deep Neural Networks，DNN）算法，大大缩短了训练时长，且训练所需要的数据集体量也达到缩小。

[0079] CatBoost模型是基于梯度提升决策树的机器学习框架，每个目标真实站点的第二历史土壤墒情影响数据以及历史土壤墒情数据测量结果构成一个训练样本，所有目标真实站点的第二历史土壤墒情影响数据以及历史土壤墒情数据测量结果构成训练样本集，其中n为目标真实站点的数量， 是第i个目标真实站点的第二历史土壤墒情影响数据构成的向量，第二历史土壤墒情影响数据中包括数值型特征以及标称型特征， 是第i个目标真实站点的历史土壤墒情数据测量结果。

[0080] 针对训练样本集的处理流程，首先对得到的所有 进行随机排序，然后针对某一，加入优先级和优先级的权重系数。计算优先级一般通过对各 取平均得到。记所有进行随机排序得到的一个排列为 ，从 到 依次遍历随机序列，用遍历到的前p个 计算标称型特征的数值。此处，将p个 的下标均增加p，分别表示为
，以与所有 进行随机排序得到的排列 进行区分。此时，p个 随机
排序得到的排列可以表示为 ， 可以代替为：

[0081]

[0082] 其中，a为大于0的权重系数，p为先验值。

[0083] CatBoost模型通过将第二历史土壤墒情影响数据中的标称型特征进行组合得到新的特征，以便在土壤墒情数据预报时发挥更好的作用。此外，CatBoost模型通过采用Ordered boosting的方式替换传统算法中梯度估计方法，进而减轻梯度估计的偏差，提高CatBoost模型泛化能力。

[0084] CatBoost模型的超参数可以包括迭代次数（iterations）、学习率（learning_rate）、节点数量、随机状态（random_state）等。由于超参数优化是CatBoost模型训练过程中的核心步骤，对训练得到的土壤墒情数据重建模型的拟合精度具有较大影响。本发明实施例中，采用贝叶斯算法对CatBoost模型的超参数进行优化。

[0085] 贝叶斯算法是一种基于概率代理模型的近似优化算法，通过先验知识逼近未知函数的后验分布从而调节超参数，极大提高了超参数采样效率，同时可以有效获得全局最优解。贝叶斯算法用于机器学习指在给定优化的目标函数的前提下，通过不断地添加样本点来更新目标函数的后验分布。

[0086] 特别地，本发明实施例中采用的贝叶斯算法可以是TPE（Tree‑structured Parzen Estimator）算法，TPE算法基于模型的序贯优化方法（SMBO，Sequential Model‑Based Optimization）构建，TPE算法采用核密度估计（Kernel Density Estimation，KDE）生成代理模型，具有良好的全局探索能力，不易陷入局部最优。

[0087] 贝叶斯算法属于全局优化算法，其优化过程利用贝叶斯定理，使用概率代理模型拟合目标函数f，并根据前序采样结果选择下一个评估点，从而快速达到最优解。贝叶斯算法可以表达为：

[0088]

[0089] 式中， 为目标函数f的先验概率分布， 表示已观测合集， ， 表示超参数x的观测值， ， 表示给定目标函数f得分时超参数的
概率，即目标函数f的似然分布， 表示在给定已观测合集 时目标函数f的条件概
率分布，即后验概率分布。本发明实施例中，目标函数f即为损失函数，可以为均方误差（Mean Square Error，MSE）函数。

[0090] TPE作为概率代理模型，将 定义为 ，则有：

[0091]

[0092] 其中， ，表示已观测合集上目标函数f的最优值； 为超参数x的损失函数小于 的密度估计， 表示超参数x的损失函数大于等于 的密度估计。TPE采用预期改进（Expected Improvement，EI）作为采样函数，选择对目标函数有优化作用的下一个评估点。

[0093]

[0094] 当 在 处积分为正，设置超参数x进行算法建模将产生比观测阈上最优值更好的结果。

[0095] 令 ，构造：

[0096]

[0097] 上式表明，当超参数x具有 和 时，取得最大EI值。TPE通过 和 构造超参数合集，以 的形式对超参数x进行评估，在每次迭代过程中，算法返回具有最大EI值的超参数取值 。

[0098] 进一步有：

[0099]

[0100] 本发明实施例中，利用TPE优化超参数是为寻找CatBoost模型在测试数据集上的最佳拟合精度，超参数优化的过程可以表达为：

[0101]

[0102] 其中， 表示CatBoost模型的目标函数f， 是 取得最好结果时的超参数。

[0103] TPE自动超参数调优相比其他调参方法，可通过形成超参数值与模型性能之间关系的知识，并利用先验知识对下一组超参数的选择进行推断，从而在寻找最佳超参数值的组合时，尽量减少试验的次数，提升实验效率。本发明实施例中，TPE的迭代次数设定为200次。

[0104] 此外，本发明实施例中，在对决策树模型进行训练时，还利用留一交叉验证方法评价决策树模型的拟合精度，以实现协同多元因子的高精度土壤墒情数据重建模型。

[0105] 因此，本发明实施例中实际应用的土壤墒情数据重建模型可以表示为TPE‑CatBoost模型。

[0106] 本发明实施例中，该方法采用的土壤墒情数据重建模型的基础模型为决策树模型，相比于现有深度神经网络模型所需的训练样本的体量更小，可以大大缩短训练时长，提高模型训练效率。在决策树模型的训练过程中，引入贝叶斯算法对决策树模型的超参数进行优化，可以使土壤墒情数据重建模型的重建准确性更好，模型性能更优，进而可以保证历史土壤墒情数据重建结果的准确性。

[0107] 在上述实施例的基础上，本发明实施例中提供的土壤墒情数据重建方法，所述目标虚拟站点以及所述目标真实站点基于如下方法确定：

[0108] 获取所述目标区域的时序卫星遥感数据，并基于所述时序卫星遥感数据，构建时空立方体；所述时空立方体包括多个时间柱，每个时间柱对应于所述时序卫星遥感数据中一个像素位置的时序数据；

[0109] 选取所述时序卫星遥感数据中的任一像素位置作为备选虚拟站点，并确定所述备选虚拟站点对应的目标时间柱，计算所述目标时间柱与所述时空立方体中除所述目标时间柱外的其他时间柱之间的时序数据相关性；

