CN105243435A - 一种基于深度学习元胞自动机模型的土壤含水量预测方法 - Google Patents

Abstract

本发明涉及一种基于深度学习元胞自动机模型的土壤含水量预测方法，结合了机器学习和地理现象模拟的方法，就土壤含水量的不同时空预测方面进行了改进，能够借助深度学习的方法获取土壤含水量预测函数局部最优解；并且本发明结合模型检验机制对模型的泛化能力进行了定量检验，提出了元胞自动机的自我改善机制，更加确保了模型的健壮性，这种混合技术的突破有望为复杂区域的土壤水分实时监测提供技术支撑，不仅能够降低土壤水分的预测成本，也显著提升了土壤含水量的预测精度，具有广阔的工业化应用前景。

Description

一种基于深度学习元胞自动机模型的土壤含水量预测方法

技术领域

本发明涉及一种基于深度学习元胞自动机模型的土壤含水量预测方法，属于土壤表层含水量预测技术领域。

背景技术

土壤含水量是地表植被吸收水分的主要来源，直接影响着生态植被的生长。准确估算土壤表层含水量已成为农业水资源监测的热点问题。土壤含水量的测定方法主要包括接触式的直接测量和非接触式的遥感监测。用遥感反演手段获取土壤含水量，具有范围大、时间分辨率高的特点。该方法在植被覆盖度较高的区域效果却并不理想，如果传感器受到外界因素影响后也不能实时地反演土壤含水量。除遥感监测方法之外，常规的土壤含水量预测方法还包括经验公式法、水量平衡法、消退指数法、土壤水动力学法、时间序列法、机器学习法等。机器学习法常用来模拟与处理影响因素多、关系复杂的***，能够灵活处理高度非线性动态关系的时间序列问题，因其固有的学习能力与适应能力，使其在土壤水分预测中得到了广泛的应用。

土壤含水量的空间变异主要是由温度、降雨、相对湿度、雾、土壤、植被、人为活动等诸多因素综合作用所影响。除此之外，土壤含水量与土壤的理化性质也密切相关，如土壤孔隙度、土壤质地等。传统方法，如最小二乘法建立多元回归方程，经常会出现高误差、低稳健等问题。究其原因是土壤含水量的影响因子间存在多重相关性，普通模拟方法很容易影响参数估计，进而增大模型误差。

既然土壤含水量空间变异的内在规律是人类难以掌握和定量描述的，对这种复杂行为进行分析和模拟在农业生产、干旱区生态管理中具有重要应用价值。为了分析与模拟这种内在规律，可将其视为“黑箱”，进而通过分析原始、结束时***状态间相互关系获取其演变规律。之后，基于这种演变规律的知识对土壤含水量进行时空预测，实现更加客观的模拟。

自1950年代计算机之父JohnVonNeumann建立第一个生物自我复制的元胞自动机雏形后，元胞自动机(cellularautomata，CA)已成为非数值计算中的常用方法，基于元胞自动机的地理模拟研究也已获得国内外的广泛关注。元胞自动机是一种时间、空间、状态都离散的模型，具有强大的空间建模和计算能力，能够模拟具有时空特征的复杂动态***。元胞自动机模型赋予每个空间单元在外界刺激或者相互作用下的变化规则，这与地理学第一定律相似性定律非常相似，因此该模型非常适宜描述地理现象。元胞自动机模型模拟的核心是定义元胞状态的转换规则，至今尚未有完善、稳健的规则定义方法，国内外专家普遍采用启发式的方法，但该方法受主观因素影响很大，尤其是在反映复杂关系时具有较为显著的局限性。改善的方法是采用数据挖掘技术，该技术能够从海量的地理信息数据中发现知识，并能够将知识应用到元胞自动机模型中状态的转换规则，进而显著改善了模拟效果。

作为一类新兴的多层神经网络学习算法，深度学习能够缓解传统训练算法的局部最小性，进而提升了处理复杂分类问题时的泛化能力。鉴于该技术在工业界的重要性及其性能优越性，将该技术与地理现象模拟相结合具有十分广阔的工业化应用前景。然而，根据深度学习算法的结构特征，众多应用领域在深度学习的实践过程中也发现了一系列亟待探索解决的问题，如无标记数据的特征学习、网络模型规模与训练速度精度之间的权衡、与其他方法的融合等。这些缺点已经严重制约了深度学习在元胞自动机模型规则训练中的应用，归纳起来有一下几个局限性：

(1)缺乏有效的扩展解决方案。现有元胞自动机模型主要集中在分类问题，对连续回归的数字模拟缺乏有效的认知，无法解决无限状态的自然地理现象模拟。有别于传统基于方程的自上而下的建模方法，元胞自动机模型主要通过微观层面元胞的相互作用来模拟全局***的复杂性，在此过程中，元胞自动机在地理计算中的不足逐步体现。例如，元胞只能把信息传递给邻域元胞，且元胞在整个模拟空间的位置相对固定，导致元胞只能模拟地理基层环境却不能模拟自由活动的实体对象。

(2)不同方法体系缺少融合技术指导。单一的深度学习方法，往往并不能带来最好的计算效果，亟需融合一种甚至多种方法形成更为有效且有理论依据的学习模型进行应用，进而解决更为复杂的应用问题。探索基于深度学习的新特征提取模型也将是值得深入探讨的应用课题。另外，深度学习训练困难的潜在原因包括监督训练准则存在大量局部极值、过于复杂的训练准则。如何同时训练所有的深度结构神经网络层，也将是影响深度学习在土壤含水量不同时空模拟的重要影响因素。

发明内容

针对上述技术问题，本发明所要解决的技术问题是提供一种基于深度学习元胞自动机模型的土壤含水量预测方法，基于深度学习网络获取元胞状态转换规则，并结合元胞自动机泛化能力定量评估操作，能够解决现有可视域算法在分布式并行计算环境下数据管理效率低下与并行化调度困难的问题，有效提高了土壤含水量预测的准确性。

本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于深度学习元胞自动机模型的土壤含水量预测方法，包括如下步骤：

步骤001.针对目标土壤区域，按预设样本点选择要求，选择预设数量的训练样本点和预设数量的验证样本点，并且针对训练样本点设定对应的训练检测期，以及针对验证样本点设定对应的验证检测期，同时，针对目标土壤区域，设定各类环境变量，并进入步骤002；

