【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及一種基于集成學(xué)習(xí)的土壤有機(jī)質(zhì)含量預(yù)測方法，具體涉及使用1dcnn串聯(lián)lstm從時序數(shù)據(jù)中提取氣象、反射率、ndvi特征，再聯(lián)合土壤有機(jī)質(zhì)的克里金插值結(jié)果，輸入gbr模型的土壤有機(jī)質(zhì)預(yù)測方法，屬于土壤有機(jī)質(zhì)預(yù)測。
技術(shù)介紹
1、有機(jī)質(zhì)研究對耕地質(zhì)量建設(shè)、生態(tài)環(huán)境保護(hù)以及碳循環(huán)調(diào)節(jié)具有重要意義。因此，實(shí)現(xiàn)有機(jī)質(zhì)的準(zhǔn)確預(yù)測是促進(jìn)農(nóng)業(yè)可持續(xù)發(fā)展和推動多學(xué)科交叉研究的重要基石。近年來，地統(tǒng)計方法如克里金插值，機(jī)器學(xué)習(xí)算法隨機(jī)森林、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、以及其分支深度學(xué)習(xí)被廣泛應(yīng)用于土壤有機(jī)質(zhì)含量估算研究中。
2、目前國內(nèi)外學(xué)者主要使用單一學(xué)習(xí)器來預(yù)測土壤有機(jī)質(zhì)含量，局限于從單一角度捕捉數(shù)據(jù)的特征。機(jī)器學(xué)習(xí)中不同的學(xué)習(xí)器會在不同的訓(xùn)練樣本上犯錯，也極可能因為數(shù)據(jù)噪聲或異常值而表現(xiàn)不佳，僅使用單一學(xué)習(xí)器很難采取有效的策略來抵消上述錯誤。深度學(xué)習(xí)算法對數(shù)據(jù)的需求量比較大，同時容易產(chǎn)生過擬合現(xiàn)象，并且僅采用神經(jīng)網(wǎng)絡(luò)進(jìn)行土壤有機(jī)質(zhì)含量估算難以估計到樣點(diǎn)間的空間關(guān)系，這種特定任務(wù)的適用性限制，使神經(jīng)網(wǎng)絡(luò)很難完全利用領(lǐng)域內(nèi)的特定知識。地統(tǒng)計方法依賴于足夠的采樣數(shù)據(jù)，且假設(shè)誤差具有特定的結(jié)構(gòu)，在人為活動頻繁或環(huán)境條件復(fù)雜多變的地區(qū)，模型的適用性下降。
3、一方面，som受到了氣象、植被等動態(tài)時序因素的顯著影響，但現(xiàn)有模型很難捕捉這些時序變量內(nèi)部的長期依賴關(guān)系，也難以實(shí)現(xiàn)重要信息的動態(tài)選擇。另一方面，som分布符合地理學(xué)第一定律，具有空間自相關(guān)性。需要一種集成學(xué)習(xí)方法，將這兩方面的“特征”綜合來學(xué)習(xí)，以提升預(yù)測精度
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)所要解決的技術(shù)問題是提供一種基于集成學(xué)習(xí)的土壤有機(jī)質(zhì)含量預(yù)測方法，采用新穎的設(shè)計思路，應(yīng)用現(xiàn)有數(shù)據(jù)進(jìn)行分析處理，能夠利用樣點(diǎn)之間的空間關(guān)系，提高模型的穩(wěn)定性和適用性。
2、本專利技術(shù)為了解決上述技術(shù)問題采用以下技術(shù)方案：本專利技術(shù)設(shè)計了一種集成多個學(xué)習(xí)器預(yù)測土壤有機(jī)質(zhì)含量的方法，用于實(shí)現(xiàn)目標(biāo)土壤區(qū)域中待測土壤有機(jī)質(zhì)的預(yù)測，該預(yù)測評估方法首先執(zhí)行如下步驟a至步驟d，獲得目標(biāo)區(qū)域土壤有機(jī)質(zhì)含量的預(yù)測模型，然后執(zhí)行如下步驟i至步驟iii，獲得目標(biāo)土壤區(qū)域中待測樣點(diǎn)的有機(jī)質(zhì)含量預(yù)測結(jié)果；
3、步驟a.?根據(jù)目標(biāo)區(qū)域已有的樣點(diǎn)位置信息，采集與之相對應(yīng)的氣象（包括最低溫度、平均氣溫和降水量）、反射率（b01至b07）、植被指數(shù)等時序數(shù)據(jù)，并進(jìn)行預(yù)處理，然后進(jìn)入步驟b；
