CN116341363A - 一种多层土壤湿度反演方法 - Google Patents
一种多层土壤湿度反演方法 Download PDFInfo
- Publication number
- CN116341363A CN116341363A CN202310073979.4A CN202310073979A CN116341363A CN 116341363 A CN116341363 A CN 116341363A CN 202310073979 A CN202310073979 A CN 202310073979A CN 116341363 A CN116341363 A CN 116341363A
- Authority
- CN
- China
- Prior art keywords
- data
- soil
- inversion
- neural network
- soil humidity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000002689 soil Substances 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 241000254173 Coleoptera Species 0.000 claims abstract description 30
- 238000010845 search algorithm Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 230000005855 radiation Effects 0.000 claims description 39
- 230000004907 flux Effects 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 13
- 241001481710 Cerambycidae Species 0.000 claims description 12
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 4
- 239000001569 carbon dioxide Substances 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 6
- 238000010801 machine learning Methods 0.000 abstract description 4
- 238000011160 research Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 8
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/246—Earth materials for water content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Food Science & Technology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Remote Sensing (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多层土壤湿度反演方法,属于水文水资源学科土壤湿度反演领域,包括:将研究数据划分为训练集和测试集并归一化处理;利用主成分分析法,选取与土壤湿度相关性较高的数据;建立BP神经网络模型并将其初始化,得到初始权值和阈值;初始化天牛须搜索算法;计算适应度函数;迭代计算;将获得的最优权值和阈值赋值给BP神经网络,构建适应于不同深度土壤湿度反演的BAS_BP神经网络模型;该BAS_BP神经网络模型基于机器学习理论,可用于不同深度土壤湿度的反演,服务于水文预报、洪旱灾害预报预警***,提高预报预警的精度。
Description
技术领域
本发明属于水文水资源学科土壤湿度反演技术领域,具体涉及一种基于天牛须搜索算法融合重构BP神经网络模型的多层土壤湿度反演方法。
背景技术
土壤湿度(Soil Moisture,SM)是衡量陆地土壤干湿状况的重要指标,通常用土壤体积含水量表示。土壤湿度通过影响水循环中的蒸散发、径流、下渗等环节来调节地表与大气之间的水循环和能量平衡(McColl K A,2017)。反演土壤湿度对于干旱监测(Cao,Chen,Liu,&Liu,2022)、洪水预报、植物生长(Annala et al.,2022)、径流模拟(Fidal&Kjeldsen,2020)等多个领域有着重要的意义。因此,准确反演不同深度土壤湿度至关重要。
机器学习目前已经被广泛应用于水文水资源领域。相对于传统的统计回归模型,以BP神经网络模型为代表的机器学习模型在非线性数据建模方面有着显著的优势(Zhao,Sánchez,Lu,&Li,2018)。反演不同深度的土壤湿度是一个很复杂的非线性问题,受到较多因素的限制,其求解的过程类似于一个多维、多峰值的复杂函数求解,使用简单的神经网络模型对不同深度土壤湿度进行反演,不能完全满足现实应用的需要(许秀英,2011)。基于天牛须搜索算法(Beetle Antennae Search Algorithm,BAS)融合重构BP神经网络(BackPropagation Neural Networks)模型能够有效提高不同深度土壤湿度的反演精度。目前,基于天牛须搜索算法融合重构BP神经网络模型建立的BAS_BP神经网络模型(BeetleAntennae Search-Back Propagation Neural Networks)在多层土壤湿度反演领域中的研究及应用稀缺。
参考文献:
Annala,M.J.,Lehosmaa,K.,Ahonen,S.H.K.,Karttunen,K.,Markkola,A.M.,Puumala,I.,&H.2022.Effect of riparian soil moisture on bacterial,fungaland plant communities and microbial decomposition rates in boreal stream-sideforests.Forest Ecology and Management,519:120344.
Cao,M.,Chen,M.,Liu,J.,&Liu,Y.2022.Assessing the performance ofsatellite soil moisture on agricultural drought monitoring in the North ChinaPlain.Agricultural Water Management,263:107450.