[0110] 基于所述时序数据相关性大于第一预设阈值的其他时间柱对应的像素位置，构建目标平面区域，并确定所述目标平面区域内真实站点的数量，若所述数量大于第二预设阈值，则确定所述备选虚拟站点为所述目标虚拟站点，并确定所述真实站点为所述目标真实站点。

[0111] 具体地，本发明实施例中，由于目标虚拟站点是重建土壤墒情数据的空间位置，而重建土壤墒情数据则需要准确的真实站点测量得到的土壤墒情数据测量结果。由于真实站点的数量及其对应的土壤墒情数据测量结果均是有限的，因此目标区域内并非所有目标虚拟站点都能够进行土壤墒情数据重建，这依赖于目标虚拟站点对应的目标真实站点的土壤墒情数据测量结果。

[0112] 为此，本发明实施例中给出了通过时序卫星遥感数据进行区域时空聚类以确定目标虚拟站点以及目标真实站点的方法，以下将详细进行说明。

[0113] 首先，获取目标区域的时序卫星遥感数据，即时序SMAP数据，时序SMAP数据可以取自于第二历史土壤墒情影响数据。

[0114] 基于时序卫星遥感数据，可以构建时空立方体，该时空立方体可以采用二维坐标轴（x，y）来表示土壤墒情的平面位置，用一维的时间轴z表示平面位置上SMAP数据随时间的变化。若时序卫星遥感数据是Level3级别数据，则其时间分辨率为7天，因此该时空立方体的时间分辨率也为7天。时空立方体可以包括多个时间柱，每个时间柱对应于时序卫星遥感数据中一个像素位置的时序数据。

[0115] 然后，选取时序卫星遥感数据中的任一像素位置作为备选虚拟站点，并确定备选虚拟站点对应的目标时间柱。计算目标时间柱与时空立方体中除目标时间柱外的其他时间柱之间的时序数据相关性。时序数据相关性可以通过皮尔逊相关性系数进行表征，例如对于任一其他时间柱a ，该任一其他时间柱a对应的时序数据可以表示为，目标时间柱b对应的时序数据可以表示为
，则目标时间柱b与任一其他时间柱a之间的时序数据相关性p可
以通过如下公式计算得到：

[0116]

[0117] 其中，和 分别为n个数据的平均值；p的取值范围为 ，p为正值和负值分别表明两变量互为正相关和负相关。

[0118] 此后，可以选择时序数据相关性大于第一预设阈值的其他时间柱对应的像素位置构建目标平面区域。第一预设阈值的取值可以根据需要进行设置，例如可以设置为大于或等于0.3。选择的像素位置构成的目标平面区域即为备选虚拟站点的同类模式区域，目标平面区域内的真实站点即为备选虚拟站点的相似模式站点。

[0119] 此后，可以确定目标平面区域内真实站点的数量，若该数量大于第二预设阈值，则说明该备选虚拟站点的像素位置具有足够的支撑数据用于重建土壤墒情数据，进而可以确定该备选虚拟站点为目标虚拟站点，并同时确定目标平面区域内所有真实站点均为目标真实站点。第二预设阈值的取值可以根据需要进行设置，例如可以设置为大于或等于5。

[0120] 本发明实施例中，通过构建时空立方体，并计算时空立方体中目标时间柱与其他时间柱之间的时序数据相关性的方式确定目标区域内目标虚拟站点以及目标真实站点，可以提高确定效率，进而提升重建效率。

[0121] 在上述实施例的基础上，本发明实施例中提供的土壤墒情数据重建方法，所述第二历史土壤墒情影响数据包括历史逐日土壤墒情影响数据，所述历史土壤墒情数据测量结果包括多深度的历史逐日土壤墒情数据测量结果；所述土壤墒情数据重建模型包括每一深度对应的重建子模型，所述重建子模型基于所述历史逐日土壤墒情影响数据以及对应深度的历史逐日土壤墒情数据测量结果进行训练得到；

[0122] 相应地，所述将所述第一历史土壤墒情影响数据输入至土壤墒情数据重建模型，得到所述土壤墒情数据重建模型输出的所述目标虚拟站点的历史土壤墒情数据重建结果，具体包括：

[0123] 将所述第一历史土壤墒情影响数据输入至所述重建子模型，得到所述重建子模型输出的所述目标虚拟站点在对应深度处的历史逐日土壤墒情数据重建结果。

[0124] 具体地，本发明实施例中，第二历史土壤墒情影响数据包括历史逐日土壤墒情影响数据，可以如上述实施例中所述的第二时间段内的历史逐日土壤墒情影响数据，历史土壤墒情数据测量结果可以包括多深度的历史逐日土壤墒情数据测量结果，可以如上述实施例中所述的第二时间段内多深度的历史逐日土壤墒情数据测量结果。深度的数量以及取值均可以根据需要进行设定，例如深度的数量可以是4个，取值范围可以分别为地下0‑20cm、20‑40cm、40‑60cm或60‑80cm等。

[0125] 此时，第一历史土壤墒情影响数据以及第二历史土壤墒情影响数据中包含的土壤性质数据可以包括多深度的土壤属性数据，第一历史土壤墒情影响数据以及第二历史土壤墒情影响数据中包含的GIS数据的空间插值面可以是以逐日真实站点的多深度墒情数据测量结果的平均值为基础，利用IDW和Kriging生成的逐日、多深度土壤墒情空间插值面。

[0126] 进而，土壤墒情数据重建模型可以包括每一深度对应的重建子模型，重建子模型的数量与深度的数量相同。每一深度对应的重建子模型可以通过历史逐日土壤墒情影响数据以及对应深度的历史逐日土壤墒情数据测量结果对决策树模型进行训练，并采用贝叶斯算法对决策树模型的超参数进行优化得到。即本发明实施例中，可以采用历史逐日土壤墒情影响数据以及不同深度的历史逐日土壤墒情数据测量结果训练得到可以适用于不同深度处历史土壤墒情数据重建的重建子模型，此时土壤墒情数据重建模型可以看作是各重建子模型构成的模型集合。

