Прогнозирование поверхностной влажности почвы является важной задачей для управления сельскохозяйственными территориями, особенно в зонах с повышенным риском подтоплений. Актуальность задачи связана с необходимостью своевременного мониторинга и оценки состояния почвы для предупреждения негативных последствий избыточной влаги и повышения эффективности сельскохозяйственных операций.

В работе использован набор спутниковых данных EO4NOWCAST с пространственным разрешением 100×100 м, охватывающий территорию бассейна Генуи (Италия) за период 2016–2022 гг. В качестве признаков выбраны карты нормализованного индекса разности вод (NDMI) из коротковолнового инфракрасного диапазона и данные кумулятивных осадков. Пространственная и временная связность данных учитывались при построении модели.

Исследованы различные методы машинного обучения и глубокого обучения: модели, учитывающие пространственно-временные зависимости (ConvLSTM, PhyDNet), 3D CNN, архитектуры U-Net с блоками внимания, а также алгоритмы градиентного бустинга XGBoost. Анализ временных рядов показал слабую временную зависимость, что обусловило низкую эффективность моделей с временной компонентой. Лучшие результаты достигнуты благодаря использованию моделей, выявляющих пространственные зависимости.

Для повышения точности предсказаний и сохранения мелких деталей в прогнозах была модифицирована функция потерь стандартного MSE с добавлением wavelet-компоненты, акцентирующей внимание на высокочастотных деталях, и adversarial-члена в рамках генеративно-состязательного обучения. Такая генеративно-состязательная модель U-Net с Multi-Head Attention показала высокую точность и устойчивость к шумам данных.

Предложенный подход обладает потенциалом применения для комплексного мониторинга влажности почвы в аграрных зонах с целью предупреждения повреждений, связанных с подтоплением, и оптимизации использования земельных ресурсов.