步骤002.获得各个训练样本点分别对应训练检测期中各个单位检测期的土壤含水量数据，构成分别与训练检测期中各个单位检测期相对应的各训练样本点土壤含水量数据集，同时，获得目标土壤区域分别对应训练检测期中各个单位检测期的各类环境变量数据，并针对环境变量数据进行归一化处理，并进入步骤003；

步骤003.分别针对不同单位检测期各训练样本点土壤含水量数据集进行插值数据处理，获得空间上与目标土壤区域相对应、且时间上分别与训练检测期中各个单位检测期相对应的各个训练目标土壤区域土壤含水量空间分布栅格图层，并进入步骤004；

步骤004.针对各个训练目标土壤区域土壤含水量空间分布栅格图层，分别建立与之对应、相同大小、相同空间分辨率的副本栅格图层，并进入步骤005；

步骤005.分别针对各个训练目标土壤区域土壤含水量空间分布栅格图层，遍历栅格图层中各个栅格所对应的元胞单元，分别针对各个元胞单元，在元胞单元的8个相邻元胞单元中，统计对应土壤含水量大于该元胞单元所对应土壤含水量的相邻元胞单元的数量，并将该数量填入所属训练目标土壤区域土壤含水量空间分布栅格图层对应副本栅格图层中、与该元胞单元位置相对应的栅格位置；基于上述操作，更新获得分别与各个训练目标土壤区域土壤含水量空间分布栅格图层相对应的各个副本栅格图层，即获得目标土壤区域所对应的各个土壤含水量元胞间邻域作用变量，并进入步骤006；

步骤006.采用受限玻尔兹曼机构建深度信念网络，并且根据不同单位检测期各训练样本点土壤含水量数据集、各个土壤含水量元胞间邻域作用变量，以及目标土壤区域分别对应训练检测期中各个单位检测期的各类环境变量数据，通过深度信念网络获得目标土壤区域所对应的元胞状态转换规则，并进入步骤007；

步骤007.获得各个验证样本点分别对应验证检测期中各个单位检测期的土壤含水量数据，构成分别与验证检测期中各个单位检测期相对应的各验证样本点土壤含水量数据集，同时，获得目标土壤区域分别对应验证检测期中各个单位检测期的各类环境变量数据，并针对环境变量数据进行归一化处理，进入步骤008；

步骤008.根据目标土壤区域分别对应验证检测期中各个单位检测期的各类环境变量数据，采用元胞自动机模型，结合目标土壤区域所对应的元胞状态转换规则，分别获得对应验证检测期中各个单位检测期的土壤含水量验证数据，并进入步骤009；

步骤009.将各验证样本点土壤含水量数据集分别按时间对应关系与目标土壤区域土壤含水量验证数据进行比较检验，判断目标土壤区域所对应的元胞状态转换规则是否准确，是则进入步骤010，否则进入步骤011；

步骤010.获得目标土壤区域对应预测时间的各类环境变量数据，并采用元胞自动机模型，结合目标土壤区域所对应的元胞状态转换规则，获得目标土壤区域土壤预测时间含水量预测数据；

步骤011.获得目标土壤区域对应预测时间的各类环境变量数据，并采用元胞自动机模型，结合目标土壤区域所对应的元胞状态转换规则，获得目标土壤区域土壤预测时间含水量预测数据，并针对该目标土壤区域土壤预测时间含水量预测数据的不确定性进行评估。

作为本发明的一种优选技术方案：所述步骤001中，针对所述目标土壤区域，按预设样本点选择要求，采用保留方法选择设定预设数量的训练样本点和预设数量的验证样本点。

作为本发明的一种优选技术方案：所述步骤002中，采用无线土壤水分传感器测定获得各个训练样本点分别对应训练检测期中各个单位检测期的土壤含水量数据；以及所述步骤007中，采用无线土壤水分传感器测定获得各个验证样本点分别对应验证检测期中各个单位检测期的土壤含水量数据。

作为本发明的一种优选技术方案：所述步骤003中，分别针对各训练样本点土壤含水量数据集，采用地统计普通克里格方法进行插值数据处理，获得空间上与目标土壤区域相对应、且时间上分别与训练检测期中各个单位检测期相对应的各个训练目标土壤区域土壤含水量空间分布栅格图层。

作为本发明的一种优选技术方案：所述步骤005中，分别针对所述各个训练目标土壤区域土壤含水量空间分布栅格图层，采用预设大小的Moore邻域窗口遍历栅格图层中各个栅格所对应的元胞单元。

作为本发明的一种优选技术方案：所述预设大小的Moore邻域窗口为3×3的Moore邻域窗口。

作为本发明的一种优选技术方案：所述步骤006具体包括如下步骤：

步骤00601.预设受限玻尔兹曼机的层数与个数，并进入步骤00602；

步骤00602.向第一个受限玻尔兹曼机输入所述各个土壤含水量元胞间邻域作用变量，针对第一个受限玻尔兹曼机进行训练，确定第一个受限玻尔兹曼机的参数，并获得第一个受限玻尔兹曼机隐性神经元的状态，进入步骤00603；

步骤00603.将上一步骤中所获隐性神经元的状态输入至下一个受限玻尔兹曼机，针对该受限玻尔兹曼机进行训练，并将该受限玻尔兹曼机堆叠在上一步骤中受限玻尔兹曼机的上方，进入步骤00604；

步骤00604.判断已训练的受限玻尔兹曼机的个数是否达到预设个数，是则构成深度信念网络，并进入步骤00606；否则获得上一步骤中所训练的受限玻尔兹曼机隐性神经元的状态，并进入步骤00605；

步骤00605.将上一步骤中所获隐性神经元的状态输入至下一个受限玻尔兹曼机，针对该受限玻尔兹曼机进行训练，并将该受限玻尔兹曼机堆叠在已堆叠受限玻尔兹曼机的最上方，返回步骤00604；