Fidal,J.,&Kjeldsen,T.R.2020.Accounting for soil moisture in rainfall-runoff modelling of urban areas.Journal of Hydrology,589:125122.
McColl K A,A.S.H.,Akbar R,et al..2017.The global distribution anddynamics of surface soil moisture.The global distribution and dynamics ofsurface soil moisture,10(2).Zhao,W.,Sánchez,N.,Lu,H.,&Li,A.2018.A spatialdownscaling approach for the SMAP passive surface soil moisture product usingrandom forest regression.Journal of Hydrology,563:1009-1024.
许秀英,甘.,陶冶,黄操军.2011.基于遗传神经网络的土壤含水率预测[A].中国农业工程学会:1360-1365.
发明内容
发明目的:针对单独的BP神经网络不能完全满足现实的不同深度土壤湿度反演应用的需要的问题,本发明提出一种基于天牛须搜索算法融合重构BP神经网络模型的多层土壤湿度反演方法,首次将天牛须搜索算法BAS融合重构后的BP神经网络模型,即BAS_BP神经网络模型应用于不同深度土壤湿度的反演,有效提高了不同深度土壤湿度的反演精度。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:一种多层土壤湿度反演方法,包括如下步骤:
步骤1,获取包括不同深度土层处的土壤湿度在内的观测数据集,划分训练集和测试集;对数据进行归一化处理;
步骤2,利用主成分分析法,从归一化后的观测数据集中筛选出与土壤湿度数据相关性在一定范围内的特征因子;
步骤3,建立并初始化BP神经网络,获得网络初始权值和阈值,使用天牛须搜索算法BAS对网络初始权值和阈值进行优化重构,得到最优权值和阈值;
步骤4,特征因子作为网络的输入数据,不同深度土层处的土壤湿度作为网络的输出数据,利用训练集对网络进行训练,得到融合重构的BAS_BP神经网络模型;
步骤5,将测试集数据输入BAS_BP神经网络模型,模型输出即为反演得到的不同深度的多层土壤湿度。
进一步的,步骤1中数据的获取和处理具体包括:
获取观测数据集包括气象数据、地表辐射数据、EC数据、土壤水热数据;所述气象数据包括风速WS、风向WD、气温Ta、相对湿度RH、水汽压Vapor、气压Pressure、降水Prec;所述地表辐射数据包括传入太阳辐射Rsd、传出太阳辐射Rsu、向下的长波辐射Rld、向上的长波辐射Rlu、净辐射Rn;所述EC数据包括显热通量H、潜热通量LE、二氧化碳通量Fc;所述土壤水热数据包括地表温度Tg、土壤温度Ts、土壤湿度SM、土壤热通量SHF;
利用MATLAB中的fillmissing函数插补数据中的缺失值,同时使用filloutliiers函数监测数据中的异常值并进行插值,得到在时间上连续的数据集后,将其转化为多年日平均数据集;对插补后的数据集按一定比例划分为训练集和测试集。
进一步的,步骤2利用主成分分析法,从除土壤湿度外的所有观测因子中筛选出与土壤湿度数据相关性在一定范围内的观测数据,即特征因子,具体包括:
计算样本特征的协方差矩阵;所述样本特征是指观测数据集中的气象数据、地表辐射数据、EC数据、土壤水热数据;
计算协方差矩阵的特征值和特征向量;对特征值按照降序顺序排列,将其对应的特征向量分别作为列向量组成特征向量;
计算特征值的累计贡献率,将累计贡献率从高到低依次组合进行土壤湿度反演,选取反演效果最好的一组数据作为主成分;
将所选择的主成分作为与土壤湿度数据相关的特征因子。
进一步的,选取反演效果最好的一组数据作为主成分,包括:向下的长波辐射Rld、传入太阳辐射Rsd、传出太阳辐射Rsu、向上的长波辐射Rlu、气压Pressure、地表相对湿度RH、水汽压Vapor、风向WD、风速WS、显热通量H、潜热通量LE。
进一步的,使用天牛须搜索算法BAS对网络初始权值和阈值进行优化重构,得到最优权值和阈值,包括:
设置初始步长和迭代次数,对天牛须搜索算法BAS进行初始化,创建天牛须朝向的随机向量且做归一化处理,创建天牛左右须空间坐标;
将神经网络的初始权值和阈值分别设置为天牛须的方向与初始位置;设置天牛步长与左右两根触须之间距离的比值;
