CN111307643A - 一种基于机器学习算法的土壤水分预测方法 - Google Patents

一种基于机器学习算法的土壤水分预测方法 Download PDF

Info

Publication number
CN111307643A
CN111307643A CN201910271027.7A CN201910271027A CN111307643A CN 111307643 A CN111307643 A CN 111307643A CN 201910271027 A CN201910271027 A CN 201910271027A CN 111307643 A CN111307643 A CN 111307643A
Authority
CN
China
Prior art keywords
soil moisture
prediction
soil
data
machine learning
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
Application number
CN201910271027.7A
Other languages
English (en)
Inventor
杨联安
聂红梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern University
Original Assignee
Northwestern University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern University filed Critical Northwestern University
Priority to CN201910271027.7A priority Critical patent/CN111307643A/zh
Publication of CN111307643A publication Critical patent/CN111307643A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N5/00—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid
    • G01N5/04—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid by removing a component, e.g. by evaporation, and weighing the remainder
    • G01N5/045—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid by removing a component, e.g. by evaporation, and weighing the remainder for determining moisture content
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/02—Devices for withdrawing samples
    • G01N1/04—Devices for withdrawing samples in the solid state, e.g. by cutting
    • G01N1/08—Devices for withdrawing samples in the solid state, e.g. by cutting involving an extracting tool, e.g. core bit
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/286—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q involving mechanical work, e.g. chopping, disintegrating, compacting, homogenising
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/38—Diluting, dispersing or mixing samples
    • 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
    • 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
    • G06N3/045—Combinations of 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

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Remote Sensing (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于土壤检测技术领域，公开了一种基于机器学习算法的土壤水分预测方法：建立土壤水分数据及预测因子数据库；土壤水分模拟预测及时空特征检测：采用支持向量机、随机森林和BP神经网络算法在R语言环境下建立土壤水分预测模型；采用相关地统计分析方法对土壤水分进行综合评价和时空特征分析；通过交叉验证等方法分析预测模型，通过精度指标，对该方法的精度进行评价；土壤水分预测因子重要性测定。本发明结合当地实际情况，选取地形、气象、土壤、植被等多方面的预测因子，引入新型算法—机器学习算法构建模型预测土壤水分，力求实现对当地土壤水分的精准预测。