步骤00606.由深度信念网络中最上一层受限玻尔兹曼机输出获得目标土壤区域所对应的元胞状态转换规则。

作为本发明的一种优选技术方案：所述步骤00606中还包括在所述深度信念网络中最上一层受限玻尔兹曼机后设置后向传播网络，其中，深度信念网络中最上一层受限玻尔兹曼机输出获得目标土壤区域所对应的元胞状态转换规则；同时，后向传播网络接收并根据该元胞状态转换规则实现针对深度信念网络的监督，将深度信念网络的错误信息自顶向下传播至每一层受限玻尔兹曼机，微调整个深度信念网络。

作为本发明的一种优选技术方案：所述步骤011中，针对所述目标土壤区域土壤预测时间含水量预测数据的不确定性进行评估，包括如下步骤：

步骤01101.针对训练样本点和验证样本点，根据所述目标土壤区域土壤预测时间含水量预测数据，分别获得所有各个样本点对应预测时间的土壤含水量数据，并将该所有样本点对应预测时间的土壤含水量数据作为序贯高斯模拟的输入数据，进行预设次数的简单克里格插值，输出各个模拟数据栅格图层，并进入步骤01102；

步骤01102.针对各层模拟数据栅格图层，遍历栅格图层中各个栅格单元，统计所有模拟数据栅格图层中相同位置栅格单元所对应数值大于S的概率，并进入步骤01103，其中，S代表土壤含水量的预设特征值；

步骤01103.构建与模拟数据栅格图层相同大小、相同空间分辨率的副本模拟数据栅格图层，并将上述所获所有模拟数据栅格图层中相同位置栅格单元所对应数值大于S的概率，分别填入副本模拟数据栅格图层中对应位置的栅格单元中，更新获得该副本模拟数据栅格图层，并根据该副本模拟数据栅格图层中各个栅格单元中所对应的值，针对所述目标土壤区域土壤预测时间含水量预测数据的不确定性进行评估。

本发明所述一种基于深度学习元胞自动机模型的土壤含水量预测方法采用以上技术方案与现有技术相比，具有以下技术效果：

(1)本发明设计的基于深度学习元胞自动机模型的土壤含水量预测方法，结合了机器学习和地理现象模拟的方法，就土壤含水量的不同时空预测方面进行了改进，能够借助深度学习的方法获取土壤含水量预测函数局部最优解；并且本发明结合模型检验机制对模型的泛化能力进行了定量检验，提出了元胞自动机的自我改善机制，更加确保了模型的健壮性，这种混合技术的突破有望为复杂区域的土壤水分实时监测提供技术支撑，不仅能够降低土壤水分的预测成本，也显著提升了土壤含水量的预测精度，具有广阔的工业化应用前景；

(2)本发明设计的基于深度学习元胞自动机模型的土壤含水量预测方法，在实际应用中，不受气象因素影响，其结果在非均匀下垫面和任何天气条件下均可应用；该方法不仅使用变量本身的历史数据，还有效利用了环境变量信息，进而能够充分保证土壤水分长期、短期的预测精度；可以快速重新构建元胞状态转换规则，从而保证最大化利用环境变量的空间变异性来动态反映土壤水分的变化情况；

(3)本发明设计的基于深度学习元胞自动机模型的土壤含水量预测方法，提出采用深度学习获取元胞自动机状态的转换规，则有望为其他的***动态学建模、受限扩散模型模拟提供技术指导，例如：城市化进程模拟、土地利用类型变化模拟、林火扩散模拟、社会空间动态模拟。

附图说明

图1是本发明基于深度学习元胞自动机模型的土壤含水量预测方法的总体架构示意图；

图2a、图2b为元胞自动机模型中VonNeumann邻域示意图；

图3a、图3b为元胞自动机模型中Moore邻域示意图；

图4是基于环境变量预测土壤含水量的三层神经网络示意图；

图5是受限玻尔兹曼机的结构示意图；

图6是深度信念网络训练示意图；

图7a、图7b、图7c和图7d分别为实施案例中DBN_MCA1-Aug、DBN_MCA15-Aug、DBN_MCA1-Sep、DBN_MCA15-Sep时所预测土壤含水量的空间分布图；

图8a、图8b、图8c和图8d分别为实施案例中8月1日、8月15日、9月1日、9月15日所预测土壤含水量空间分布图的不确定性评估图。

具体实施方式

下面结合说明书附图针对本发明的具体实施方式作进一步详细的说明。

如图1所示，本发明设计的一种基于深度学习元胞自动机模型的土壤含水量预测方法，实际应用中，由于各类环境变量数据、训练目标土壤区域土壤含水量空间分布栅格图层、土壤含水量元胞间邻域作用变量均与目标土壤区域相对应，因此，整个技术方案中，上述各个数据均采用大小相同、分辨率相同的栅格图层数据形式。而目标土壤区域土壤含水量验证数据、目标土壤区域土壤含水量预测数据是样本点数据，每一个点对应栅格图层中的一个特定位置，所述预测方法包括如下步骤：

步骤001.针对目标土壤区域，按预设样本点选择要求，采用保留方法(holdout方法)选择设定预设数量的训练样本点和预设数量的验证样本点，并且针对训练样本点设定对应的训练检测期，以及针对验证样本点设定对应的验证检测期，同时，针对目标土壤区域，设定各类环境变量，并进入步骤002。

其中，针对样点的选择，需要在空间分布上具有一定的代表性，即能够体现或代表目标土壤区域，并且这里针对目标土壤区域，设定各类环境变量需要统一，也即是所有时刻的土壤含水量数据都对应相同类型的环境变量数值。有别于传统集总式水文模型，元胞自动机(MCA)模型的输入使用分布式水文模型中流域下垫面的空间因素：地形、土壤、植被覆盖，和气象因素：降水、气温、辐射等。预测模型需要标定众多空间位置的多个参数，这些参数均具有明确物理意义。

元胞是元胞自动机(MCA)的基本元素，一般是位于纵横分割线划分出的栅格单元内，如图2a、图2b、图3a、图3b所示，因此土壤水分的预测空间、环境变量需要与元胞自动机(MCA)的元胞数量与位置一一对应。

对于每一个模拟单元(元胞)，有n个属性(变量)。这些变量决定了每个单元在时间t时的转换规则。它们可以表达为：

X(m,t)＝[x₁(m,t),x₂(m,t),…,x_n(m,t)]^T

上式中，x_i(m,t)是单元m在模拟时间t时的第i个环境变量，T是转置。

根据环境变量随时间的变化特征，将环境变量划分为静态环境变量与动态环境变量两大类。其中，静态环境变量在长期内不随时间的变化而变化；动态环境变量随着时间发生动态变化，这种变化可能是一个小时，也可能是一个月；因此，在准备环境变量的同时，需要界定动态环境变量的有效使用期。例如，降雨的时间尺度可以是以天为单位，叶面积指数可以是以星期为单位，典型的环境变量如表1影响土壤水分典型的环境变量所示。

