土壤墒情指田间土壤含水量及其对应的作物水分状态。作为对农作物生长有着重要影响和制约作用的指标,人们一直在努力实现对土壤墒情的实时掌握,以指导农作物耕作、制定灌溉制度、发展智慧农业等。本文以北京市顺义区、延庆区和大兴区为例,采用5种不同的墒情预测模型,对3种预测时段下模型的预测性能进行了检验,并进行了系统的对比分析,探讨适合研究区域的最佳土壤墒情预测模型。具体内容包括:(1)研究区概况分析。北京地区土壤质地主要为砂壤土和轻壤土,其中砂壤土主要分布在东北,轻壤土主要分布在西南;最近10年的降水量呈缓慢的增长趋势,且年际波动较大,年内的分布也很不平均,呈东北向西南递减的趋势;最近5年的墒情呈缓慢增长趋势,年内以8月份左右墒情最高,年初最低,空间上顺义、密云、平谷3区的土壤含水量较大,怀柔为最小。(2)影响因子的选择与分析。选定气温、气压、湿度、风速、地温、降雨、时段初墒值为墒情预测的影响因子,经相关分析,确定其与土壤墒情间存在着显著的相关关系,可以将其作为预测影响因子。(3)模型的率定与训练。研究采用线性回归模型、BP神经网络模型、PCA-RBF神经网络模型、GEP模型和深度学习模型5种模型来进行,通过对基础数据的分析与学习,对比不同参数下模型的预测性能,择优选取参数完成对模型的率定,并使模型具有一定的预测能力。(4)模型的检验与对比分析。对5种模型预测的可行性进行检验,预测结果与实测数据的相关系数最小为0.593,属于强相关,确定了5种预测模型的可行性;且随着预测时段的延长,模型预测结果的相关系数减小。在此基础上采用相关系数(R~2)、平均相对误差(MRE)、平均绝对误差(MAE)和均方根误差(RMSE)4个指标对模型进行对比分析,综合4个评价指标,深度学习模型的预测性能最佳,模型预测数据与实测数据的相关性强、误差小且数据的离散性较低,其次依次为GEP模型、PCA-RBF神经网络模型和BP神经网络模型,最差的是线性回归模型。研究对比分析了不同模型的预测性能,以及不同模型的特点,综合评价了不同模型的适用性,为实际的预测应用提供了理论基础。