近日，我院计算机科学与技术学院李清亮教授联合中山大学、吉林大学在土壤科学领域顶级期刊、中科院一区TOP期刊Geoderma (5Y~IF=6.7）上，在线发表了题为“Improving global soil moisture prediction through cluster-averaged sampling strategy”的研究论文。李清亮教授为论文的第一作者以及通讯作者，研究得到了国家自然科学基金和吉林省优秀青年基金等项目的支持。

土壤湿度是水资源管理和农业生产中的关键因素。传统的基于过程的土壤湿度模拟模型由于计算成本高、对某些关键过程的表征不充分，导致在全球范围内的预测效果并不理想。深度学习模型虽然在土壤湿度预测方面表现出色，但由于训练过程中样本特性的不平衡，往往导致预测结果在某些区域的误差较大，尤其是在全球变化复杂的地区。为了应对这一挑战，李清亮教授团队提出了一种全新的训练样本平衡策略——集群平均采样策略（CAS）。

CAS策略通过无监督聚类技术（k-means算法），将全球土壤湿度样本根据不同的静态变量如土壤水容量、地形数据等进行聚类。在每次梯度下降过程中，均匀地从每个聚类中选取样本，确保每个类别的特征被均衡地学习到，从而防止模型过分关注某些频繁出现的样本特征，忽视稀有但重要的样本特征。实验表明，使用CAS策略的LSTM-based多个模型在全球范围内的土壤湿度预测中表现显著优于未使用该策略的模型。这一研究成果为全球土壤湿度的实时监测提供了重要的技术支撑，有望广泛应用于农业灌溉管理、水资源优化分配以及气候变化等研究领域。

李清亮教授团队先后在Earth System Science Data., Expert Systems with Application., Computers and Electronics in Agriculture., Journal of Hydrology., 等领域内国际权威期刊（中科院一区TOP期刊）发表10篇有关人工智能在陆面要素模拟中的研究论文，创建的高质量数据被国家青藏高原科学数据中心列为明星数据集和关键数据集（排名第一），在本领域产生显著影响，获得国内外同行的积极评价。

论文链接：https://doi.org/10.1016/j.geoderma.2024.116999