进行探寻气味、前进操作:利用自适应函数计算左右两须感知的气味浓度,如果左边触角感知到的气味浓度比右边强,则天牛下一步向左边前进,如果右边触须感知到的气味浓度比左边强,则天牛下一步向右边前进;
判断是否达到迭代终止条件,即天牛找到食物,亦即输出的权值与阈值为全局最优解,则停止迭代;否则返回继续探寻气味、前进操作。
有益效果:与现有技术相比,本发明的技术方案具有以下有益的技术效果。
本发明首先采用主成分分析技术,从众多影响土壤湿度的因子中选择出主要的特征变量并尽可能保留原有信息,不仅可以提高模型精度,还可以降低维数,能够有效地消除各影响因素间的冗余与相关性,从而实现模型的减重,同时提高模型预报的准确度。其次,本发明提出了一种基于天牛须搜索算法BAS融合重构BP神经网络模型,构建适应于多层土壤湿度反演的BAS_BP神经网络模型。
反演不同深度土壤湿度是一个复杂的非线性问题,受到多种因素的限制,其反演过程类似于一个多维、多峰值的复杂函数求解,运用普通BP神经网络模型进行土壤湿度反演不能完全满足现实应用的需要。因此,本发明提出了一种将天牛须搜索算法BAS引入BP神经网络土壤湿度反演模型,对BP神经网络中的权值和阈值进行优化,融合重构适应于多层土壤湿度反演的BAS_BP神经网络模型的技术。该BAS_BP神经网络模型可以有效提高BP神经网络模型的计算精度,并且具有运算量小,收敛速度快,具有全局寻优能力等优点,大大提高了BP神经网络模型对多层土壤湿度的反演精度。
附图说明
图1为本发明的流程示意图;
图2为BAS_BP神经网络土壤湿度反演模型对测试集中不同深度的土壤湿度的反演值与观测值的对比离差图;
图3为BP神经网络与BAS_BP神经网络土壤湿度反演模型对测试集中不同深度的土壤湿度的反演值与观测值的对比图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明所述的一种多层土壤湿度反演方法,流程如图1,包括如下步骤:
步骤1,获取青藏高原野外观测站MAWORS(Muztagh Ata Westerly Observationand Research Station,慕士塔格西风带环境综合观测研究站)的观测数据,划分训练集和测试集。
(1)获取观测数据集包括气象数据、地表辐射数据、EC数据、土壤水热数据;所述气象数据包括风速(wind speed,WS)、风向(wind direction,WD)、气温(temperature,Ta)、相对湿度(relative humidity,RH)、水汽压(water vapor pressure,Vapor)、气压(airpressure,Pressure)、降水(precipitation,Prec);所述地表辐射数据包括传入太阳辐射(incoming solar radiation,Rsd)、传出太阳辐射(outgoing solar radiation,Rsu)、向下的长波辐射(downward long-wave radiation,Rld)、向上的长波辐射(upward long-wave radiation,Rlu)、净辐射(net radiation,Rn);所述EC数据包括显热通量(sensibleheat flux,H)、潜热通量(latent heat flux,LE)、二氧化碳通量(carbon dioxide flux,Fc);所述土壤水热数据包括地表温度(ground temperature,Tg)、土壤温度(soiltemperature,Ts)、土壤湿度(soil moisture,SM)、土壤热通量(soil heat flux,SHF)。
(2)利用MATLAB中的fillmissing函数插补数据中的缺失值,同时使用filloutliiers函数监测数据中的异常值并进行插值,得到在时间上连续的数据集后,将其转化为多年日平均数据集,共计365天。
(3)对插补后的数据集按一定比例划分为训练集和测试集,将1-250天的数据作为训练集,用以建立模型并进行训练,251-365天数据作为测试集,用以检验模型的反演精度。对数据集中的所有数据进行归一化处理,映射在0-1之间。归一化是一种简化计算的方式,即将有量纲的表达式,经过变换转化为无量纲的表达式,成为标量,能够提高模型的精度和收敛速度。
步骤2,利用主成分分析法,从归一化后的观测数据集中筛选出与土壤湿度数据相关性在一定范围内的特征因子,具体包括:
(1)计算样本特征的协方差矩阵;所述样本特征是指观测数据集中的气象数据、地表辐射数据、EC数据、土壤水热数据;
(2)计算协方差矩阵的特征值和特征向量;