Description

一种基于机器学习算法的土壤水分预测方法
技术领域
本发明属于土壤检测技术领域，尤其涉及一种基于机器学习算法的土壤水分预测方法。
背景技术
目前，业内常用的现有技术是这样的：
土壤水作为联系地下水、地表水和生物水的纽带，是自然界物质转换和传输的重要载体；土壤水分对土壤生态环境、农业可持续性发展等具有直接深远的影响。综合各种成土因素对土壤水分含量状况进行评价在农业科学工作中占有重要地位，也是向科学耕作、精准农业发展的关键步骤。在大田作物的种植和管理中，适宜的土壤水分更是农作物保质保产和预防农业干旱的一个重要因素；因此，对大田土壤水分的有效预测和定量分析在现代农业生产管理中具有重大意义。在西北干旱半干旱地区，旱灾是我国农业生产面临的最主要的自然灾害，通过分析和预测土壤水分的变化规律，研究实用的土壤水分预报方法，提高预报水平，有利于充分利用农业气候资源、预测作物的受旱程度、科学指导农业灌溉和防灾减灾以及为农业估产和旱灾损失评估提供科学依据[1-2]。土壤水分空间变异既受降水、气温、日照等气象要素的影响，又受到坡度、坡向等地形因素和土壤母质、土壤质地等土壤自身属性的影响。近年来，随着数字地球和精准农业的提出，利用遥感(Remote Sensing，RS)、全球卫星定位系统(Global Positioning System，GPS)、地理信息系统(GeographicInformation System，GIS)相结合的“3S”方法，集成多种因素对土壤水分进行定量、客观、科学的模拟预测和空间分析，成为土壤水分研究中的热点。
由于数据获取方法、数据提取技术、因子量化标准的不同以及预测模型选取的不同，会引起土壤水分预测精度和空间分布特征结果的差异。已用相关证明地形因子对土壤水分的空间分布特征影响显著；已用研究表明植被覆盖度与土壤水分也具有显著相关性；传统地统计学方法在定量分析土壤水分时空间分布变化特征中的应用已较为成熟；利用遥感技术提取相关指标作为协变量对土壤水分空间分布进行反演显示出极大的优越性。
随着遥感平台及传感器技术的发展，高分辨率、高光谱、多时相、多平台的遥感影像数据逐年增加，遥感监测已逐渐形成从不同高度对地观测的立体观测网，遥感数据也因此被地学各领域广泛应用，如利用遥感影像进行土地利用分类、环境监测、资源调查等。充分利用RS数据大范围观测的优势，提取相关地形属性因子和植被覆盖信息；随着全球定位系统的不断改进和完善，通过GPS精确放样定位到样点；利用GIS强大的空间分析功能对气象、地形等相关预测因子进行插值提取分析并对土壤水分空间信息进行挖掘分析，不断提高土壤水分预测精度。由于我国农业土壤特征分布分析不客观、土壤水分数据存在较大精度问题以及缺乏定量分析等问题。
国内，土壤水分的模拟预测和时空变异分析因其对于量化特定区域的生态、水文和自然地理过程具有重要意义，能为数字农业、土壤信息化管理提供可靠的基础数据和技术指导，而成为土壤地理学中研究的热点，国内外学者对土壤水分研究甚多，常用的土壤水分预测模型有经验公式法、水量平衡法、土壤水动力学法、时间序列模型法以及随着遥感数据的使用而逐渐发展成熟的遥感数据反演法等。
国外研究进展，土壤水分动态预测是土地持续利用、水资源规划与管理、节水农业技术研究的基础，历来就受到土壤学家、水文学家和农学家们的关注，以农业气象因子与土壤湿度相关关系为基础的统计预报方法，在国外发展比较早已很成熟。如20世纪60年代在加拿大用于预报土壤水分的通用水分平衡方法，70年代英国气象局建立的MORECS系统，荷兰土壤与水分管理研究所建立的计算土壤水分动态变化的数值模型SWATRE，印度农业研究水分中心建立的估算土壤水分亏缺指数的模型等推动了土壤水分预测模拟研究的进一步深化和发展。此外，用独立的一维土壤大气边界层模型，对通过观察接近地表大气的水分吸收来分析土壤湿度变化的可行性进行了研究。水分吸收实验表明由大气信息得出的土壤湿度值接近真实值，利用关联码进行的灵敏性研究显示正确模拟土壤湿度的信号传递到大气中对整个系统来说是至关重要的。实验估计了由于云层覆盖所引起的误差，结果显示误差是很小的。现有根据表层土壤对水分的吸收建立模型估计土壤含水量。该模型以表层土壤水分含量作为输人数据，此实验与南部大平原水分实验是同时进行的。并把模拟的数据与利用TDR系统在同时间段内的测量数据进行比较。模型每天模拟土壤表层0-5cm的土壤水分数据并被实测数据替换，强迫实测数据作为模型的输人数据的过程叫插人数据同化，然后再利用同化前后的数据与TDR系统的实测数据进行比较研究。