表1

步骤002.采用无线土壤水分传感器测定，获得各个训练样本点分别对应训练检测期中各个单位检测期的土壤含水量数据，构成分别与训练检测期中各个单位检测期相对应的各训练样本点土壤含水量数据集，同时，获得目标土壤区域分别对应训练检测期中各个单位检测期的各类环境变量数据，并针对环境变量数据，根据如下公式进行归一化处理，使它们的值缩放到[0，1]区间内，然后进入步骤003；

$X(m,t)=\frac{x_i(m,t)-x_{\min }}{x_{max}-x_{\min }}$

式中，x_max是最大值，x_min是最小值。

邻域是每个元胞下一个时间步的状态，元胞自动机(MCA)假设元胞的下一个状态是由当前时刻它自身以及其邻域内所有元胞的状态共同决定的。图2a、图2b、图3a、图3b分别给出了VonNeumann和Moore两种类型的定义。时间步和规则：在每一个时间步内，所有元胞的状态是同时发生变化的。变化的规则是：

X(m,t)＝f(X(m,t-1),X(m+1,t-1),…,X(m+n,t-1))

上式中，t是当前时刻，X(m,t)为当前时刻元胞m的土壤含水量，映射f与m和t都无关。土壤水分的再分布存在横向与纵向两种移动方式，土壤气态水运动的推动力水汽压梯度较难测量。土壤水分的横向移动有分为地表径流的横向移动与土壤内部水分的横向移动。这种土壤水分的横向移动直接体现在土壤水分的元胞邻域规则方面。由于该规则受到多种环境变量的直接影响，无法直接获取该邻域规则。为了体现邻域规则对土壤含水量的影响，本发明提出土壤水分的邻域状态变量，使用该变量可以模拟元胞状态的装换规则。

步骤003.分别针对不同单位检测期各训练样本点土壤含水量数据集，采用地统计普通克里格方法进行插值数据处理，获得空间上与目标土壤区域相对应、且时间上分别与训练检测期中各个单位检测期相对应的各个训练目标土壤区域土壤含水量空间分布栅格图层R1，并进入步骤004。

步骤004.针对各个训练目标土壤区域土壤含水量空间分布栅格图层，分别建立与之对应、相同大小、相同空间分辨率的副本栅格图层R2，并进入步骤005。

步骤005.分别针对各个训练目标土壤区域土壤含水量空间分布栅格图层R1，采用预设大小3×3的Moore邻域窗口遍历栅格图层中各个栅格所对应的元胞单元，分别针对各个元胞单元，在元胞单元的8个相邻元胞单元中，统计对应土壤含水量大于该元胞单元所对应土壤含水量的相邻元胞单元的数量，取值范围是{0，1，2，3，…，8}，并将该数量填入所属训练目标土壤区域土壤含水量空间分布栅格图层对应副本栅格图层R2中、与该元胞单元位置相对应的栅格位置；基于上述操作，更新获得分别与各个训练目标土壤区域土壤含水量空间分布栅格图层相对应的各个副本栅格图层R2，即获得目标土壤区域所对应的各个土壤含水量元胞间邻域作用变量，并进入步骤006。

三层神经网络示意图如图4所示，受限玻尔兹曼机(RBM)是深度信念网络(DBN)的组成元件。从原理上出发，每个受限玻尔兹曼机(RBM)都可以单独用作聚类器。受限玻尔兹曼机只有两层神经元，一层叫做显层v∈{0,1}^V，由显元组成，用于输入训练数据。另一层叫做隐层h∈{0,1}^H，由隐元组成，用作特征检测器。显层与隐层通过对称矩阵互联W∈R^V×H，但在单独的显层、隐层内部没有连接，如图5所示，某个组态的联合概率分布可以通过玻尔兹曼分布来确定：

$p(v,h)=\frac{1}{Z}\exp \[-E(v,h)\]$

$Z=\underset{v}{\Σ}\underset{h}{\Σ}\exp (-E(v,h\left)\right)$

式中，Z归一化常数，E(v，h)是状态(v，h)的能量。对于观察到的固定状态(v，h)连接的能量可以用以下方式计算：

$E(v,h)=-\underset{i=1}{\overset{V}{\Σ}}\underset{j=1}{\overset{H}{\Σ}}{W}_{ij}{v}_i{h}_j-\underset{j=1}{\overset{H}{\Σ}}{b}_j{h}_j-\underset{i=1}{\overset{V}{\Σ}}{c}_i{v}_i$

式中b_i、c_j分别是隐层、显层的偏差，当给定可见单元状态时，各隐藏单元的激活状态之间是条件独立的，由此可得第j个隐藏单元的激活概率为

$p(h_j=1|v)=\mathrm{\σ}(\underset{i}{\Σ}{W}_{ij}{v}_i+b_j)$

式中σ＝1/(1+exp(-x))是s型函数。根据RBM的对称结构，同理可得第i个可见单元的激活概率为：

$p(v_i=1|h)=\mathrm{\σ}(\underset{j}{\Σ}{W}_{ij}{h}_j+c_i)$

训练深度信念网络(DBN)的过程是逐层进行的，包括最后一层的分类器也是单独训练的，最后一层分类器可以换成任何一种分类器。在每一层中，用数据向量来推断隐层，然后再把这一隐层当作下一层的数据向量。

本发明中使用对比分歧(CD)算法确定深度信念网络(DBN)模型参数，该算法只需要迭代1次，即可获得对模型参数的估计值；该算法在开始时使用训练数据对显层进行初始化，然后用条件分布计算隐层。再根据隐层，同样使用条件分布来计算显层。这种计算产生的结果是对输入数据的一种重构根据CD算法：

${\mathrm{\&Delta;W}}_{ij}=\mathrm{\&epsiv;}(<v_i{h}_j>p^0-<v_i{h}_j>p_{\mathrm{\&theta;}}^1)$