(3)对特征值按照降序顺序排列,将其对应的特征向量分别作为列向量组成特征向量;
(4)计算特征值的累计贡献率,将累计贡献率从高到低依次组合进行土壤湿度反演,选取反演效果最好的一组数据作为主成分,包括:向下的长波辐射Rld、传入太阳辐射Rsd、传出太阳辐射Rsu、向上的长波辐射Rlu、气压Pressure、地表相对湿度RH、水汽压Vapor、风向WD、风速WS、显热通量H、潜热通量LE。将所选择的主成分作为与土壤湿度数据相关的特征因子。
步骤3,建立并初始化BP神经网络,获得网络初始权值和阈值,使用天牛须搜索算法BAS对网络初始权值和阈值进行优化重构,得到最优权值和阈值,包括:
设置初始步长和迭代次数,对天牛须搜索算法BAS进行初始化,创建天牛须朝向的随机向量且做归一化处理,创建天牛左右须空间坐标;
将神经网络的初始权值和阈值分别设置为天牛须的方向与初始位置;设置天牛步长与左右两根触须之间距离的比值;
进行探寻气味、前进操作:利用自适应函数计算左右两须感知的气味浓度(在MATLAB中使用fitness函数进行计算),如果左边触角感知到的气味浓度比右边强,则天牛下一步向左边前进,如果右边触须感知到的气味浓度比左边强,则天牛下一步向右边前进;
判断是否达到迭代终止条件,即天牛找到食物,亦即输出的权值与阈值为全局最优解,则停止迭代;否则返回继续探寻气味、前进操作。
步骤4,特征因子作为网络的输入数据,不同深度土层处的土壤湿度作为网络的输出数据,利用训练集对网络进行训练,得到融合重构的BAS_BP神经网络模型。
步骤5,将测试集数据输入BAS_BP神经网络模型,模型输出即为反演得到的不同深度的多层土壤湿度。
图2展示了BAS_BP神经网络土壤湿度反演模型对测试集中不同深度的土壤湿度的反演值与观测值的对比离差,地表10cm土层处,使用BAS_BP模型得到的模拟值与观测值的差值介于-0.0384~0.0082之间;在土层20cm处,使用BAS_BP模型得到的模拟值与观测值的差值介于-0.0499~0.0188之间;在土层40cm处,使用BAS_BP模型得到的模拟值与观测值的差值介于-0.0628~0.0245之间;在土层80cm处,使用BAS_BP模型得到的模拟值与观测值的差值介于-0.0167~0.0822之间;在土层160cm处,使用BAS_BP模型得到的模拟值与观测值的差值介于-0.0166~0.2407之间。随着土壤深度的增加,反演得到的模拟值与观测值之间的差值增大,反演效果呈减弱趋势。
本实施例采用2005年1月1日至2016年12月31日的气象数据、地表辐射、EC数据、土壤水热数据。分别使用BP神经网络模型和天牛须搜索算法融合重构的BAS_BP神经网络模型反演不同深度的土壤湿度。
利用主成分分析法获取的特征因子作为输入数据,10cm、20cm、40cm、80cm以及160cm土层处的土壤湿度作为输出数据,分别构建BP神经网络和BAS_BP神经网络多层土壤湿度反演模型,并对不同深度土壤湿度数据进行训练和反演。
采用相关系数(R),平均绝对误差(MAE),和均方根误差(RMSE)三种统计指标检验BP神经网络和BAS_BP神经网络模型对不同深度土壤湿度的反演效果。各统计指标的计算公式如下:
平均绝对误差(Mean Absolute Error,MAE):计算观测值与计算值之间绝对误差的平均值,平均绝对误差越小,说明反演值越接近观测值,反演的结果越准确。
均方根误差(Root Mean Square Error,RMSE):用于衡量观测值与计算值之间的偏差,均方根误差越小,说明反演值越接近观测值,反演的结果更加准确。
相关系数(Correlation coefficient,R):根据自变量的变异来解释因变量的变异,相关系数的值越接近于1,说明反演效果越好;相关系数越接近于0拟,说明反演效果越差。
表1显示了BP、BAS_BP两种模型对不同深度土壤湿度测试集的模拟值分别与观测值的均方根误差(RMSE)、平均绝对误差(MAE)以及相关系数(R)。
表1
