土壤温湿度是地球科学等多个领域的重要变量。其中,土壤温度作为大气和陆地表面水热循环共同作用的结果,对农业、气候和环境等方面有着显著的影响,为提高农业产量或减缓全球变暖等方面提供了决策依据。同时,土壤湿度是连接陆地表面和大气之间循环过程的关键陆面变量,其时空变化对气象、气候和水文等方面至关重要,有助于提高对水、能源和碳循环的认知,以及对极端气候的预测。因此,准确的土壤温湿度预测对地球科学等诸多领域具有重要的意义。在过去数十年中,研究者通常采用基于物理过程模型的方法对土壤温湿度进行预测,然而土壤性质的不确定、气象场输入数据的不准确、物理过程表达不完善和参数化方案误差等问题,导致该方法存在一定的局限性。随着计算机技术的飞速发展和硬件设备的不断更新,深度学习方法展现出较强的非线性学习能力,可基于数据驱动的方式模拟陆气交互模式,从而实现土壤温湿度的精准预测,因此受到地球科学等领域的广泛关注。同时,可作为基于物理过程模型方法的重要补充,为陆面变量预测提供了新的视角。对于土壤温湿度预测任务,如何利用深度学习提高长时间序列中解释变量（模型的输入变量）的自相关性和不确定性、通过物理知识指导深度学习以及提高模型性能的鲁棒性成为研究者关注的重点和难点。本文针对以上问题,利用深度学习技术对土壤温湿度预测展开研究,并给出了相应的解决方案。本文主要研究内容如下:1.针对气象站稀缺地区,相关气象数据不易获取,循环神经网络中长时间序列解释变量自相关性降低,本文提出了一种基于多通道门控循环单元的土壤温度预测模型。该方法主要解决信息传递过程中,由于长时间序列解释变量的自相关性逐渐降低,导致模型无法准确建立土壤温度预测值与较长期解释变量之间的变化关系。首先,利用门控循环单元（Gated Recurrent Units,GRU）作为网络的基础模块,提取解释变量短期模式的特征;其次,为了避免较长期解释变量因信息传递引起的模型误差,通过逐渐减小每个GRU模型时间步长的方式定义多个辅助网络,捕获解释变量较长期模式的特征;最后,将不同通道捕获的不同时期土壤温度特征相融合,增强解释变量的自相关性。实验结果表明,该方法在相关气象信息不易获取时可以有效地提高土壤温度预测任务的准确率。2.针对利用物理知识指导深度学习,本文提出一种基于四元组损失函数的土壤温度预测模型。传统循环网络模型直接将解释变量作为输入,并采用均方误差等常用的损失函数训练模型,使预测模型无法有效提取土壤温度特征,导致预测结果不具备物理一致性。该方法将传统损失函数与土壤温度特征之间的距离度量学习相结合,并指导预测模型进行训练,使预测结果尽量符合一定的陆气交互模式。将土壤温度数据进行聚类,划分成不同区间并采用不同标签进行区分;通过拉近相同区间内土壤温度特征的距离,与推远不同区间土壤温度特征的距离,避免传统循环神经网络模型预测结果不具备物理一致性。实验结果表明,该方法在处理多个解释变量的土壤温度预测任务中具有良好的预测性能。3.针对基于深度学习预测土壤湿度,相比于土壤温度的预测,土壤湿度受土壤性质、降水和植被等多种因素影响而具有更高的异质性,预测尺度增加导致未来信息不确定性增强,本文提出了基于编码器-解码器长短期记忆网络的土壤湿度预测模型。该方法的编码器将长短期记忆网络（Long Short-Term Memory,LSTM）作为基础网络,用于编码预测尺度内的特征,增强模型特征提取能力;通过解码未来信息,并使预测尺度内多个土壤湿度参与损失函数梯度的计算,改善未来信息不确定性带来的误差;将解释变量与解码器的解码信息结合,纠正编码器-解码器LSTM模型的计算偏差。实验结果表明,该方法通过改善未来信息的不确定性,提高了土壤湿度的预测精度。4.针对预测SMAP（Soil Moisture Active and Passive,SMAP）产品的土壤湿度时,过少的数据总量易使深度学习模型出现欠拟合问题,本文提出了融合迁移学习的土壤湿度预测时空模型。该方法利用三维卷积层提取土壤湿度的空间特征,并利用LSTM模型提取其时间特征,改善传统深度学习模型的预测精度;采用迁移学习策略,并利用具有物理意义的ERA5-Land数据集土壤湿度指导深度学习模型的参数初始化,避免预测模型出现过拟合。实验结果表明,该方法能够有效地提取土壤湿度的时空特征,经过ERA5-Land数据集土壤湿度指导深度学习模型的参数初始化后,改善了深度学习模型预测SMAP土壤湿度的预测性能。