ε是学习率，<v_ih_j>p⁰是样本数据的期望，是重构后可视层数据的期望。

步骤006.采用受限玻尔兹曼机构建深度信念网络(DBN)，并且根据不同单位检测期各训练样本点土壤含水量数据集、各个土壤含水量元胞间邻域作用变量，以及目标土壤区域分别对应训练检测期中各个单位检测期的各类环境变量数据，通过深度信念网络(DBN)获得目标土壤区域所对应的元胞状态转换规则，并进入步骤007。

其中，步骤006具体包括如下步骤：

步骤00601.预设受限玻尔兹曼机的层数与个数，并进入步骤00602。

步骤00602.向第一个受限玻尔兹曼机输入所述各个土壤含水量元胞间邻域作用变量，针对第一个受限玻尔兹曼机进行训练，确定第一个受限玻尔兹曼机的参数，并获得第一个受限玻尔兹曼机隐性神经元的状态，如图6所示，进入步骤00603。

步骤00603.将上一步骤中所获隐性神经元的状态输入至下一个受限玻尔兹曼机，针对该受限玻尔兹曼机进行训练，并将该受限玻尔兹曼机堆叠在上一步骤中受限玻尔兹曼机的上方，进入步骤00604。

步骤00604.判断已训练的受限玻尔兹曼机的个数是否达到预设个数，是则构成深度信念网络(DBN)，并进入步骤00606；否则获得上一步骤中所训练的受限玻尔兹曼机隐性神经元的状态，并进入步骤00605。

步骤00605.将上一步骤中所获隐性神经元的状态输入至下一个受限玻尔兹曼机，针对该受限玻尔兹曼机进行训练，并将该受限玻尔兹曼机堆叠在已堆叠受限玻尔兹曼机的最上方，返回步骤00604。

步骤00606.步骤00606中还包括在所述深度信念网络(DBN)中最上一层受限玻尔兹曼机后设置后向传播网络，其中，深度信念网络(DBN)中最上一层受限玻尔兹曼机输出获得目标土壤区域所对应的元胞状态转换规则；同时，后向传播网络接收并根据该元胞状态转换规则实现针对深度信念网络(DBN)的监督，将深度信念网络(DBN)的错误信息自顶向下传播至每一层受限玻尔兹曼机，微调整个深度信念网络(DBN)。

步骤007.采用无线土壤水分传感器测定，获得各个验证样本点分别对应验证检测期中各个单位检测期的土壤含水量数据，构成分别与验证检测期中各个单位检测期相对应的各验证样本点土壤含水量数据集，同时，获得目标土壤区域分别对应验证检测期中各个单位检测期的各类环境变量数据，并针对环境变量数据进行归一化处理，同样使它们的值缩放到[0，1]区间内，进入步骤008。

步骤008.根据目标土壤区域分别对应验证检测期中各个单位检测期的各类环境变量数据，采用元胞自动机(MCA)模型，结合目标土壤区域所对应的元胞状态转换规则，分别获得对应验证检测期中各个单位检测期的土壤含水量验证数据，并进入步骤009。

步骤009.将各验证样本点土壤含水量数据集分别按时间对应关系与目标土壤区域土壤含水量验证数据进行比较检验，判断目标土壤区域所对应的元胞状态转换规则是否准确，是则进入步骤010，否则进入步骤011。

其中，检验的具体指标有三个，分别是平均误差(ME)、均方根误差(RMSE)与标注差与性能比值(RPD)，具体定义如下：

$ME=\frac{1}{n}\underset{i=1}{\overset{n}{\&Sigma;}}(s_i^{*}-s_i)$

$RMSE=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\&Sigma;}}{(s_i^{*}-s_i)}^2}$

$RPD=\frac{STD}{RMSE}$

式中，STD是土壤含水量测试样本集合的标准差。ME越接近0，表示当前模型的平均误差越低。RMSE越小表示模型预测偏差越低。RPD大于1.4表示当前模型适宜土壤水分预测，否则表示预测模型中的不确定性较大。

步骤010.获得目标土壤区域对应预测时间的各类环境变量数据，并采用元胞自动机(MCA)模型，结合目标土壤区域所对应的元胞状态转换规则，获得目标土壤区域土壤预测时间含水量预测数据。

步骤011.获得目标土壤区域对应预测时间的各类环境变量数据，并采用元胞自动机(MCA)模型，结合目标土壤区域所对应的元胞状态转换规则，获得目标土壤区域土壤预测时间含水量预测数据，并针对该目标土壤区域土壤预测时间含水量预测数据的不确定性进行评估，其中，不确定性评估包括如下步骤：

步骤01101.针对训练样本点和验证样本点，根据所述目标土壤区域土壤预测时间含水量预测数据，分别获得所有各个样本点对应预测时间的土壤含水量数据，并将该所有样本点对应预测时间的土壤含水量数据作为序贯高斯模拟的输入数据，进行预设次数的简单克里格插值，输出各个模拟数据栅格图层，并进入步骤01102。

步骤01102.针对各层模拟数据栅格图层，遍历栅格图层中各个栅格单元，统计所有模拟数据栅格图层中相同位置栅格单元所对应数值大于S的概率，并进入步骤01103，其中，S代表土壤含水量的预设特征值，如平均值、75％分位数的值。

步骤01103.构建与模拟数据栅格图层相同大小、相同空间分辨率的副本模拟数据栅格图层，并将上述所获所有模拟数据栅格图层中相同位置栅格单元所对应数值大于S的概率，分别填入副本模拟数据栅格图层中对应位置的栅格单元中，更新获得该副本模拟数据栅格图层，并根据该副本模拟数据栅格图层中各个栅格单元中所对应的值，针对所述目标土壤区域土壤预测时间含水量预测数据的不确定性进行评估。