表1和图3综合对比分析了BP和BAS_BP神经网络模型对不同深度的土壤湿度反演效果。结果表明,在地表10cm处,基于BAS_BP神经网络模型反演的土壤湿度与观测值的均方根误差和平均绝对误差分别为0.0141、0.0098,相关系数为0.903,均优于初始BP神经网络反演模型。在地表20cm处,基于BAS_BP神经网络模型反演的土壤湿度与观测值的均方根误差和平均绝对误差分别为0.0145、0.0107,相关系数为0.854,亦优于BP神经网络反演模型。与表层土壤湿度的反演效果一致,BAS_BP神经网络模型对深层土壤湿度(40cm至160cm)的反演效果也较BP神经网络模型有显著的改进。其中,在地表40cm处,BAS_BP神经网络模型对土壤湿度的反演值与观测值的均方根误差和平均绝对误差分别为0.0200、0.0170,相关系数为0.832,优于BP神经网络模型在同一层土壤湿度的反演值(均方根误差为0.0247,平均绝对误差为0.0264,相关系数为0.530)。在土壤深度80cm处,BAS_BP神经网络模型对土壤湿度的反演值与观测值的均方根误差和平均绝对误差分别为0.0457、0.0413,相关系数为0.800,而基于BP神经网络模型反演的土壤湿度与观测值的均方根误差和平均绝对误差分别为0.0532、0.0382,相关系数为0.403。在土壤深度160cm处,BAS_BP神经网络模型对土壤湿度的反演值与观测值的均方根误差和平均绝对误差分别为0.1434、0.1309,相关系数为0.504,而基于BP神经网络模型反演的土壤湿度与观测值的均方根误差和平均绝对误差分别为0.181、0.1654,相关系数为0.390。
图3是针对BP神经网络使用天牛须搜索算法优化前后反演效果对比,在地表10cm处,土壤湿度反演前后的均方根误差和平均绝对误差的最小值分别为0.0152、0.0101,最大的相关系数为0.915,均由BAS_BP神经网络反演得到。在地表20cm处,土壤湿度反演前后的均方根误差和平均绝对误差的最小值分别为0.0152、0.0139,最大的相关系数为0.897,均由BAS_BP神经网络反演得到。在地表40cm处,土壤湿度反演前后的均方根误差和平均绝对误差的最小值分别为0.0209、0.0190,最大的相关系数为0.892,均由BAS_BP神经网络反演得到。在地表80cm处,土壤湿度反演前后的均方根误差和平均绝对误差的最小值分别为0.0350、0.0247,最大的相关系数为0.877,均由BAS_BP神经网络反演得到。在地表160cm处,土壤湿度反演前后的均方根误差和平均绝对误差的最小值分别为0.0901、0.1310,最大的相关系数为0.796,均由BAS_BP神经网络反演得到。经对比分析可得,BP神经网络模型和BAS_BP神经网络模型对不同深度的土壤湿度的反演能力随着土层深度的增加呈衰减趋势。相较于普通BP神经网络模型,经天牛须搜索算法融合重构的BAS_BP神经网络模型能够有效地提高不同深度土壤湿度的反演精度与稳定性。
综上所述,本发明所述的一种基于天牛须搜索算法融合重构BP神经网络模型建立BAS_BP神经网络模型的多层土壤湿度反演方法,基于机器学习理论,利用主成分分析法选择与土壤湿度相关性较大的气象因子作为输入数据,分别建立BP神经网络和BAS_BP神经网络多层土壤湿度反演模型,对不同深度土壤湿度进行训练和反演。通过以上的实例分析证实本发明构建的基于天牛须搜索算法融合重构的BASBP神经网络模型更适应于多层土壤湿度的反演,其反演精度更高,模拟性能更加稳定。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (5)
1.一种多层土壤湿度反演方法,其特征在于,该方法包括如下步骤:
步骤1,获取包括不同深度土层处的土壤湿度在内的观测数据集,划分训练集和测试集;对数据进行归一化处理;
步骤2,利用主成分分析法,从归一化后的观测数据集中筛选出与土壤湿度数据相关性在一定范围内的特征因子;
步骤3,建立并初始化BP神经网络,获得网络初始权值和阈值,使用天牛须搜索算法BAS对网络初始权值和阈值进行优化重构,得到最优权值和阈值;
步骤4,特征因子作为网络的输入数据,不同深度土层处的土壤湿度作为网络的输出数据,利用训练集对网络进行训练,得到融合重构的BAS_BP神经网络模型;
步骤5,将测试集数据输入BAS_BP神经网络模型,模型输出即为反演得到的不同深度的多层土壤湿度。
2.根据权利要求1所述的多层土壤湿度反演方法,其特征在于,步骤1中数据的获取和处理具体包括:
获取观测数据集包括气象数据、地表辐射数据、EC数据、土壤水热数据;所述气象数据包括风速WS、风向WD、气温Ta、相对湿度RH、水汽压Vapor、气压Pressure、降水Prec;所述地表辐射数据包括传入太阳辐射Rsd、传出太阳辐射Rsu、向下的长波辐射Rld、向上的长波辐射Rlu、净辐射Rn;所述EC数据包括显热通量H、潜热通量LE、二氧化碳通量Fc;所述土壤水热数据包括地表温度Tg、土壤温度Ts、土壤湿度SM、土壤热通量SHF;
利用MATLAB中的fillmissing函数插补数据中的缺失值,同时使用filloutliiers函数监测数据中的异常值并进行插值,得到在时间上连续的数据集后,将其转化为多年日平均数据集;对插补后的数据集按一定比例划分为训练集和测试集。
