土壤含水量的变化影响着当地居民生活,社会生产等各个方面。及时了解土壤含水量信息,进行土壤含水量预测与灌溉调节是农业信息化研究的一个重大领域。本文以盐池县作为研究区,选取气象监测站点2014年到2017年四年统计数据,对比数据在不同优化模型下的预测效果并选出最优模型加以改进,得到一个最终的改进模型。主要研究内容如下:(1)采用集成学习中的XGBOOST和随机森林两种方法对特征进行筛选,综合考虑两种模型的筛选结果后,选择了土壤温度、水压力、水汽分压、降雨量、空气温度5个因子作为输入特征。分别使用两个模型预测和输入全因子输入模型对比,实验证明筛选的因子有效贡献为91%,显示了特征选择准确性。(2)基于上述选取的因子,分别用集成学习、BP神经网络、支持向量机和极限学习机预测,结果发现:集成学习中随机森林和XGBOOST的R~2分别为0.7313和0.6851,随机森林效果好于XGBOOST;BP神经网络模型当中使用激活函数relu并且经过ADAM算法优化的效果最好,R~2是0.8219,高于SGD优化的BP神经网络的0.5049;支持向量机中核函数选择高斯函数模型R~2为0.5371,高于核函数选择liner模型的0.292;极限学习机当中选择激活函数为sigmoid的极限学习机R~2为0.7623,低于经过粒子群优化的模型R~2的0.8246。综上发现ADAM优化后的BP神经网络和粒子群优化后的极限学习机效果最好,由于极限学习机耗费时间过长,后续选择ADAM优化的BP神经网络改进。(3)针对ADAM优化后的BP神经网络容易陷入局部最优,预测不准确的问题,选择LM算法、贝叶斯正则化算法分别从权值的优化和网络的结构优化来优化BP神经网络模型,同时考虑到土壤含水量数据具有的时序性问题,采用LSTM网络和BP神经网络相级联混合模型,并且在此基础上经过时间特征处理,结果显示,三者的R~2分别为,0.8332、0.8621、0.8931,结果均好于改进前的ADAM算法优化的R~2,而且使用的隐藏层节点比ADAM算法的低。误差损失图也显示出,LSTM-BP模型的下降速率高于前两个,综上,最优模型是LSTM-BP。