上述本发明设计的基于深度学习元胞自动机(MCA)模型的土壤含水量预测方法，在实际应用过程中，需要定期针对其中的元胞状态转换规则进行更新，比如可以设置为每隔两个月进行更新一次，能够保证实际应用中土壤含水量预测的准确性。整个设计方法，结合了机器学习和地理现象模拟的方法，就土壤含水量的不同时空预测方面进行了改进，能够借助深度学习的方法获取土壤含水量预测函数局部最优解；并且本发明结合模型检验机制对模型的泛化能力进行了定量检验，提出了元胞自动机(MCA)的自我改善机制，更加确保了模型的健壮性，这种混合技术的突破有望为复杂区域的土壤水分实时监测提供技术支撑，不仅能够降低土壤水分的预测成本，也显著提升了土壤含水量的预测精度，具有广阔的工业化应用前景；而且在实际应用中，不受气象因素影响，其结果在非均匀下垫面和任何天气条件下均可应用；该方法不仅使用变量本身的历史数据，还有效利用了环境变量信息，进而能够充分保证土壤水分长期、短期的预测精度；可以快速重新构建元胞状态转换规则，从而保证最大化利用环境变量的空间变异性来动态反映土壤水分的变化情况；不仅如此，提出采用深度学习获取元胞自动机(MCA)状态的转换规，则有望为其他的***动态学建模、受限扩散模型模拟提供技术指导，例如：城市化进程模拟、土地利用类型变化模拟、林火扩散模拟、社会空间动态模拟。

本发明设计的基于深度学习元胞自动机模型的土壤含水量预测方法，在实际应用过程当中，以甘肃省张掖农田土壤表层含水量预测为例，具体如下：

步骤001.针对目标土壤区域，按预设样本点选择要求，采用保留方法(holdout方法)选择128个训练样本点和32个验证样本点，并且针对训练样本点设定对应的训练检测期为2012年6月1日至7月31日，以及针对验证样本点设定对应的验证检测期为2012年8月1日至9月30日，同时，针对目标土壤区域，设定各类环境变量，这里考虑到数据的可用性与数据质量，这里选取的环境变量是：高程、坡向、日降雨、日气温、日地表温度、距离河流距离、土壤有机质含量、土壤黏粒含量、土壤粉粒含量、土壤容重、土壤孔隙度、叶面积指数、邻域状态、太阳总辐射、日蒸腾量。其中，邻域状态变量在第二步中构建。以上变量均为栅格图层，每一个栅格对应一个元胞，空间分辨率为5米，然后进入步骤002。

步骤002.采用无线土壤水分传感器测定，获得128个训练样本点分别对应训练检测期2012年6月1日至7月31日中各个单位检测期(天)的土壤含水量数据，构成分别与训练检测期中各个单位检测期相对应的各训练样本点土壤含水量数据集，同时，获得目标土壤区域分别对应训练检测期中各个单位检测期的各类环境变量数据，并针对环境变量数据进行归一化处理，使它们的值缩放到[0，1]区间内，并进入步骤003。

步骤003.分别针对不同单位检测期各训练样本点土壤含水量数据集，采用地统计普通克里格方法进行插值数据处理，获得空间上与目标土壤区域相对应、且时间上分别与训练检测期中各个单位检测期相对应的各个训练目标土壤区域土壤含水量空间分布栅格图层，这里共计61个栅格图层，并进入步骤004。

步骤004.针对各个训练目标土壤区域土壤含水量空间分布栅格图层，分别建立与之对应、相同大小、相同空间分辨率的副本栅格图层，并进入步骤005。

步骤005.分别针对各个训练目标土壤区域土壤含水量空间分布栅格图层，采用预设大小3×3的Moore邻域窗口遍历栅格图层中各个栅格所对应的元胞单元，分别针对各个元胞单元，在元胞单元的8个相邻元胞单元中，统计对应土壤含水量大于该元胞单元所对应土壤含水量的相邻元胞单元的数量，取值范围是{0，1，2，3，…，8}，并将该数量填入所属训练目标土壤区域土壤含水量空间分布栅格图层对应副本栅格图层中、与该元胞单元位置相对应的栅格位置；基于上述操作，更新获得分别与各个训练目标土壤区域土壤含水量空间分布栅格图层相对应的各个副本栅格图层，即获得目标土壤区域所对应的各个土壤含水量元胞间邻域作用变量，并进入步骤006。

步骤006.采用受限玻尔兹曼机构建深度信念网络(DBN)，并且根据不同单位检测期各训练样本点土壤含水量数据集、各个土壤含水量元胞间邻域作用变量，以及目标土壤区域分别对应训练检测期中各个单位检测期的各类环境变量数据，通过深度信念网络(DBN)获得目标土壤区域所对应的元胞状态转换规则，并进入步骤007。

其中，所述步骤006具体包括如下步骤：

步骤00601.预设受限玻尔兹曼机的层数与个数，这里设置层数为5层，即使用5个隐层，并进入步骤00602。

步骤00602.向第一个受限玻尔兹曼机输入所述各个土壤含水量元胞间邻域作用变量，针对第一个受限玻尔兹曼机进行训练，确定第一个受限玻尔兹曼机的参数，并获得第一个受限玻尔兹曼机隐性神经元的状态，如图6所示，进入步骤00603。

步骤00603.将上一步骤中所获隐性神经元的状态输入至下一个受限玻尔兹曼机，针对该受限玻尔兹曼机进行训练，并将该受限玻尔兹曼机堆叠在上一步骤中受限玻尔兹曼机的上方，进入步骤00604。

步骤00604.判断已训练的受限玻尔兹曼机的个数是否达到预设个数，是则构成深度信念网络(DBN)，并进入步骤00606；否则获得上一步骤中所训练的受限玻尔兹曼机隐性神经元的状态，并进入步骤00605。

步骤00605.将上一步骤中所获隐性神经元的状态输入至下一个受限玻尔兹曼机，针对该受限玻尔兹曼机进行训练，并将该受限玻尔兹曼机堆叠在已堆叠受限玻尔兹曼机的最上方，返回步骤00604。

步骤00606.深度信念网络(DBN)中最上一层受限玻尔兹曼机后设置后向传播网络，其中，深度信念网络(DBN)中最上一层受限玻尔兹曼机输出获得目标土壤区域所对应的元胞状态转换规则；同时，后向传播网络接收并根据该元胞状态转换规则实现针对深度信念网络(DBN)的监督，将深度信念网络(DBN)的错误信息自顶向下传播至每一层受限玻尔兹曼机，微调整个深度信念网络(DBN)。