4、步驟b.?搭建先一維卷積神經(jīng)網(wǎng)絡(luò)1dcnn后長短時記憶網(wǎng)絡(luò)lstm的串行神經(jīng)網(wǎng)絡(luò)基礎(chǔ)模型，將上述時序性氣象、植被指數(shù)和反射率數(shù)據(jù)作為輸入變量分別傳入神經(jīng)網(wǎng)絡(luò)模型進(jìn)行特征提取，輸出代表氣象、反射率和植被覆蓋的3個特征，然后進(jìn)入步驟c；
5、步驟c.?利用地統(tǒng)計方法克里金插值，考慮已知樣本點(diǎn)的數(shù)據(jù)、樣本點(diǎn)的空間分布特征以及變異函數(shù)提供的結(jié)構(gòu)信息，得到有機(jī)質(zhì)含量的可能目標(biāo)值，它反映了樣點(diǎn)間潛在的空間依賴性；
6、步驟d.?搭建gbr模型，將步驟b和步驟c產(chǎn)生的氣象特征、植被覆蓋特征、反射率特征和空間依賴特征輸入gbr，輸出的結(jié)果即為有機(jī)質(zhì)含量的預(yù)測值；
7、步驟i.?采集目標(biāo)土壤區(qū)域中待測土壤，并獲取待測土壤所對應(yīng)的氣象、反射率和ndvi數(shù)據(jù)，然后進(jìn)入步驟ii；
8、步驟ii.?按步驟b和步驟c的方法，獲得待測土壤對應(yīng)的氣象特征、植被覆蓋特征、反射率特征和空間依賴特征，然后進(jìn)入步驟iii；
9、步驟iii.?以步驟ii確定的特征為自變量，采用步驟d中目標(biāo)土壤區(qū)域所篩選的最優(yōu)gbr模型進(jìn)行計算，獲得待測土壤的有機(jī)質(zhì)含量。
10、作為本專利技術(shù)的一種優(yōu)選技術(shù)方案，所述步驟b包括如下步驟：
11、步驟b1.?搭建1dcnn_lstm基礎(chǔ)模型，1dcnn提取局部特征，lstm處理局部特征之間的時間依賴關(guān)系。將氣象、植被指數(shù)、反射率時序數(shù)據(jù)分別傳遞給基礎(chǔ)模型，通過模型的前向計算得到輸出，根據(jù)該輸出和真實(shí)標(biāo)簽計算損失函數(shù)。使用反向傳播算法計算損失函數(shù)關(guān)于模型參數(shù)的梯度，根據(jù)梯度更新模型的參數(shù)，使用梯度下降法變種adam優(yōu)化器。重復(fù)前向計算、計算損失、反向傳播和參數(shù)更新的過程，直到達(dá)到預(yù)設(shè)的訓(xùn)練輪次或模型性能不再顯著提升。
12、步驟b2.?在訓(xùn)練過程中，定期使用驗證集評估模型的性能，檢查是否存在過擬合或欠擬合問題。根據(jù)評估結(jié)果調(diào)整模型的超參數(shù)，采用動態(tài)調(diào)整學(xué)習(xí)率、正則化和dropout來緩解過擬合現(xiàn)象，優(yōu)化模型的性能。
13、作為本專利技術(shù)的一種優(yōu)選技術(shù)方案，所述步驟d包括如下步驟：
14、步驟d1.?綜合步驟b輸出的氣象特征、反射率特征、植被覆蓋特征和步驟c輸出的空間依賴特征，共計得到4個新特征。
15、步驟d2.?搭建gbr，通過迭代地添加新的決策樹來最小化損失函數(shù)的殘差。在每次迭代中，新的決策樹都會針對當(dāng)前模型的殘差進(jìn)行訓(xùn)練，然后將這個新樹的預(yù)測結(jié)果乘以學(xué)習(xí)率加到現(xiàn)有的預(yù)測結(jié)果上。重復(fù)進(jìn)行這個過程，直到達(dá)到指定的迭代次數(shù)；
16、步驟d3.?計算訓(xùn)練集有機(jī)質(zhì)含量真實(shí)值和模型預(yù)測值的決定系數(shù)r2、均方根誤差rmse和相對分析誤差rpd；
17、步驟d4.?比較不同參數(shù)設(shè)置的gbr模型獲得的決定系數(shù)r2、均方根誤差rmse和相對分析誤差rpd，選取r2最高、rmse最小且rpd最高的訓(xùn)練模型為最佳訓(xùn)練模型。
18、本專利技術(shù)所述多學(xué)習(xí)器集成預(yù)測土壤有機(jī)質(zhì)含量的方法，采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：
