Zero-Shot Forecasting of In-Situ Soil Moisture and Temperature with a Time-Series Foundation Model
作者: Mohammad Talaei, Mohammad Goudarzi, Maille Todd, Vanessa N. L. Wong, Iadine Chadès
分类: cs.AI
发布日期: 2026-10-22
备注: Accepted at the NeurIPS 2026 Workshop on Tackling Climate Change with Machine Learning
💡 一句话要点
提出TimesFM模型以实现无数据预测土壤湿度和温度
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 土壤湿度 温度预测 时间序列模型 无数据预测 生态恢复 深度学习 环境监测
📋 核心要点
- 现有的土壤湿度和温度预测方法依赖于特定的水力参数或长时间的训练数据，限制了其在新恢复站点的应用。
- 本文提出了TimesFM模型，通过无数据预测实现对土壤湿度和温度的实时监测，解决了数据稀缺问题。
- 实验结果显示，TimesFM在短期预测中比最佳的规则基线提高了21-76%的准确性，但在长时间预测中表现下降，揭示了日变化机制的影响。
📝 摘要（中文）
土壤湿度和温度是评估退化土地恢复效果的关键指标，但现有的物理模型和数据驱动模型通常需要新仪器站点尚未具备的信息。本文评估了一个500M参数的时间序列基础模型TimesFM，在半干旱恢复现场的27个传感器站点的15分钟遥测数据上进行无数据预测，涵盖了不同的土地管理模式。结果表明，TimesFM在短期预测中显著优于传统统计基线，但在超过一天的预测中表现较差，揭示了日变化机制的影响。我们还量化了在普通CPU硬件上进行无数据预测的推理成本，强调了预测能力、性能和计算效率之间的实际权衡。
🔬 方法详解
问题定义：本文旨在解决在新仪器站点缺乏必要数据时，如何有效预测土壤湿度和温度的问题。现有方法依赖于水力参数或长时间的训练数据，导致在新环境下的应用受限。
核心思路：论文提出的TimesFM模型利用时间序列基础模型的能力，进行无数据预测，旨在通过已有的遥测数据进行有效的土壤湿度和温度预测。这样的设计使得模型能够在缺乏历史数据的情况下，依然提供准确的预测结果。
技术框架：TimesFM模型的整体架构包括数据输入模块、特征提取模块和预测输出模块。数据输入模块负责接收来自传感器的遥测数据，特征提取模块通过深度学习技术提取时间序列特征，最后生成土壤湿度和温度的预测结果。
关键创新：TimesFM的主要创新在于其无数据预测能力，能够在没有特定水力参数或长时间训练数据的情况下，依然实现高效的预测。这与传统方法的依赖性形成鲜明对比。
关键设计：模型的关键设计包括500M参数的深度学习网络结构，使用gap-aware rolling-origin评估方法来处理传感器数据的缺失，并在推理过程中优化计算效率，以适应普通CPU硬件的运行。
🖼️ 关键图片
📊 实验亮点
实验结果显示，TimesFM在短期预测中比最佳的规则基线提高了21-76%的准确性，但在超过一天的预测中表现下降，具体下降幅度为6-79%。这种性能差异与日变化机制密切相关，揭示了模型在不同时间尺度上的适用性。
🎯 应用场景
该研究的潜在应用领域包括农业监测、生态恢复和环境管理等。通过实时预测土壤湿度和温度，能够为土地管理提供科学依据，帮助决策者制定更有效的恢复策略，提升生态系统的可持续性和生产力。未来，该模型还可以扩展到其他环境监测领域，具有广泛的实际价值。
📄 摘要（原文）
Soil moisture and temperature govern plant-water availability and microbial activity, making them key indicators for evaluating land-restoration efforts on degraded landscapes. However, the physical and data-driven models normally used to forecast them both need information that a newly instrumented restoration site does not yet have: hydraulic parameters for the former and months of per-site training data for the latter. We evaluate TimesFM 1, a 500M-parameter time-series foundation model, zero-shot on 15-minute telemetry from 27 sensor stations across three land-management regimes (Control, Treatment, Scald) at a semi-arid restoration site, forecasting 5 cm and 30 cm soil moisture and enclosure temperature at seven lead times from 1 h to 168 h. Using gap-aware rolling-origin evaluation across sensors, we find that TimesFM beats the best rule-based statistical forecasting baselines (persistence, seasonal-naive, or 7-day climatology) by 21-76% at sub-daily lead times but loses by 6-79% beyond a day, a pattern explained by a diurnal-alignment mechanism that holds for both soil-moisture depths and temperature. A CatBoost baseline trained walk-forward on the same origins with full history and weather covariates never wins overall, and we show that its weakness is partly a cold-start effect specific to short deployments. We additionally quantify the inference cost of zero-shot forecasting on commodity CPU hardware. Our results highlight a practical trade-off between zero-shot forecasting capability, predictive performance, and computational efficiency.