步骤007.采用无线土壤水分传感器测定，获得各个验证样本点分别对应验证检测期中各个单位检测期的土壤含水量数据，构成分别与验证检测期中各个单位检测期相对应的各验证样本点土壤含水量数据集，同时，获得目标土壤区域分别对应验证检测期中各个单位检测期的各类环境变量数据，并针对环境变量数据进行归一化处理，使它们的值缩放到[0，1]区间内，进入步骤008。

步骤008.根据目标土壤区域分别对应验证检测期中各个单位检测期的各类环境变量数据，采用元胞自动机(MCA)模型，结合目标土壤区域所对应的元胞状态转换规则，分别获得对应验证检测期中各个单位检测期的土壤含水量验证数据，并进入步骤009。

步骤009.将各验证样本点土壤含水量数据集分别按时间对应关系与目标土壤区域土壤含水量验证数据进行比较检验，判断目标土壤区域所对应的元胞状态转换规则是否准确，是则进入步骤010，否则进入步骤011。其中，检验指标分别是平均误差(ME)、均方根误差(RMSE)与标注差与性能比值(RPD)。

步骤010.获得目标土壤区域对应预测时间的各类环境变量数据，这里以8月1日、8月15日、9月1日与9月15日为例，如图7a、图7b、图7c、图7d所示，精度验证结果如表2所示。

时间	ME(％)	RMSE(％)	RPD
				8月1日	0.74	5.40	1.10
8月15日	0.22	5.32	1.11
				9月1日	0.32	6.35	0.94
9月15日	-0.02	5.18	1.15
				平均误差	0.14	5.54	1.07

表2

并采用元胞自动机(MCA)模型，结合目标土壤区域所对应的元胞状态转换规则，获得目标土壤区域土壤预测时间含水量预测数据。

步骤011.获得目标土壤区域对应预测时间的各类环境变量数据，并采用元胞自动机(MCA)模型，结合目标土壤区域所对应的元胞状态转换规则，获得目标土壤区域土壤预测时间含水量预测数据，并针对该目标土壤区域土壤预测时间含水量预测数据的不确定性进行评估，其中，不确定性评估，包括如下步骤：

步骤01101.针对训练样本点和验证样本点，根据所述目标土壤区域土壤预测时间含水量预测数据，分别获得所有各个样本点对应预测时间的土壤含水量数据，并将该所有样本点对应预测时间的土壤含水量数据作为序贯高斯模拟的输入数据，进行100次的简单克里格插值，输出各个模拟数据栅格图层，并进入步骤01102。

步骤01102.针对各层模拟数据栅格图层，遍历栅格图层中各个栅格单元，统计所有模拟数据栅格图层中相同位置栅格单元所对应数值大于S的概率，并进入步骤01103，其中，S代表土壤含水量的预设特征值。

步骤01103.构建与模拟数据栅格图层相同大小、相同空间分辨率的副本模拟数据栅格图层，并将上述所获所有模拟数据栅格图层中相同位置栅格单元所对应数值大于S的概率，分别填入副本模拟数据栅格图层中对应位置的栅格单元中，更新获得该副本模拟数据栅格图层，并根据该副本模拟数据栅格图层中各个栅格单元中所对应的值，针对所述目标土壤区域土壤预测时间含水量预测数据的不确定性进行评估。

上述针对每天预测结果的不确定性进行评估，如果模型检验结果中的RPD小于1.4，需要对每一天预测的土壤含水量不确定性进行评估。这里以8月1日、8月15日、9月1日与9月15日为例，如图8a、图8b、图8c、图8d所示，从该图可以直观地看出哪些区域的预测精度较高。综上所述，经过深度学习方法，通过对非线性网络结构的学习，能够逼近复杂地理现象的过程模拟，结合元胞自动机(MCA)理论，可以有效地模拟土壤含水量每日的动态分布，田间土壤水分的实时监测与预测对作物生长发育至关重要。

上面结合说明书附图针对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (9)

1.一种基于深度学习元胞自动机模型的土壤含水量预测方法，其特征在于，包括如下步骤：

步骤001.针对目标土壤区域，按预设样本点选择要求，选择预设数量的训练样本点和预设数量的验证样本点，并且针对训练样本点设定对应的训练检测期，以及针对验证样本点设定对应的验证检测期，同时，针对目标土壤区域，设定各类环境变量，并进入步骤002；

步骤002.获得各个训练样本点分别对应训练检测期中各个单位检测期的土壤含水量数据，构成分别与训练检测期中各个单位检测期相对应的各训练样本点土壤含水量数据集，同时，获得目标土壤区域分别对应训练检测期中各个单位检测期的各类环境变量数据，并针对环境变量数据进行归一化处理，并进入步骤003；

步骤003.分别针对不同单位检测期各训练样本点土壤含水量数据集进行插值数据处理，获得空间上与目标土壤区域相对应、且时间上分别与训练检测期中各个单位检测期相对应的各个训练目标土壤区域土壤含水量空间分布栅格图层，并进入步骤004；

步骤004.针对各个训练目标土壤区域土壤含水量空间分布栅格图层，分别建立与之对应、相同大小、相同空间分辨率的副本栅格图层，并进入步骤005；

步骤005.分别针对各个训练目标土壤区域土壤含水量空间分布栅格图层，遍历栅格图层中各个栅格所对应的元胞单元，分别针对各个元胞单元，在元胞单元的8个相邻元胞单元中，统计对应土壤含水量大于该元胞单元所对应土壤含水量的相邻元胞单元的数量，并将该数量填入所属训练目标土壤区域土壤含水量空间分布栅格图层对应副本栅格图层中、与该元胞单元位置相对应的栅格位置；基于上述操作，更新获得分别与各个训练目标土壤区域土壤含水量空间分布栅格图层相对应的各个副本栅格图层，即获得目标土壤区域所对应的各个土壤含水量元胞间邻域作用变量，并进入步骤006；

步骤006.采用受限玻尔兹曼机构建深度信念网络，并且根据不同单位检测期各训练样本点土壤含水量数据集、各个土壤含水量元胞间邻域作用变量，以及目标土壤区域分别对应训练检测期中各个单位检测期的各类环境变量数据，通过深度信念网络获得目标土壤区域所对应的元胞状态转换规则，并进入步骤007；

步骤007.获得各个验证样本点分别对应验证检测期中各个单位检测期的土壤含水量数据，构成分别与验证检测期中各个单位检测期相对应的各验证样本点土壤含水量数据集，同时，获得目标土壤区域分别对应验证检测期中各个单位检测期的各类环境变量数据，并针对环境变量数据进行归一化处理，进入步骤008；

