【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)屬于數(shù)據(jù)預(yù)測(cè)，具體涉及一種邊坡土壤肥力預(yù)測(cè)方法。
技術(shù)介紹
1、邊坡土壤肥力是農(nóng)業(yè)、生態(tài)恢復(fù)以及水土保持中至關(guān)重要的因素，其評(píng)估對(duì)于合理規(guī)劃資源利用、優(yōu)化種植策略以及保護(hù)生態(tài)環(huán)境具有重要意義。然而，現(xiàn)有的邊坡土壤肥力評(píng)估方法在數(shù)據(jù)采集、處理以及預(yù)測(cè)分析方面存在多方面不足，難以滿足實(shí)際應(yīng)用的需求。
2、公開(kāi)號(hào)為cn118675306b的中國(guó)專利技術(shù)專利提出一種基于人工智能的邊坡地質(zhì)災(zāi)害智能預(yù)警方法及系統(tǒng)；公開(kāi)號(hào)為cn117852717b的中國(guó)專利技術(shù)專利提出一種基于遺傳算法優(yōu)化反向傳播神經(jīng)網(wǎng)絡(luò)的臺(tái)風(fēng)災(zāi)害預(yù)測(cè)方法，通過(guò)基于分類決策樹(shù)的方式建立臺(tái)風(fēng)災(zāi)害預(yù)測(cè)模型，可以較為準(zhǔn)確的預(yù)測(cè)臺(tái)風(fēng)災(zāi)害對(duì)環(huán)境的影響，從而科學(xué)的指導(dǎo)防災(zāi)減災(zāi)工作；上述專利技術(shù)方法創(chuàng)新性好，但同時(shí)存在以下問(wèn)題仍需進(jìn)一步解決：1、傳統(tǒng)smote算法生成樣本單一，無(wú)法動(dòng)態(tài)適應(yīng)數(shù)據(jù)的局部密度和分布，導(dǎo)致模型泛化能力差，對(duì)少數(shù)類樣本的特征分布描述不充分，生成樣本與真實(shí)分布不一致；2、傳統(tǒng)的特征降維方法在處理異常值和邊界效應(yīng)時(shí)表現(xiàn)欠佳，容易導(dǎo)致降維后特征信息損失，學(xué)習(xí)率的固定設(shè)置或簡(jiǎn)單衰減無(wú)法適應(yīng)復(fù)雜數(shù)據(jù)分布，導(dǎo)致收斂速度慢；3、傳統(tǒng)分類器在優(yōu)化過(guò)程中容易陷入局部最優(yōu)，缺乏探索新參數(shù)區(qū)域的能力，導(dǎo)致分類性能受限，分類模型訓(xùn)練策略缺乏靈活性，難以高效適應(yīng)多樣性特征。
技術(shù)實(shí)現(xiàn)思路
1、為解決現(xiàn)有技術(shù)中的不足，本專利技術(shù)提供一種邊坡土壤肥力預(yù)測(cè)方法，采用基于動(dòng)態(tài)選擇的smote算法和邊界平滑的自編碼器以及基于量子隧穿
2、本專利技術(shù)為實(shí)現(xiàn)上述目的，通過(guò)以下技術(shù)方案實(shí)現(xiàn)：一種邊坡土壤肥力預(yù)測(cè)方法，包括以下步驟：
3、s1、構(gòu)建邊坡土壤肥力預(yù)測(cè)訓(xùn)練集，包括，對(duì)邊坡土壤的光譜反射率值和土壤表面的熱輻射值數(shù)據(jù)采集，對(duì)采集的所述數(shù)據(jù)進(jìn)行標(biāo)注；
4、s2、對(duì)標(biāo)注后的數(shù)據(jù)利用動(dòng)態(tài)選擇的smote算法進(jìn)行數(shù)據(jù)樣本生成，實(shí)現(xiàn)邊坡土壤肥力預(yù)測(cè)訓(xùn)練集的數(shù)據(jù)擴(kuò)充；
5、s3、將擴(kuò)充后的邊坡土壤肥力預(yù)測(cè)訓(xùn)練集輸入到特征降維模型中對(duì)特征降維模型訓(xùn)練，所述特征降維模型采用邊界平滑的自編碼器構(gòu)成；
6、s4、將降維后的邊坡土壤肥力預(yù)測(cè)訓(xùn)練集輸入到分類器模型中對(duì)分類器模型訓(xùn)練，所述分類器模型采用量子隧穿效應(yīng)的概率神經(jīng)網(wǎng)絡(luò)構(gòu)成；
7、s5、構(gòu)建邊坡土壤肥力預(yù)測(cè)數(shù)據(jù)集，利用訓(xùn)練好的模型對(duì)邊坡土壤肥力預(yù)測(cè)數(shù)據(jù)集的數(shù)據(jù)處理，得到邊坡土壤的肥力預(yù)測(cè)結(jié)果。
