1.一种基于水平衡约束深度学习的土壤湿度预测方法，其特征在于，所述方法包括：获取模型输入变量，所述变量包括地表数据、强迫数据及土壤持水量；所述强迫数据包括2m温度、10m U 型风力分量、10米V型风力分量、湿度比、表面压强及总降雨；所述地表数据包括土壤温度、短波辐射、长波辐射及总蒸发量；

将所述输入变量输入长短期记忆LSTM模型，同时引入物理机制设计的损失函数，指导所述LSTM模型学习数据中的物理信息，从而指导所述LSTM模型进行训练，得到基于物理引导的LSTM网络模型；所述损失函数为利用降雨、蒸发和土壤湿度之间的单调关系设计的单调性损失函数；

所述单调性损失函数如下：

             (12)

       (13)

公式(12)是单调性损失函数， 是土壤湿度观测值SM的和预测的土壤湿度值 之间的均方根误差，  是通过融合降雨、蒸发与土壤湿度观测值SM之间存在的单调关系设计的损失函数；公式(13)中， 代表了当前时刻进入到地表水平衡系统中与上一时刻进入到地表水平衡系统中的水量差，当此值为0时表示当前时刻进入和流出系统的水量和上一时刻的水量相比没有发生改变，则当前时刻 应为0；0为设定的界限，只有当前时刻进入到地表水平衡系统中与上一时刻进入到地表水平衡系统中的水量变化增加或减少时，才让其参与到 的计算当中；

      (14)

公式(14)中，通过给 赋初值，来标记当前时刻进入和流出系统的水量和上一时刻的水量相比发生了改变；

          (15)

公式(15)中， 是上一时刻的土壤湿度的观测值， 是当前时刻的土壤湿度的预测值；

利用所述基于物理引导的LSTM网络模型实现对土壤湿度的预测。

2.根据权利要求1所述的基于水平衡约束深度学习的土壤湿度预测方法，其特征在于，所述LSTM 模型的具体结构如下：(1)

(2)

(3)

(4)

(5)

(6)

    (7)

其中， 和 分别代表LSTM的输入门、遗忘门和输出门， 是神经元输入， 是时间步长t的网络输入， 是LSTM的输出，也被称为循环输入，是上一个时间步长的神经元状态，神经元状态表示当前时间的系统的记忆，并以全零向量的形式初始化； 是Sigmoid激活函数；W、U和b是经过校准的参数，下标表示特定参数矩阵/向量与哪个门相关联；tanh(·)是双曲正切激活函数，用于在神经元输入和循环输入中引入非线性； 表示逐元素乘法； 表示SM的最终预测值。