3.根据权利要求2所述的多层土壤湿度反演方法,其特征在于,步骤2利用主成分分析法,从除土壤湿度外的所有观测因子中筛选出与土壤湿度数据相关性在一定范围内的观测数据,即特征因子,具体包括:
计算样本特征的协方差矩阵;所述样本特征是指观测数据集中的气象数据、地表辐射数据、EC数据、土壤水热数据;
计算协方差矩阵的特征值和特征向量;对特征值按照降序顺序排列,将其对应的特征向量分别作为列向量组成特征向量;
计算特征值的累计贡献率,将累计贡献率从高到低依次组合进行土壤湿度反演,选取反演效果最好的一组数据作为主成分;
将所选择的主成分作为与土壤湿度数据相关的特征因子。
4.根据权利要求3所述的多层土壤湿度反演方法,其特征在于,选取反演效果最好的一组数据作为主成分,包括:向下的长波辐射Rld、传入太阳辐射Rsd、传出太阳辐射Rsu、向上的长波辐射Rlu、气压Pressure、地表相对湿度RH、水汽压Vapor、风向WD、风速WS、显热通量H、潜热通量LE。
5.根据权利要求1-4任一所述的多层土壤湿度反演方法,其特征在于,使用天牛须搜索算法BAS对网络初始权值和阈值进行优化重构,得到最优权值和阈值,包括:
设置初始步长和迭代次数,对天牛须搜索算法BAS进行初始化,创建天牛须朝向的随机向量且做归一化处理,创建天牛左右须空间坐标;
将神经网络的初始权值和阈值分别设置为天牛须的方向与初始位置;设置天牛步长与左右两根触须之间距离的比值;
进行探寻气味、前进操作:利用自适应函数计算左右两须感知的气味浓度,如果左边触角感知到的气味浓度比右边强,则天牛下一步向左边前进,如果右边触须感知到的气味浓度比左边强,则天牛下一步向右边前进;
判断是否达到迭代终止条件,即天牛找到食物,亦即输出的权值与阈值为全局最优解,则停止迭代;否则返回继续探寻气味、前进操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310073979.4A CN116341363A (zh) | 2023-02-07 | 2023-02-07 | 一种多层土壤湿度反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310073979.4A CN116341363A (zh) | 2023-02-07 | 2023-02-07 | 一种多层土壤湿度反演方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116341363A true CN116341363A (zh) | 2023-06-27 |
Family
ID=86881261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310073979.4A Pending CN116341363A (zh) | 2023-02-07 | 2023-02-07 | 一种多层土壤湿度反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116341363A (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110610054A (zh) * | 2019-09-23 | 2019-12-24 | 北京师范大学 | 一种土壤湿度长方体反演模型构建方法及*** |
-
2023
- 2023-02-07 CN CN202310073979.4A patent/CN116341363A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110610054A (zh) * | 2019-09-23 | 2019-12-24 | 北京师范大学 | 一种土壤湿度长方体反演模型构建方法及*** |
Non-Patent Citations (1)
Title |
---|
李旭强等: "基于BAS-BPNN模型的季节性冻融期土壤含水率预测", 《节水灌溉》, no. 10, pages 66 - 70 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ibrahim et al. | A novel hybrid model for hourly global solar radiation prediction using random forests technique and firefly algorithm | |