8、優(yōu)選地，數(shù)據(jù)采集的來(lái)源為土壤光譜數(shù)據(jù)和地形地貌數(shù)據(jù)；標(biāo)注的方式采用人工標(biāo)注，標(biāo)注的類別根據(jù)土壤肥力等級(jí)具體分為：低肥力、中等肥力、高肥力；其中，數(shù)據(jù)采集的內(nèi)容包括土壤的光譜反射率值和土壤表面的熱輻射值，采集的數(shù)據(jù)存儲(chǔ)格式為結(jié)構(gòu)化數(shù)據(jù)文件，具體數(shù)據(jù)的格式為多維數(shù)組，其中光譜數(shù)據(jù)的像素分辨率為1米/像素，紅外圖像的分辨率為0.5米/像素。
9、優(yōu)選地，傳統(tǒng)的smote算法通過(guò)生成少數(shù)類樣本的合成版本來(lái)平衡數(shù)據(jù)集，但這種方法無(wú)法充分捕捉數(shù)據(jù)的復(fù)雜結(jié)構(gòu)，本專利技術(shù)對(duì)傳統(tǒng)的smote算法改進(jìn)生成動(dòng)態(tài)選擇的smote算法，所述動(dòng)態(tài)選擇是指根據(jù)數(shù)據(jù)的局部密度和多樣性動(dòng)態(tài)調(diào)整smote算法合成樣本的生成策略，從而更加精準(zhǔn)地模擬少數(shù)類樣本的特征分布。
10、優(yōu)選地，利用動(dòng)態(tài)選擇的smote算法進(jìn)行數(shù)據(jù)樣本生成的方式為：
11、s201、初始化數(shù)據(jù)擴(kuò)充的目標(biāo)數(shù)量以及初始的合成樣本生成比率；具體的，設(shè)置為根據(jù)數(shù)據(jù)不平衡程度設(shè)定的目標(biāo)合成樣本數(shù)量，為初始的合成樣本生成比率，用于控制不同類別數(shù)據(jù)生成的初步比例；
12、s202、對(duì)當(dāng)前邊坡土壤肥力預(yù)測(cè)訓(xùn)練集的局部密度評(píng)估，對(duì)所述訓(xùn)練集內(nèi)的少數(shù)類數(shù)據(jù)樣本計(jì)算對(duì)應(yīng)近鄰內(nèi)的樣本密度，所述樣本密度的信息用于后續(xù)的動(dòng)態(tài)樣本生成決策；
13、s203、根據(jù)評(píng)估的局部密度，動(dòng)態(tài)調(diào)整每個(gè)數(shù)據(jù)點(diǎn)的合成樣本生成比率，動(dòng)態(tài)調(diào)整每個(gè)數(shù)據(jù)點(diǎn)的合成樣本生成比率的方式為：
14、；
15、式中，表示調(diào)整后的第i個(gè)樣本的合成樣本生成比率，表示初始的合成樣本生成比率，表示第i個(gè)樣本的局部密度，表示調(diào)整強(qiáng)度系數(shù)，數(shù)學(xué)模型為：
16、；
17、式中，為可調(diào)節(jié)的縮放參數(shù)，用于控制調(diào)整強(qiáng)度系數(shù)的敏感度，為當(dāng)前數(shù)據(jù)集的局部不均勻性指數(shù)，數(shù)學(xué)模型為：
18、；
19、式中，為所有少數(shù)類樣本的集合，為第i個(gè)樣本的個(gè)最近鄰樣本的集合，和為分別為第i個(gè)樣本和第j個(gè)樣本的特征向量，為l2范數(shù)；
20、s204、采用雙軌跡學(xué)習(xí)的插值生成的方式，選取策略性的數(shù)據(jù)點(diǎn)對(duì)，利用優(yōu)化過(guò)程生成兩條數(shù)據(jù)點(diǎn)之間的學(xué)習(xí)軌跡，在兩條所述學(xué)習(xí)軌跡上進(jìn)行插值，生成新的樣本點(diǎn)；采用雙軌跡學(xué)習(xí)進(jìn)行插值生成合成樣本的方式表示為：
21、；
22、式中，為第i個(gè)合成樣本，為第i個(gè)合成樣本點(diǎn)，為第一插值系數(shù)，為第二插值系數(shù)，，，和為隨機(jī)的兩對(duì)合成樣本點(diǎn)；其中，插值系數(shù)基于數(shù)據(jù)點(diǎn)之間的相關(guān)性和空間結(jié)構(gòu)動(dòng)態(tài)調(diào)整，第一插值系數(shù)計(jì)算方式表示為：
23、；
24、式中，為控制項(xiàng)距離敏感度的參數(shù)，用于調(diào)節(jié)插值系數(shù)的分布；為第i個(gè)合成樣本的局部幾何敏感度指數(shù)；
25、進(jìn)一步地，采用基于局部幾何和拓?fù)鋽?shù)據(jù)結(jié)構(gòu)的動(dòng)態(tài)調(diào)整機(jī)制，通過(guò)計(jì)算數(shù)據(jù)點(diǎn)之間的拓?fù)潢P(guān)系和幾何特征，動(dòng)態(tài)地調(diào)整合成樣本生成策略，以增強(qiáng)模型對(duì)數(shù)據(jù)潛在結(jié)構(gòu)的適應(yīng)能力，具體的，合成樣本的局部幾何敏感度指數(shù)用于評(píng)估數(shù)據(jù)點(diǎn)在其鄰域內(nèi)的結(jié)構(gòu)復(fù)雜度和幾何分布，數(shù)學(xué)模型為：
