近日，中国地质大学（武汉）国家地理信息系统工程技术研究中心陈能成教授团队在地球科学领域一区TOP期刊《Journal of Hydrology》上发表了题为《Integrating causal inference with ConvLSTM networks for spatiotemporal forecasting of root zone soil moisture》的研究论文。该研究提出了一种名为Causal-ConvLSTM的新型模型，结合因果推理与深度学习技术，对长江流域根区土壤水分（RZSM）进行了1至14天的时空预测，并验证了其优越的预测性能。

图1. 论文封面

随着全球气候变化加剧，干旱和洪涝等极端事件频发，根区土壤水分（RZSM）作为农业水资源管理和干旱预警的关键指标，其精确预测需求日益迫切。然而，传统预测方法往往缺乏对环境因子与土壤水分之间因果关系的深入挖掘，导致预测精度受限。因果关系是一种重要的先验知识，能够揭示驱动因素如何直接影响目标变量，帮助理解系统内部的动态变化。为此，本研究聚焦长江流域，开发了Causal-ConvLSTM模型，通过将因果推理融入ConvLSTM框架，利用因果权重单元优化时空特征提取能力，显著提升了RZSM的预测性能。研究首先基于SMAP L4土壤水分产品和ERA5再分析数据集，构建了高时空分辨率的RZSM及环境因子数据集。通过LPCMCI因果推理方法，研究团队识别了长江流域12个子流域中RZSM与降水、历史土壤水分等因素的因果关系及其强度。随后，提出的Causal-ConvLSTM模型将这些因果特征和强度作为输入，通过卷积模块提取高维时空相关性，并与ConvLSTM的隐藏层输出相结合，实现对未来1至14天RZSM的精准预测。

图2. 研究技术路线图

实验结果表明，Causal-ConvLSTM模型在1至14天预测窗口内的表现优于ConvLSTM、LSTM和PredRNN-V2等基准模型。以R²为例，该模型在1天、7天和14天预测时分别比ConvLSTM提高了10.17%、18.40%和25.65%。通过空间分布分析发现，Causal-ConvLSTM在长江流域90%以上的区域实现了预测精度的提升，在2022年干旱期的测试中该模型仍能较好捕捉RZSM的空间模式。此外，通过SHAP分析，研究揭示了过去RZSM和降水等因果特征在预测中的主导作用，进一步阐明了模型的解释性。

图3. 各模型在长江流域对根区土壤水分提前1~14天预测精度对比

图4. 各模型在长江流域对根区土壤水分的预测精度的空间分布对比

图5. 各模型在长江各子流域对根区土壤水分的预测精度对比

图6. 2022年8月22日长江流域根区土壤水分：Causal-ConvLSTM模型预测值（提前1-14天）与观测值的对比

论文信息：Wu, Tingtao., Xu, Lei., Lv, Yu., Cai, Ruinan., Pan, Ziwei., Zhang, Xihao., Zhang, Xi., Chen, Nengcheng., Integrating causal inference with ConvLSTM networks for spatiotemporal forecasting of root zone soil moisture, Journal of Hydrology (2025), doi: https://doi.org/10.1016/j.jhydrol.2025.133246

论文链接：https://www.sciencedirect.com/science/article/pii/S0022169425005840