农业部门气象参数预测深度学习模型的探索性分析

准确的气象预报对于农业规划、灌溉管理和环境决策支持至关重要。本研究对用于参考蒸散量($ET_0$)、水汽压差(VPD)、风速以及风向的正弦和余弦分量的多变量预测的循环和混合深度学习架构进行了比较评估。该分析利用了来自希腊约阿尼纳的134,376个逐时观测数据,时间跨度从2011年1月到2026年4月,数据来源于通过OpenMeteo历史天气API获取的ERA5。将单层和多层GRU和LSTM网络与混合1D-CNN-GRU和1D-CNN-LSTM模型在两个预测任务上进行比较:24小时次日预测和168小时一周预测。使用归一化均方根误差、决定系数和复合加权商数得分(WQS)来评估性能。最有效的纯循环模型是用于24小时视野的64单元LSTM,WQS为0.816755,以及用于168小时视野的1024单元GRU,WQS为0.779465。混合CNN-GRU模型在24小时和168小时视野上取得了最高的总体得分,分别为0.827535和0.782863,但相对于LSTM模型分别需要更多的单元,而CNN-LSTM模型以显著更少的参数产生了几乎相同的结果。与相应的循环基线相比,混合模型在24小时时将WQS提高了1.22--1.63\%,在168小时时提高了0.44--0.45\%,表明卷积特征提取对短期预测更有益。