19、本專利技術(shù)所設(shè)計多學(xué)習(xí)器集成預(yù)測土壤有機(jī)質(zhì)含量的方法，采用新穎的設(shè)計思路，先收集樣點(diǎn)數(shù)據(jù)并進(jìn)行預(yù)處理，再使用1dcnn_lstm提取特征，然后將從深度學(xué)習(xí)模型中提取的特征，聯(lián)合土壤有機(jī)質(zhì)克里金插值結(jié)果作為輸入特征，訓(xùn)練gbr模型，然后對未知樣點(diǎn)的土壤有機(jī)質(zhì)含量進(jìn)行預(yù)測；有效緩解傳統(tǒng)機(jī)器學(xué)習(xí)方法易受噪音影響、深度學(xué)習(xí)易過擬合現(xiàn)象的問題，同時利用樣點(diǎn)空間位置信息和屬性的相似關(guān)系，提高了整體模型的性能。通過本專利技術(shù)提供的方法，神經(jīng)網(wǎng)絡(luò)能夠自動從多源數(shù)據(jù)中學(xué)習(xí)到有用的特征表示，全面捕獲協(xié)變量之間的復(fù)雜關(guān)系和模式，實(shí)現(xiàn)土壤有機(jī)質(zhì)含量的精準(zhǔn)預(yù)測。
本文檔來自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.一種基于集成學(xué)習(xí)的土壤有機(jī)質(zhì)含量預(yù)測方法，其特征在于，該預(yù)測評估方法首先執(zhí)行如下步驟A至步驟D，獲得目標(biāo)區(qū)域土壤有機(jī)質(zhì)含量的預(yù)測模型，然后執(zhí)行如下步驟I至步驟III，獲得目標(biāo)土壤區(qū)域中待測樣點(diǎn)的有機(jī)質(zhì)含量預(yù)測結(jié)果：
2.根據(jù)權(quán)利要求1所述一種基于集成學(xué)習(xí)的土壤有機(jī)質(zhì)含量預(yù)測方法，其特征在于，所述步驟B包括如下步驟：
3.所述一種基于集成學(xué)習(xí)的土壤有機(jī)質(zhì)含量預(yù)測方法，其特征在于，所述步驟D包括如下步驟：
4.根據(jù)權(quán)利要求2所述一種基于集成學(xué)習(xí)的土壤有機(jī)質(zhì)含量預(yù)測方法，其特征在于，在步驟B2中緩解過擬合現(xiàn)象的優(yōu)選方法是：根據(jù)評估結(jié)果調(diào)整模型的超參數(shù)，動態(tài)調(diào)整學(xué)習(xí)率，設(shè)置學(xué)習(xí)率初始值為1e-3，每10個epoch將目前的學(xué)習(xí)率乘以衰減因子0.2，使學(xué)習(xí)率隨訓(xùn)練過程逐漸減小；計算模型參數(shù)的L2范數(shù)即參數(shù)的平方和的平方根，然后將這個范數(shù)乘以一個正則化系數(shù)并加到原始損失上；氣象、反射率和植被指數(shù)各自的網(wǎng)絡(luò)模型對應(yīng)的正則化系數(shù)分別為0.001、0.003和0.0005；采用以上措施緩解過擬合，最終得到3個輸出即氣象特征、反射率特征和植被覆蓋特征。
...【技術(shù)特征摘要】
1.一種基于集成學(xué)習(xí)的土壤有機(jī)質(zhì)含量預(yù)測方法，其特征在于，該預(yù)測評估方法首先執(zhí)行如下步驟a至步驟d，獲得目標(biāo)區(qū)域土壤有機(jī)質(zhì)含量的預(yù)測模型，然后執(zhí)行如下步驟i至步驟iii，獲得目標(biāo)土壤區(qū)域中待測樣點(diǎn)的有機(jī)質(zhì)含量預(yù)測結(jié)果：
2.根據(jù)權(quán)利要求1所述一種基于集成學(xué)習(xí)的土壤有機(jī)質(zhì)含量預(yù)測方法，其特征在于，所述步驟b包括如下步驟：
3.所述一種基于集成學(xué)習(xí)的土壤有機(jī)質(zhì)含量預(yù)測方法，其特征在于，所述步驟d包括如下步驟：
4.根據(jù)權(quán)利要求2所述一種基于集成學(xué)習(xí)的土壤有機(jī)質(zhì)含量預(yù)測方法，其特征在于，在步驟b2中緩解過擬合現(xiàn)象的優(yōu)選方法是：根據(jù)評估結(jié)果調(diào)整模型的超參...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：楊甜甜，劉婭，劉杰，董如嬋，惠放，楊樂嬋，
申請(專利權(quán))人：金陵科技學(xué)院，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。