26、；
27、式中，為第i個(gè)樣本的個(gè)最近鄰樣本的集合；
28、其中，第二插值系數(shù)計(jì)算方式表示為：；
29、s205、將生成的合成樣本與原始邊坡土壤肥力預(yù)測(cè)訓(xùn)練集合并，形成一個(gè)新的且更加均衡的邊坡土壤肥力預(yù)測(cè)訓(xùn)練集，表示為：
30、；
31、式中，為新的訓(xùn)練數(shù)據(jù)集，包括原始數(shù)據(jù)集和所有生成的合成樣本；為原始數(shù)據(jù)集，為第i個(gè)合成樣本，設(shè)置為原始數(shù)據(jù)集中樣本數(shù)量的50%。
32、優(yōu)選地，動(dòng)態(tài)調(diào)整每個(gè)數(shù)據(jù)點(diǎn)的合成樣本生成比率，對(duì)于那些位于低密度區(qū)域的樣本點(diǎn)，可以增加合成樣本的生成數(shù)量，以強(qiáng)化模型對(duì)低密度區(qū)域的學(xué)習(xí)，相對(duì)地，減少高密度區(qū)域的合成樣本的生成，避免過(guò)度擬合；同時(shí)，雙軌跡學(xué)習(xí)的插值生成的方式可以確保軌跡的生成既能反映數(shù)據(jù)的主要趨勢(shì)，又能揭示潛在的非線性關(guān)系。
33、優(yōu)選地，將擴(kuò)充后的數(shù)據(jù)輸入到特征降維模型中進(jìn)行特征降維模型的訓(xùn)練，本專利技術(shù)采用基于邊界平滑的自編碼器作為特征降維模型，所述自編碼器包括編碼器和解碼器兩部分，編碼器壓縮輸入的數(shù)據(jù)至一個(gè)低維表示，解碼器從這個(gè)低維表示重構(gòu)為與輸入的數(shù)據(jù)盡可能相似的特征向量。
34、優(yōu)選地，對(duì)特征降維模型的訓(xùn)練方法為：
35、s301、初始化自編碼器的參數(shù)；
3本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種邊坡土壤肥力預(yù)測(cè)方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種邊坡土壤肥力預(yù)測(cè)方法，其特征在于，所述S1中數(shù)據(jù)采集的來(lái)源為土壤光譜數(shù)據(jù)和地形地貌數(shù)據(jù)；標(biāo)注的方式采用人工標(biāo)注，標(biāo)注的類別根據(jù)土壤肥力等級(jí)具體分為：低肥力、中等肥力、高肥力。
3.根據(jù)權(quán)利要求1所述的一種邊坡土壤肥力預(yù)測(cè)方法，其特征在于，所述S2中動(dòng)態(tài)選擇的SMOTE算法是根據(jù)數(shù)據(jù)的局部密度和多樣性動(dòng)態(tài)調(diào)整標(biāo)準(zhǔn)SMOTE算法合成樣本的生成策略，利用動(dòng)態(tài)選擇的SMOTE算法進(jìn)行數(shù)據(jù)樣本生成的具體方式為：
4.根據(jù)權(quán)利要求1所述的一種邊坡土壤肥力預(yù)測(cè)方法，其特征在于，所述S3中對(duì)特征降維模型的訓(xùn)練方法為：
5.根據(jù)權(quán)利要求1所述的一種邊坡土壤肥力預(yù)測(cè)方法，其特征在于，所述S4中采用量子隧穿效應(yīng)的概率神經(jīng)網(wǎng)絡(luò)構(gòu)成分類器模型訓(xùn)練的具體方法為：
【技術(shù)特征摘要】
1.一種邊坡土壤肥力預(yù)測(cè)方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種邊坡土壤肥力預(yù)測(cè)方法，其特征在于，所述s1中數(shù)據(jù)采集的來(lái)源為土壤光譜數(shù)據(jù)和地形地貌數(shù)據(jù)；標(biāo)注的方式采用人工標(biāo)注，標(biāo)注的類別根據(jù)土壤肥力等級(jí)具體分為：低肥力、中等肥力、高肥力。
3.根據(jù)權(quán)利要求1所述的一種邊坡土壤肥力預(yù)測(cè)方法，其特征在于，所述s2中動(dòng)態(tài)選擇的smote算法是根據(jù)...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：金章利，劉高鵬，劉心庭，史雯雯，曾建，張茜，李飛，張瑞婷，楊琪夢(mèng)，
申請(qǐng)(專利權(quán))人：濟(jì)南農(nóng)智信息科技有限公司，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。