[0127] 相应地，在将第一历史土壤墒情影响数据输入至土壤墒情数据重建模型，得到土壤墒情数据重建模型输出的目标虚拟站点的历史土壤墒情数据重建结果时，可以是将第一历史土壤墒情影响数据输入至每个重建子模型，得到每个重建子模型输出的目标虚拟站点在每个重建子模型对应深度处的历史逐日土壤墒情数据重建结果。

[0128] 本发明实施例中，通过训练得到多个深度对应的重建子模型，可以实现对多个深度处的历史逐日土壤墒情数据进行重建，保证了重建得到的历史逐日土壤墒情数据重建结果的数据体量，便于后续对未来整个目标区域内不同深度的土壤墒情数据的预报。

[0129] 在上述实施例的基础上，本发明实施例中提供的土壤墒情数据重建方法，所述获取目标区域内目标虚拟站点的第一历史土壤墒情影响数据，具体包括：

[0130] 每隔第一预设时间段，获取一次所述第一历史土壤墒情影响数据；

[0131] 相应地，所述将所述第一历史土壤墒情影响数据输入至土壤墒情数据重建模型，得到所述土壤墒情数据重建模型输出的所述目标虚拟站点的历史土壤墒情数据重建结果，具体包括：

[0132] 确定每次获取所述第一历史土壤墒情影响数据的第一获取时刻；

[0133] 将每次获取的所述第一历史土壤墒情影响数据输入至所述土壤墒情数据重建模型，得到所述土壤墒情数据重建模型输出的、所述目标虚拟站点在所述第一获取时刻的历史土壤墒情数据重建结果。

[0134] 具体地，随着数据的不断更新与累积，本发明实施例中，可以动态获取第一历史土壤墒情影响数据，即根据预先设置的第一获取频率，获取第一历史土壤墒情影响数据。该第一获取频率为第一预设时间段，其长度可以根据数据更新频率以及实际需要进行设置，同时也要考虑获取成本以及存储成本。例如，第一预设时间段的长度可以设置为1天。初始获取时刻可以是当日0时，则第二次获取时刻可以是次日0时，如此往复。

[0135] 可以理解的是，每获取一次第一历史土壤墒情影响数据之后，还需要确定每次获取第一历史土壤墒情影响数据的第一获取时刻，并执行上述步骤S12，即将每次获取的第一历史土壤墒情影响数据输入至土壤墒情数据重建模型，以进行历史土壤墒情数据的重建，得到土壤墒情数据重建模型输出的、目标虚拟站点在每个第一获取时刻的历史土壤墒情数据重建结果。也就是说，第一预设时间段也是历史土壤墒情数据的重建频率。

[0136] 本发明实施例中，每隔第一预设时间段，获取第一历史土壤墒情影响数据，并进一步进行历史土壤墒情数据的重建，可以保证目标虚拟站点具有时序上的历史土壤墒情数据重建结果。

[0137] 在上述实施例的基础上，本发明实施例中提供的土壤墒情数据重建方法，所述将每次获取的所述第一历史土壤墒情影响数据输入至所述土壤墒情数据重建模型，得到所述土壤墒情数据重建模型输出的所述目标虚拟站点在所述第一获取时刻的历史土壤墒情数据重建结果，之后还包括：

[0138] 每隔第二预设时间段，对所述第二历史土壤墒情影响数据以及所述历史土壤墒情数据测量结果进行更新，并基于更新后的第二历史土壤墒情影响数据以及更新后的历史土壤墒情数据测量结果对所述土壤墒情数据重建模型进行更新，得到更新后的土壤墒情数据重建模型；

[0139] 若所述更新后的土壤墒情数据重建模型的重建误差小于所述土壤墒情数据重建模型，则将每次对所述土壤墒情数据重建模型进行更新后的第二预设时间段内每次获取的所述第一历史土壤墒情影响数据，输入至所述更新后的土壤墒情数据重建模型，得到所述更新后的土壤墒情数据重建模型输出的所述目标虚拟站点在所述第一获取时刻的历史土壤墒情数据重建结果。

[0140] 具体地，随着数据的不断更新与累积，本发明实施例中，还可以动态对土壤墒情数据重建模型进行更新，即根据预先设置的第一模型更新频率，对土壤墒情数据重建模型进行更新，以便于确定重建性能更优的土壤墒情数据重建模型进行后续历史土壤墒情数据的重建。该第一模型更新频率为第二预设时间段，其长度可以根据数据更新频率以及实际需要进行设置，同时也要兼顾模型训练成本。例如，第二预设时间段的长度可以设置为30天、60天等。

[0141] 本发明实施例中，在对土壤墒情数据重建模型进行更新时，可以先每隔第二预设时间段，对第二历史土壤墒情影响数据以及历史土壤墒情数据测量结果进行更新，分别得到更新后的第二历史土壤墒情影响数据以及更新后的历史土壤墒情数据测量结果。此后，根据更新后的第二历史土壤墒情影响数据以及更新后的历史土壤墒情数据测量结果对土壤墒情数据重建模型进行更新，即采用更新后的第二历史土壤墒情影响数据以及更新后的历史土壤墒情数据测量结果，对土壤墒情数据重建模型的模型参数进行调整，得到更新后的土壤墒情数据重建模型。

[0142] 需要说明的是，虽然此处得到了更新后的土壤墒情数据重建模型，但是其是否可以投入应用以作为后续数据重建时采用的模型，还需要通过重建误差进行进一步判断，即可以采用测试集分别对更新前的土壤墒情数据重建模型以及更新后的土壤墒情数据重建模型进行测试，得到二者的重建误差，若更新后的土壤墒情数据重建模型的重建误差小于土壤墒情数据重建模型，则可以认为更新后的土壤墒情数据重建模型的重建性能优于更新前的土壤墒情数据重建模型，进而可以将每次对土壤墒情数据重建模型进行更新后的第二预设时间段内每次获取的第一历史土壤墒情影响数据，输入至更新后的土壤墒情数据重建模型，采用更新后的土壤墒情数据重建模型进行历史土壤墒情数据的重建，得到更新后的土壤墒情数据重建模型输出的目标虚拟站点在每个第一获取时刻的历史土壤墒情数据重建结果。相比于采用更新前的土壤墒情数据重建模型，可以使得到的历史土壤墒情数据重建结果更加准确。