Hao et al. | Risk assessment to China’s agricultural drought disaster in county unit | |
Hasni et al. | Optimization of greenhouse climate model parameters using particle swarm optimization and genetic algorithms | |
CN111027175A (zh) | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 | |
CN107563565A (zh) | 一种考虑气象因素变化的短期光伏分解预测方法 | |
CN109214579B (zh) | 基于bp神经网络的盐碱地稳定性预测方法及*** | |
Li et al. | A novel combined prediction model for monthly mean precipitation with error correction strategy | |
CN105184400A (zh) | 一种烟田土壤水分预测方法 | |
Li et al. | GANs-LSTM model for soil temperature estimation from meteorological: a new approach | |
CN116227692B (zh) | 一种农作物重金属富集风险量化方法、***及可存储介质 | |
Xu et al. | Estimation of potential ecological carrying capacity in China | |
CN115640956A (zh) | 一种未来水资源供需平衡分析方法 | |
Bensoussan et al. | Cox–Ingersoll–Ross model for wind speed modeling and forecasting | |
CN116822381A (zh) | 一种基于人工智能的海洋温盐结构反演方法 | |
CN111914488B (zh) | 一种基于对抗神经网络的有资料地区水文参数率定方法 | |
Li et al. | Comparison study on ways of ecological vulnerability assessment-----A case study in the Hengyang Basin | |
CN112560633A (zh) | 基于深度学习的植物关键物候期时间点预测方法及*** | |
CN116341363A (zh) | 一种多层土壤湿度反演方法 | |
Hu et al. | Grain yield predict based on GRA-AdaBoost-SVR model | |
Wang et al. | Statistical and machine learning methods applied to the prediction of different tropical rainfall types | |
Duan et al. | Prediction model of soil heavy metal content based on particle swarm algorithm optimized neural network | |
Popović et al. | Neural network based system in evapotranspiration time series prediction | |
Mohan et al. | Crop production rate estimation using parallel layer regression with deep belief network | |
Jiang et al. | Application and evaluation of an improved LSTM model in the soil moisture prediction of southeast chinese tobacco-producing areas | |
CN113052379A (zh) | 一种基于bas-rbf的番茄需水预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |