土壤耕作层水分温度是农业种植管理的核心参数,深度掌握土壤耕作层水分温度信息有助于农业生产力提高。实现对土壤耕作层水分与温度的精准预测,可以有效调控管理种植环境参数、优化农作物种植质量。土壤耕作层深度较浅,土壤水分温度与环境空气温湿度有着较大相关性。可以基于深度学习方法,利用环境空气温湿度和土壤水分温度信息开展对土壤水分温度的预测。根据不同农业管理系统的设计需求与功能特点,基于深度学习的土壤耕作层水分温度预测功能可以部署在云端或本地端。但云端部署与本地部署特点不同,因此需要针对于两种部署模式对深度学习模型展开研究。针对土壤耕作层水分温度预测在训练集获取与模型验证等方面的实际需求,设计了基于嵌入式系统及NB-Io T无线通信技术的物联网数据采集系统,实现了等间隔时间序列环境数据的长时间采集。实验表明设计的数据采集系统拥有高稳定性与可靠性,可以为基于深度学习的土壤水分温度时间序列预测工作提供准确的数据。云端运算平台通常拥有丰富的资源,实现稳定与高精度预测是部署于云端平台模型的核心需求。目前深度学习模型较多,不同模型拥有不同的特点。为了提高模型的预测精度上限,研究一种基于深度强化学习DQN算法的模型组合预测策略,通过该组合策略得到预测能力强并适用于云端部署的组合模型。以LSTM、GRU与Bi-LSTM为基础模型提出DQN-L-G-B组合模型。通过实验表明,DQN-L-G-B组合模型在RMSE、MAE、MAPE、R2等指标上均优于LSTM、GRU、Bi-LSTM以及L-G-B加权平均组合模型。在两种土壤类型的预测效果对比下,壤土的预测效果要优于砂土,并将训练得到的DQNL-G-B组合模型部署于云端平台进行实际预测分析。为了保证模型拥有较好预测性能同时占用较少的系统资源以部署在本地设备,对单时间序列预测模型展开研究,针对传统机器学习模型在预测土壤水分温度的不足,提出W-MA-LSTNet土壤水分温度预测模型。基于LSTNet模型进行了改进,引入小波降噪模块,减少数据集中噪声对模型训练产生的负向影响。其次引入混合注意力模块,加入维度与时间步混合注意力机制。通过实验表明,相较于LSTNet模型,W-MA-LSTNet模型在RMSE、MAE、MAPE、R2等指标上均更优,且在壤土的预测效果要优于砂土。本文的研究可有效完成对耕作层土壤未来时刻水分温度的精准预测,有助于实现精细化农作物种植管理,为现代化农业种植提供支撑。