[0143] 若更新后的土壤墒情数据重建模型的重建误差大于或等于更新前的土壤墒情数据重建模型，则认为更新前的土壤墒情数据重建模型的重建性能优于更新后的土壤墒情数据重建模型，因此每次对土壤墒情数据重建模型进行更新后的第二预设时间段内每次获取的第一历史土壤墒情影响数据，依然采用更新前的土壤墒情数据重建模型进行历史土壤墒情数据的重建，以保证得到的历史土壤墒情数据重建结果的准确性。

[0144] 本发明实施例中，可以将所有更新前后的土壤墒情数据重建模型及其对应的重建误差均进行存储。

[0145] 在上述实施例的基础上，本发明实施例中还提供了一种土壤墒情数据预报方法，如图2所示，该方法包括：

[0146] S21，获取待预报站点的历史土壤墒情数据、历史气象环境数据以及未来气象环境数据；

[0147] S22，将所述历史土壤墒情数据、所述历史气象环境数据以及所述未来气象环境数据输入至土壤墒情数据预报模型，得到所述土壤墒情数据预报模型输出的所述待预报站点的未来土壤墒情数据；

[0148] 其中，所述土壤墒情数据预报模型基于样本站点在第三预设时间段的第一历史土壤墒情数据样本、历史气象环境数据样本、预测得到的所述样本站点在第四预设时间段的未来气象环境数据样本以及所述样本站点在所述第四预设时间段的第二历史土壤墒情数据样本训练得到，所述样本站点包括所述目标虚拟站点，或包括所述目标虚拟站点以及所述真实站点，所述目标虚拟站点对应的第一历史土壤墒情数据样本以及第二历史土壤墒情数据样本均基于上述的土壤墒情数据重建方法得到。

[0149] 具体地，本发明实施例中提供的土壤墒情数据预报方法，其执行主体为土壤墒情数据预报装置，该装置可以配置于服务器内，该服务器可以是本地服务器，也可以是云端服务器，本地服务器具体可以是计算机等，本发明实施例中对此不作具体限定。

[0150] 首先执行步骤S21，获取待预报站点的历史土壤墒情数据、历史气象环境数据以及未来气象环境数据。待预报站点是指需要对其所处空间位置的土壤墒情数据进行预报的站点，即可以是真实站点，也可以是目标虚拟站点，此处不作具体限定。待预报站点的历史土壤墒情数据可以是临近当前时刻且在当前时刻之前的第三时间段内的历史逐日土壤墒情影响数据，第三时间段的长度可以根据需要进行设置，此处不作具体限定。例如，第三时间段可以是过去三天、过去五天、过去一周、过去两周等。

[0151] 历史气象环境数据可以是第三时间段内的气象环境数据。

[0152] 未来气象环境数据可以是临近当前时刻且在当前时刻之后的第四时间段内的气象环境数据。第四时间段的长度可以根据需要进行设置，此处不作具体限定。例如，第四时间段可以是未来三天、未来五天、未来一周、未来两周等。可以理解的是，第三预设时间段可以在第四预设时间段之前且二者相邻。

[0153] 然后执行步骤S22，将历史土壤墒情数据、历史气象环境数据以及未来气象环境数据输入至土壤墒情数据预报模型，得到土壤墒情数据预报模型输出的待预报站点的未来土壤墒情数据。其中，土壤墒情数据预报模型用于表征待预报站点的历史土壤墒情数据、历史气象环境数据以及未来气象环境数据与未来土壤墒情数据之间的对应关系。

[0154] 将历史土壤墒情数据、历史气象环境数据以及未来气象环境数据输入至土壤墒情数据预报模型之前，可以先将三者进行拼接，并将拼接结果输入至土壤墒情数据预报模型。

[0155] 该土壤墒情数据预报模型可以通过样本站点在第三预设时间段的第一历史土壤墒情数据样本、历史气象环境数据样本、未来气象环境数据样本以及在第四预设时间段的第二历史土壤墒情数据样本训练得到。第三预设时间段的长度可以与第三时间段相同，第四预设时间段的长度可以与第四时间段相同，第三预设时间段可以在第四预设时间段之前且二者相邻。

[0156] 历史气象环境数据样本是指样本站点在第三预设时间段的气象环境数据，未来气象环境数据样本是指在第三预设时间段预测得到的样本站点在第四预设时间段的气象环境数据。

[0157] 样本站点既可以仅仅包含真实站点，也可以同时包含有真实站点以及目标虚拟站点。当样本站点是真实站点时，第一历史土壤墒情数据样本以及第二历史土壤墒情数据样本均可以直接通过真实站点测量得到，当样本站点是目标虚拟站点时，第一历史土壤墒情数据样本以及第二历史土壤墒情数据样本均可以通过上述各实施例中提供的土壤墒情数据重建方法进行重建得到。

[0158] 本发明实施例中，可以将第一历史土壤墒情数据样本、历史气象环境数据样本以及未来气象环境数据样本作为土壤墒情数据预报模型的初始模型的输入，将第二历史土壤墒情数据样本作为初始模型的输入对应的标签。例如，设某一历史日期n，第三预设时间段可以是第n天至第n‑6天，第四预设时间段可以是第n+1至第n+7天。第一历史土壤墒情数据样本可以是第n天至第n‑6天的土壤墒情数据，共包含有4项指标（4个深度）、28（4*7）个数据项，历史气象环境数据样本可以是第n天至第n‑6天的气象环境数据，共包含有8项指标、56（8*7）个数据项，未来气象环境数据样本可以是第n+1至第n+7天的气象环境数据，共包含有4项指标、28（4*7）个数据项。

[0159] 在将第一历史土壤墒情数据样本、历史气象环境数据样本以及未来气象环境数据样本输入至初始模型之前，可以先将三者进行拼接，然后将拼接结果输入至初始模型。拼接结果可以是14*16的二维矩阵，其中二维矩阵纵向为时间、横向为第一历史土壤墒情数据样本、未来气象环境数据样本等不同数据项。

[0160] 第二历史土壤墒情数据样本可以是第n+1至第n+7天的历史土壤墒情数据，共包含有4项指标、28（4*7）个数据项。第二历史土壤墒情数据样本可以构成7*4的二维矩阵。因此，初始模型的输出也为7*4的二维矩阵。

[0161] 初始模型可以输出与未来气象环境数据样本处于同一时间段的土壤墒情数据预测值，然后通过初始模型的输出与输入对应的标签计算初始模型的损失函数值，并基于该损失函数值对初始模型的模型参数进行迭代更新，进而实现对初始模型的训练。在训练过程中，可以采用Early Stopping法来确定终止点，即当某次训练得到的模型的预报误差MSE连续10次均非最低则训练终止，此时即得到土壤墒情数据预报模型。

[0162] 本发明实施例中采用的初始模型的架构可以是基于自注意力（self‑attention）机制的Transformer模型，该初始模型可以通过计算输入序列中元素与其他所有元素的相关性来获取加权得分。该初始模型可以包括编码器与解码器，编码器与解码器均分别由10个相同层堆叠而成，编码器的每一层均包含多头自注意力子层和前馈神经网络子层，解码器的每一层均包含遮挡多头自注意力子层、编码‑解码器多头注意力子层和前馈神经网络子层。

[0163] self‑attention机制采用缩放点积注意力来计算特征矩阵的注意力值，先对查询矩阵和键矩阵进行点积与ReLU激活函数值来计算权重系数，再根据权重系数对值矩阵进行加权求和，如下式所示：

[0164]

[0165] 其中，为查询矩阵，为键矩阵，为值矩阵，这三个矩阵由输入的特征矩阵 分别与对应的权重矩阵 、 、 相乘得到，为 、 、的维数。

[0166] 本发明实施例中提供的土壤墒情数据预报方法，首先获取待预报站点的历史土壤墒情数据以及未来气象环境数据；然后将历史土壤墒情数据以及未来气象环境数据输入至土壤墒情数据预报模型，得到土壤墒情数据预报模型输出的待预报站点的未来土壤墒情数据。该方法可以预测出待预报站点在未来一段时间内的未来土壤墒情数据，便于及时进行做出节水灌溉、施肥决策和排水措施等，使农作物处于最优生长状态。目标虚拟站点的历史土壤墒情数据样本作为训练样本，可以使得到的土壤墒情数据预报模型的泛化能力更强，而且土壤墒情数据预报模型的引入，可以使得到的待预报站点的未来土壤墒情数据更加准确。

[0167] 在上述实施例的基础上，本发明实施例中提供的土壤墒情数据预报方法，所述历史土壤墒情数据包括历史逐日土壤墒情数据，所述未来气象环境数据包括未来逐日气象环境数据，所述目标虚拟站点对应的第一历史土壤墒情数据样本包括多深度的第一历史逐日土壤墒情数据样本，所述未来气象环境数据样本包括未来逐日气象环境数据样本，所述目标虚拟站点对应的第二历史土壤墒情数据样本包括多深度的第二历史逐日土壤墒情数据样本；所述土壤墒情数据预报模型包括每一深度对应的预报子模型，所述预报子模型基于对应深度的第一历史逐日土壤墒情数据样本、所述未来逐日气象环境数据样本以及第二历史逐日土壤墒情数据样本训练得到；

[0168] 相应地，所述将所述历史土壤墒情数据以及所述未来气象环境数据输入至土壤墒情数据预报模型，得到所述土壤墒情数据预报模型输出的所述待预报站点的未来土壤墒情数据，具体包括：

[0169] 将所述历史逐日土壤墒情数据以及所述未来逐日气象环境数据输入至所述预报子模型，得到所述预报子模型输出的所述待预报站点在对应深度处的未来逐日土壤墒情数据。

[0170] 具体地，本发明实施例中，历史土壤墒情数据包括历史逐日土壤墒情数据，如第三时间段内的历史逐日土壤墒情影响数据，未来气象环境数据包括未来逐日气象环境数据，如第四时间段内的逐日气象环境数据，目标虚拟站点对应的第一历史土壤墒情数据样本可以包括多深度的第一历史逐日土壤墒情数据样本，即样本站点在第三预设时间段内多深度的历史逐日土壤墒情影响数据，目标虚拟站点对应的第二历史土壤墒情数据样本包括多深度的第二历史逐日土壤墒情数据样本，即样本站点在第四预设时间段内多深度的历史逐日土壤墒情影响数据。

[0171] 进而，土壤墒情数据预报模型可以包括每一深度对应的预报子模型，预报子模型的数量与深度的数量相同。每一深度对应的预报子模型可以通过每一深度的第一历史逐日土壤墒情数据样本、未来气象环境数据样本以及每一深度的第二历史逐日土壤墒情数据样本对初始模型进行训练得到。即本发明实施例中，可以采用每一深度的第一历史逐日土壤墒情数据样本、未来气象环境数据样本以及每一深度的第二历史逐日土壤墒情数据样本训练得到可以适用于不同深度处未来逐日土壤墒情数据预报的预报子模型，此时土壤墒情数据预报模型可以看作是各预报子模型构成的模型集合。

[0172] 相应地，在将历史土壤墒情数据以及未来气象环境数据输入至土壤墒情数据预报模型，得到土壤墒情数据预报模型输出的目标虚拟站点的未来土壤墒情数据时，可以是将历史逐日土壤墒情数据以及未来逐日气象环境数据共同输入至每个预报子模型，得到每个预报子模型输出的目标虚拟站点在每个预报子模型对应深度处的未来逐日土壤墒情数据。

[0173] 本发明实施例中，通过训练得到多个深度对应的预报子模型，可以实现对多个深度处的未来逐日土壤墒情数据进行预报，便于后续对农业灌溉提供依据。

[0174] 在上述实施例的基础上，本发明实施例中提供的土壤墒情数据预报方法，所述获取待预报站点的历史土壤墒情数据以及未来气象环境数据，具体包括：

[0175] 每隔第五预设时间段，获取一次所述历史土壤墒情数据以及所述未来气象环境数据；

[0176] 相应地，所述将所述历史土壤墒情数据以及所述未来气象环境数据输入至土壤墒情数据预报模型，得到所述土壤墒情数据预报模型输出的所述待预报站点的未来土壤墒情数据，具体包括：

[0177] 将每次获取的所述历史土壤墒情数据以及所述未来气象环境数据输入至所述土壤墒情数据预报模型，得到所述土壤墒情数据预报模型输出的、所述待预报站点在每次获取所述历史土壤墒情数据以及所述未来气象环境数据的获取时刻的、未来土壤墒情数据。

[0178] 具体地，随着数据的不断更新与累积，本发明实施例中，可以动态获取历史土壤墒情数据以及未来气象环境数据，即根据预先设置的第二获取频率，获取历史土壤墒情数据以及未来气象环境数据。该第二获取频率为第五预设时间段，其长度可以根据数据更新频率以及实际需要进行设置，同时也要考虑获取成本以及存储成本。第五预设时间段的长度可以与第一预设时间段的长度相同，也可以不同。

[0179] 可以理解的是，每获取一次历史土壤墒情数据以及未来气象环境数据之后，均需要执行上述步骤S22，即将每次获取的历史土壤墒情数据以及未来气象环境数据输入至土壤墒情数据预报模型，以进行未来土壤墒情数据的预报，得到土壤墒情数据预报模型输出的、待预报站点在每次获取历史土壤墒情数据以及未来气象环境数据的获取时刻的、未来土壤墒情数据。也就是说，第五预设时间段也是未来土壤墒情数据的预报频率。

[0180] 本发明实施例中，每隔第五预设时间段，获取历史土壤墒情数据以及未来气象环境数据，并进一步进行未来土壤墒情数据的预报，可以保证待预报站点具有时序上的未来土壤墒情数据。

[0181] 在上述实施例的基础上，本发明实施例中提供的土壤墒情数据预报方法，所述将每次获取的所述历史土壤墒情数据以及所述未来气象环境数据输入至所述土壤墒情数据预报模型，得到所述土壤墒情数据预报模型输出的、所述待预报站点在每次获取所述历史土壤墒情数据以及所述未来气象环境数据的获取时刻的、未来土壤墒情数据，之后还包括：

[0182] 每隔第六预设时间段，对所述第一历史土壤墒情数据样本、所述未来气象环境数据样本以及所述第二历史土壤墒情数据样本进行更新，并基于更新后的第一历史土壤墒情数据样本、更新后的未来气象环境数据样本以及更新后的第二历史土壤墒情数据样本对所述土壤墒情数据预报模型进行更新，得到更新后的土壤墒情数据预报模型；

[0183] 若所述更新后的土壤墒情数据预报模型的预报误差小于所述土壤墒情数据预报模型，则将每次对所述土壤墒情数据预报模型进行更新后的第六预设时间段内每次获取的所述历史土壤墒情数据以及所述未来气象环境数据，输入至所述更新后的土壤墒情数据重建模型，得到所述更新后的土壤墒情数据重建模型输出的所述待预报站点在所述获取时刻的未来土壤墒情数据。

[0184] 具体地，随着数据的不断更新与累积，本发明实施例中，还可以动态对土壤墒情数据预报模型进行更新，即根据预先设置的第二模型更新频率，对土壤墒情数据预报模型进行更新，以便于确定预报性能更优的土壤墒情数据预报模型进行后续未来土壤墒情数据的预报。该第二模型更新频率为第六预设时间段，其长度可以根据数据更新频率以及实际需要进行设置，同时也要兼顾模型训练成本。第六预设时间段的长度可以与第二预设时间段的长度相同，也可以不同。

[0185] 本发明实施例中，在对土壤墒情数据预报模型进行更新时，可以先每隔第六预设时间段，对第一历史土壤墒情数据样本、未来气象环境数据样本以及第二历史土壤墒情数据样本进行更新，分别得到更新后的第一历史土壤墒情数据样本、更新后的未来气象环境数据样本以及更新后的第二历史土壤墒情数据样本。此后，根据更新后的第一历史土壤墒情数据样本、更新后的未来气象环境数据样本以及更新后的第二历史土壤墒情数据样本对土壤墒情数据预报模型进行更新，即采用更新后的第一历史土壤墒情数据样本、更新后的未来气象环境数据样本以及更新后的第二历史土壤墒情数据样本，对土壤墒情数据预报模型的模型参数进行调整，得到更新后的土壤墒情数据预报模型。

[0186] 需要说明的是，虽然此处得到了更新后的土壤墒情数据预报模型，但是其是否可以投入应用以作为后续数据预报时采用的模型，还需要通过预报误差进行进一步判断，即可以采用测试集分别对更新前的土壤墒情数据预报模型以及更新后的土壤墒情数据预报模型进行测试，得到二者的预报误差，若更新后的土壤墒情数据预报模型的预报误差小于土壤墒情数据预报模型，则可以认为更新后的土壤墒情数据预报模型的预报性能优于更新前的土壤墒情数据预报模型，进而可以将每次对土壤墒情数据预报模型进行更新后的第六预设时间段内每次获取的历史土壤墒情数据以及未来气象环境数据，输入至更新后的土壤墒情数据预报模型，采用更新后的土壤墒情数据预报模型进行未来土壤墒情数据的预报，得到更新后的土壤墒情数据预报模型输出的待预报站点在获取时刻的未来土壤墒情数据。相比于采用更新前的土壤墒情数据预报模型，可以使得到的未来土壤墒情数据更加准确。

[0187] 若更新后的土壤墒情数据预报模型的预报误差大于或等于更新前的土壤墒情数据预报模型，则认为更新前的土壤墒情数据预报模型的预报性能优于更新后的土壤墒情数据预报模型，因此每次对土壤墒情数据预报模型进行更新后的第六预设时间段内每次获取的历史土壤墒情数据以及未来气象环境数据，依然采用更新前的土壤墒情数据预报模型进行未来土壤墒情数据的预报，以保证得到的未来土壤墒情数据的准确性。

[0188] 本发明实施例中，可以将所有更新前后的土壤墒情数据预报模型及其对应的预报误差均进行存储。

[0189] 图3为本发明实施例中提供的土壤墒情数据重建预报方法的完成流程示意图，如图3所示，该方法包括：

[0190] 1）多源数据集构造，即第二历史土壤墒情影响数据以及历史土壤墒情数据测量结果的获取，第二历史土壤墒情影响数据即为多元协同数据，可以包括气象环境数据、土壤性质数据、时序遥感监测数据以及地理信息系统数据等数据类别，历史土壤墒情数据测量结果可以包括多深度的历史逐日土壤墒情数据测量结果。

[0191] 2）可以采用多源数据集，分别训练得到土壤墒情数据重建模型以及土壤墒情数据预报模型，并可以对土壤墒情数据重建模型以及土壤墒情数据预报模型分别进行动态更新。

[0192] 3）得到的土壤墒情数据重建模型可以应用于对目标区域内目标虚拟站点的历史土壤墒情数据的重建，得到的土壤墒情数据预报模型可以应用于对目标区域内目标虚拟站点或真实站点的未来土壤墒情数据的预报。

[0193] 4）将目标虚拟站点的历史土壤墒情数据重建结果、目标虚拟站点的未来土壤墒情数据、真实站点的历史土壤墒情数据测量结果以及真实站点的未来土壤墒情数据进行融合，可以得到目标区域完整的区域土壤墒情数据重建以及预报服务。

[0194] 在数据获取方面，本发明实施例中所涉及的多深度的土壤性质数据、历史逐日气象环境数据以及数字高程模型这三类遥感辅助数据可通过Google Earth Engine（GEE）平台获取。土壤性质数据采用EnvirometriX Ltd于2018年提供的数据集。具体而言，历史逐日气象环境数据可采用ERA5 Daily Aggregates数据集。DEM数据可采用Multi‑Error‑Removed Improved‑Terrain DEM数据集。得益于GEE所提供的庞大数据资源与在线IDE，将真实站点的shapefile图层上传至cloud assets，利用Python语言在GEE Code Editor中编写代码实现数据的提取与导出，每种数据以csv格式依次导出至Google Drive平台存储并下载至本地。进一步利用Navicat工具将土壤墒情、辅助制图要素依次导入至SQL Server 2016数据库，以monitoring station code为主键，对多维数据进行关联查询，形成不同深度的逐日数据，以此为基础开展决策树模型以及土壤墒情数据预报模型的初始模型的训练。此外，未来逐日气象环境数据可通过公开应用程序编程接口（Application 
Programming Interface，API）获取。

[0195] 在模型构建方面，本发明实施例中，训练环境为一台图形工作站，配置为CPU：Intel(R) Xeon(R) CPU E5‑1620 v4 @3.50GHz、GPU：NVIDIA Quadro K2200和RAM：32GB。模型训练采用Ananconda平台作为模型训练基础平台，采用CatBoost1.0.6作为模型框架，TPE可通过pyOpt工具包实现，IDW等空间插值可通过PySAL工具包实现，底层Python版本为3.7。

[0196] 如图4所示，在上述实施例的基础上，本发明实施例中提供了一种土壤墒情数据重建系统，包括：

[0197] 第一获取模块41，用于获取目标区域内目标虚拟站点的第一历史土壤墒情影响数据，所述目标虚拟站点用于表征重建土壤墒情数据的空间位置；

[0198] 数据重建模块42，用于将所述第一历史土壤墒情影响数据输入至土壤墒情数据重建模型，得到所述土壤墒情数据重建模型输出的所述目标虚拟站点的历史土壤墒情数据重建结果；

[0199] 其中，所述土壤墒情数据重建模型基于所述目标虚拟站点对应的目标真实站点的第二历史土壤墒情影响数据以及历史土壤墒情数据测量结果进行训练得到。

[0200] 在上述实施例的基础上，本发明实施例中提供的土壤墒情数据重建系统，所述土壤墒情数据重建模型基于如下方法确定：

[0201] 基于所述目标虚拟站点对应的目标真实站点的第二历史土壤墒情影响数据以及历史土壤墒情数据测量结果对决策树模型进行训练，并采用贝叶斯算法对所述决策树模型的超参数进行优化，得到所述土壤墒情数据重建模型。

[0202] 在上述实施例的基础上，本发明实施例中提供的土壤墒情数据重建系统，还包括站点确定模块，用于：

[0203] 获取所述目标区域的时序卫星遥感数据，并基于所述时序卫星遥感数据，构建时空立方体；所述时空立方体包括多个时间柱，每个时间柱对应于所述时序卫星遥感数据中一个像素位置的时序数据；

[0204] 选取所述时序卫星遥感数据中的任一像素位置作为备选虚拟站点，并确定所述备选虚拟站点对应的目标时间柱，计算所述目标时间柱与所述时空立方体中除所述目标时间柱外的其他时间柱之间的时序数据相关性；

[0205] 基于所述时序数据相关性大于第一预设阈值的其他时间柱对应的像素位置，构建目标平面区域，并确定所述目标平面区域内真实站点的数量，若所述数量大于第二预设阈值，则确定所述备选虚拟站点为所述目标虚拟站点，并确定所述真实站点为所述目标真实站点。

[0206] 在上述实施例的基础上，本发明实施例中提供的土壤墒情数据重建系统，所述第二历史土壤墒情影响数据包括历史逐日土壤墒情影响数据，所述历史土壤墒情数据测量结果包括多深度的历史逐日土壤墒情数据测量结果；所述土壤墒情数据重建模型包括每一深度对应的重建子模型，所述重建子模型基于所述历史逐日土壤墒情影响数据以及对应深度的历史逐日土壤墒情数据测量结果进行训练得到；

[0207] 相应地，所述数据重建模块，具体用于：

[0208] 将所述第一历史土壤墒情影响数据输入至所述重建子模型，得到所述重建子模型输出的所述目标虚拟站点在对应深度处的历史逐日土壤墒情数据重建结果。

[0209] 在上述实施例的基础上，本发明实施例中提供的土壤墒情数据重建系统，所述第一获取模块，具体用于：

[0210] 每隔第一预设时间段，获取一次所述第一历史土壤墒情影响数据；

[0211] 相应地，所述数据重建模块，具体用于：

[0212] 确定每次获取所述第一历史土壤墒情影响数据的第一获取时刻；

[0213] 将每次获取的所述第一历史土壤墒情影响数据输入至所述土壤墒情数据重建模型，得到所述土壤墒情数据重建模型输出的所述目标虚拟站点在所述第一获取时刻的历史土壤墒情数据重建结果。