步骤008.根据目标土壤区域分别对应验证检测期中各个单位检测期的各类环境变量数据，采用元胞自动机模型，结合目标土壤区域所对应的元胞状态转换规则，分别获得对应验证检测期中各个单位检测期的土壤含水量验证数据，并进入步骤009；

步骤009.将各验证样本点土壤含水量数据集分别按时间对应关系与目标土壤区域土壤含水量验证数据进行比较检验，判断目标土壤区域所对应的元胞状态转换规则是否准确，是则进入步骤010，否则进入步骤011；

步骤010.获得目标土壤区域对应预测时间的各类环境变量数据，并采用元胞自动机模型，结合目标土壤区域所对应的元胞状态转换规则，获得目标土壤区域土壤预测时间含水量预测数据；

步骤011.获得目标土壤区域对应预测时间的各类环境变量数据，并采用元胞自动机模型，结合目标土壤区域所对应的元胞状态转换规则，获得目标土壤区域土壤预测时间含水量预测数据，并针对该目标土壤区域土壤预测时间含水量预测数据的不确定性进行评估。

2.根据权利要求1所述一种基于深度学习元胞自动机模型的土壤含水量预测方法，其特征在于：所述步骤001中，针对所述目标土壤区域，按预设样本点选择要求，采用保留方法选择设定预设数量的训练样本点和预设数量的验证样本点。

3.根据权利要求1所述一种基于深度学习元胞自动机模型的土壤含水量预测方法，其特征在于：所述步骤002中，采用无线土壤水分传感器测定获得各个训练样本点分别对应训练检测期中各个单位检测期的土壤含水量数据；以及所述步骤007中，采用无线土壤水分传感器测定获得各个验证样本点分别对应验证检测期中各个单位检测期的土壤含水量数据。

4.根据权利要求1所述一种基于深度学习元胞自动机模型的土壤含水量预测方法，其特征在于：所述步骤003中，分别针对各训练样本点土壤含水量数据集，采用地统计普通克里格方法进行插值数据处理，获得空间上与目标土壤区域相对应、且时间上分别与训练检测期中各个单位检测期相对应的各个训练目标土壤区域土壤含水量空间分布栅格图层。

5.根据权利要求1所述一种基于深度学习元胞自动机模型的土壤含水量预测方法，其特征在于：所述步骤005中，分别针对所述各个训练目标土壤区域土壤含水量空间分布栅格图层，采用预设大小的Moore邻域窗口遍历栅格图层中各个栅格所对应的元胞单元。

6.根据权利要求5所述一种基于深度学习元胞自动机模型的土壤含水量预测方法，其特征在于：所述预设大小的Moore邻域窗口为33的Moore邻域窗口。

7.根据权利要求1所述一种基于深度学习元胞自动机模型的土壤含水量预测方法，其特征在于，所述步骤006具体包括如下步骤：

步骤00601.预设受限玻尔兹曼机的层数与个数，并进入步骤00602；

步骤00602.向第一个受限玻尔兹曼机输入所述各个土壤含水量元胞间邻域作用变量，针对第一个受限玻尔兹曼机进行训练，确定第一个受限玻尔兹曼机的参数，并获得第一个受限玻尔兹曼机隐性神经元的状态，进入步骤00603；

步骤00603.将上一步骤中所获隐性神经元的状态输入至下一个受限玻尔兹曼机，针对该受限玻尔兹曼机进行训练，并将该受限玻尔兹曼机堆叠在上一步骤中受限玻尔兹曼机的上方，进入步骤00604；

步骤00604.判断已训练的受限玻尔兹曼机的个数是否达到预设个数，是则构成深度信念网络，并进入步骤00606；否则获得上一步骤中所训练的受限玻尔兹曼机隐性神经元的状态，并进入步骤00605；

步骤00605.将上一步骤中所获隐性神经元的状态输入至下一个受限玻尔兹曼机，针对该受限玻尔兹曼机进行训练，并将该受限玻尔兹曼机堆叠在已堆叠受限玻尔兹曼机的最上方，返回步骤00604；

步骤00606.由深度信念网络中最上一层受限玻尔兹曼机输出获得目标土壤区域所对应的元胞状态转换规则。

8.根据权利要求7所述一种基于深度学习元胞自动机模型的土壤含水量预测方法，其特征在于：所述步骤00606中还包括在所述深度信念网络中最上一层受限玻尔兹曼机后设置后向传播网络，其中，深度信念网络中最上一层受限玻尔兹曼机输出获得目标土壤区域所对应的元胞状态转换规则；同时，后向传播网络接收并根据该元胞状态转换规则实现针对深度信念网络的监督，将深度信念网络的错误信息自顶向下传播至每一层受限玻尔兹曼机，微调整个深度信念网络。

9.根据权利要求1所述一种基于深度学习元胞自动机模型的土壤含水量预测方法，其特征在于，所述步骤011中，针对所述目标土壤区域土壤预测时间含水量预测数据的不确定性进行评估，包括如下步骤：

步骤01101.针对训练样本点和验证样本点，根据所述目标土壤区域土壤预测时间含水量预测数据，分别获得所有各个样本点对应预测时间的土壤含水量数据，并将该所有样本点对应预测时间的土壤含水量数据作为序贯高斯模拟的输入数据，进行预设次数的简单克里格插值，输出各个模拟数据栅格图层，并进入步骤01102；

步骤01102.针对各层模拟数据栅格图层，遍历栅格图层中各个栅格单元，统计所有模拟数据栅格图层中相同位置栅格单元所对应数值大于的概率，并进入步骤01103，其中，代表土壤含水量的预设特征值；

步骤01103.构建与模拟数据栅格图层相同大小、相同空间分辨率的副本模拟数据栅格图层，并将上述所获所有模拟数据栅格图层中相同位置栅格单元所对应数值大于的概率，分别填入副本模拟数据栅格图层中对应位置的栅格单元中，更新获得该副本模拟数据栅格图层，并根据该副本模拟数据栅格图层中各个栅格单元中所对应的值，针对所述目标土壤区域土壤预测时间含水量预测数据的不确定性进行评估。