该研究提出了一种结合土壤湿度的知识引导机器学习模型，以提高干旱条件下玉米产量预测的准确性。通过引入土壤湿度作为中介变量和设计干旱感知损失函数，显著改善了预测效果，对农业生产具有重要指导意义。

本研究提出了一种基于物联网的智能灌溉系统，旨在解决干旱地区的水资源短缺问题。通过混合模型优化土壤湿度，减少水损失，测试结果表明该系统有效降低了灌溉水量和能源消耗。

利用统计数据和地理影像作为输入，提出了一种多模态方法来估计土壤湿度，所得结果在土壤湿度估计上优于传统方法。

本研究探索了基于基础模型的时间序列预测在智能农业领域中的潜力，特别应用了 TimeGPT 模型来预测土壤水势，展示了其在农业应用中具有竞争力的预测准确性，为可持续发展的农业奠定了基础。

该研究使用融合时空信息与机器学习的方法，将点尺度的土壤湿度测量从28个点位上采样到100米的分辨率，并验证了该方法对未覆盖点位的湿度空间变化的映射能力。

准确的水文认识和水循环预测对于解决水资源管理中的科学和社会挑战至关重要。物理感知机器学习是一种改变性方法，旨在克服水文学和机器学习的观念障碍，并革命化这两个领域。HydroPML是一个基于物理感知机器学习的水文学平台，增强了机器学习的可解释性和因果关系，并为数字水循环的实现奠定了基础。