[0214] 在上述实施例的基础上，本发明实施例中提供的土壤墒情数据重建系统，还包括第一模型更新模块，用于：

[0215] 每隔第二预设时间段，对所述第二历史土壤墒情影响数据以及所述历史土壤墒情数据测量结果进行更新，并基于更新后的第二历史土壤墒情影响数据以及更新后的历史土壤墒情数据测量结果对所述土壤墒情数据重建模型进行更新，得到更新后的土壤墒情数据重建模型；

[0216] 若所述更新后的土壤墒情数据重建模型的重建误差小于所述土壤墒情数据重建模型，则所述数据重建模块，具体用于：将每次对所述土壤墒情数据重建模型进行更新后的第二预设时间段内每次获取的所述第一历史土壤墒情影响数据，输入至所述更新后的土壤墒情数据重建模型，得到所述更新后的土壤墒情数据重建模型输出的所述目标虚拟站点在所述第一获取时刻的历史土壤墒情数据重建结果。

[0217] 在上述实施例的基础上，本发明实施例中提供的土壤墒情数据重建系统，所述第一历史土壤墒情影响数据的数据类别包括气象环境数据、土壤性质数据、时序遥感监测数据以及地理信息系统数据中的至少一类。

[0218] 具体地，本发明实施例中提供的土壤墒情数据重建系统中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的，实现的效果也是一致的，具体参见上述实施例，本发明实施例中对此不再赘述。

[0219] 如图5所示，在上述实施例的基础上，本发明实施例中提供了一种土壤墒情数据预报系统，包括：

[0220] 第二获取模块51，用于获取待预报站点的历史土壤墒情数据、历史气象环境数据以及未来气象环境数据；

[0221] 数据预报模块52，用于将所述历史土壤墒情数据、所述历史气象环境数据以及所述未来气象环境数据输入至土壤墒情数据预报模型，得到所述土壤墒情数据预报模型输出的所述待预报站点的未来土壤墒情数据；

[0222] 其中，所述土壤墒情数据预报模型基于样本站点在第三预设时间段的第一历史土壤墒情数据样本、历史气象环境数据样本、预测得到的所述样本站点在第四预设时间段的未来气象环境数据样本以及所述样本站点在所述第四预设时间段的第二历史土壤墒情数据样本训练得到，所述样本站点包括所述目标虚拟站点，或包括所述目标虚拟站点以及所述真实站点，所述目标虚拟站点对应的第一历史土壤墒情数据样本以及第二历史土壤墒情数据样本均基于上述的土壤墒情数据重建方法得到。

[0223] 在上述实施例的基础上，本发明实施例中提供的土壤墒情数据预报系统，所述历史土壤墒情数据包括历史逐日土壤墒情数据，所述历史气象环境数据样本包括历史逐日气象环境数据样本，所述未来气象环境数据包括未来逐日气象环境数据，所述目标虚拟站点对应的第一历史土壤墒情数据样本包括多深度的第一历史逐日土壤墒情数据样本，所述未来气象环境数据样本包括未来逐日气象环境数据样本，所述目标虚拟站点对应的第二历史土壤墒情数据样本包括多深度的第二历史逐日土壤墒情数据样本；所述土壤墒情数据预报模型包括每一深度对应的预报子模型，所述预报子模型基于对应深度的第一历史逐日土壤墒情数据样本、所述未来逐日气象环境数据样本以及第二历史逐日土壤墒情数据样本训练得到；

[0224] 相应地，所述数据预报模块，具体用于：

[0225] 将所述历史逐日土壤墒情数据、所述历史逐日气象环境数据以及所述未来逐日气象环境数据输入至所述预报子模型，得到所述预报子模型输出的所述待预报站点在对应深度处的未来逐日土壤墒情数据。

[0226] 在上述实施例的基础上，本发明实施例中提供的土壤墒情数据预报系统，所述第二获取模块，具体用于：

[0227] 每隔第五预设时间段，获取一次所述历史土壤墒情数据、所述历史气象环境数据以及所述未来气象环境数据；

[0228] 相应地，所述数据预报模块，具体用于：

[0229] 确定每次获取所述历史土壤墒情数据、所述历史气象环境数据以及所述未来气象环境数据的第二获取时刻；

[0230] 将每次获取的所述历史土壤墒情数据、所述历史气象环境数据以及所述未来气象环境数据，输入至所述土壤墒情数据预报模型，得到所述土壤墒情数据预报模型输出的、所述待预报站点在所述第二获取时刻的未来土壤墒情数据。

[0231] 在上述实施例的基础上，本发明实施例中提供的土壤墒情数据预报系统，还包括第二模型更新模块，用于：

[0232] 每隔第六预设时间段，对所述第一历史土壤墒情数据样本、所述未来气象环境数据样本以及所述第二历史土壤墒情数据样本进行更新，并基于更新后的第一历史土壤墒情数据样本、更新后的未来气象环境数据样本以及更新后的第二历史土壤墒情数据样本对所述土壤墒情数据预报模型进行更新，得到更新后的土壤墒情数据预报模型；

[0233] 若所述更新后的土壤墒情数据预报模型的预报误差小于所述土壤墒情数据预报模型，则所述数据预报模块具体用于：将每次对所述土壤墒情数据预报模型进行更新后的第六预设时间段内每次获取的所述历史土壤墒情数据以及所述未来气象环境数据，输入至所述更新后的土壤墒情数据重建模型，得到所述更新后的土壤墒情数据重建模型输出的所述待预报站点在所述第二获取时刻的未来土壤墒情数据。

[0234] 具体地，本发明实施例中提供的土壤墒情数据预报系统中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的，实现的效果也是一致的，具体参见上述实施例，本发明实施例中对此不再赘述。

[0235] 图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器（Processor）610、通信接口（Communications Interface）620、存储器（Memory）630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行上述各实施例中提供的土壤墒情数据重建方法，或者土壤墒情数据预报方法。

[0236] 此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read‑Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

[0237] 另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的土壤墒情数据重建方法，或者土壤墒情数据预报方法。

[0238] 又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的土壤墒情数据重建方法，或者土壤墒情数据预报方法。

[0239] 以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

[0240] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。

[0241] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。