该研究结果使理解表层土壤湿度数据预测区域土壤水分含量的关系更进了一步。此外，以遥感技术进行土壤水分测定和预报的方法，也为解决大范围土壤湿度的实时监测提供了更为快捷的途径；还有科学家利用各种机器学习算法建立土壤水分预测模型，预测土壤水分变化，该方法也正逐渐成为人们研究和关注的热点。运用SAR遥感技术和理想干旱模型预测表层土壤湿度分布，基于微波遥感技术和理想的水分模拟，选择欧洲不同气候条件下的两个地方试图获得表层土壤湿度信息，利用实验中所获得的水分和测量数据建立了理想的水分能量平衡模型，并且对同区域的实际土壤湿度数据、模拟的湿度数据、SAR遥感数据进行了比较，结果显示由于植物的影响模型所预测的土壤湿度空间模式与遥感影像是不同的。
国内在土壤水分模拟研究方面积累了丰富的资料，各种建模方法层出不穷。其中关注较多、应用较广泛的预测方法主要有：引人随机变量的经验模型，土壤水分平衡方程估算法，土壤水动力学模型法，时间序列分析模型，微波遥感技术估算，各种机器学习预测方法。总体而言，上述模型方法各具优缺点，如水分动力学模型具有较明确的物理意义，但它需要较为复杂的参数，在研究水分动力机理方面被广泛应用，但是当这种模型大面积应用时，由于所需要的参数较多以及土壤变异性，目前应用较少。同时，这些模型对不同研究目标有其不同特点和可适用范围，如运用数学物理方法虽精度较高，但时间步长较小，所需测定要素容量大，在生产实践中难以应用。运用经验统计方法在某一区域有一定适用价值，但对气候异常现象，应变能力弱，适用范围狭窄。已有基于土壤水分变化率与贮水量成正比这一假定，得出了土壤水分的指数消退关系；在此基础上，建立了冬小麦生育期土壤墒情预报的经验递推模型，并对其进行了检验，表明模型预报效果较好；该模型的特点是模型简单且参数较少，主要局限性是模型中土壤水分消退系数地域、时域性较强。利用土壤水分平衡方法可根据时间尺度确定其所需的参数，只要对土壤水分各收支项进行正确处理，就可以在时间步长较大情况下获得所需的模拟效果。机器学习模型是80年代以来在国际上迅速兴起的人工智能科学领域中重要的技术之一，该方法应用于土壤水分研究近年来备受关注，它是利用复杂环境下的非线性动力学系统理论来分析土壤水分问题，利用神经网络建立土壤水分预测模型，试验结果表明所建立的模型具有较好的预测效果，为采取灌溉水和蓄水保墒等调节农田土壤水分的技术措施提供了科学依据。将支持向量机模型运用到土壤水分遥感反演中，取得良好预测效果。机器学习算法模型，理论依据充分，物理概念清晰，通用性也比较好，对多变量的非线性关系映射能力更加强大，尤其是在对土壤水分及其影响因子时空分异格局加以分析和短期气候预测的基础上，进行土壤水分的预测模拟更具有现实意义。
总之，对土壤水分的动态模拟和预测是国内外学者重要的研究课题，并从不同的角度和方法对这个问题进行了大量研究。但是，土壤水分数据受到多方面的动态因素的影响，要想得到准确的预报，必须同时考虑其他动态因素的作用，诸如作物水分动态监测信息、作物生长信息等。以“3S”技术和地统计学方法为手段，应用机器学习算法模型物联网技术建立具有监测、传输、诊断、决策功能的作物灌溉控制系统，研制开发智能化的灌溉预报与决策支持软件，将是我国现代节水农业技术的研究重点。
因此现有技术(1)数据源自身的局限性：土壤水分监测最初均是利用观测站点数据而建立的，此类方法研究时间长，比较成熟，我国也编制了对应的土壤缺水等级标准。虽然观测站点数据准确性高，但是数据的代表性仅限于观测站点，观测站点数量有限且分布不均，时效性难以保证，要实现大范围并具有时效性的土壤水分监测有一定难度。遥感数据为土壤水分监测的新兴数据源，能满足大范围的实时土壤水分监测需求，但是在遥感数据的选择上有局限性。常用的遥感数据为光学遥感数据，受云雪干扰较大。微波遥感虽具全天候特征，但数据获取不易，成本高。对土壤水分的监测是一个漫长的过程，长时间序列的遥感数据是十分有必要的，因此能够快速便捷的获取长时间序列的遥感数据是土壤水分监测的关键。此外，监测的区域大小、精度高低等性质要求在遥感数据的选择上需综合考虑时间和空间分辨率大小。(2)水分监测指数的局限性：气象类的水分监测指数是在针对不同的研究环境和需求下发展起来的，具有很强的地域性特征。在特定的区域和时间范围内具有较高的合理性，且在站点分布密集均匀，研究范围较小的情况下，监测精度较高，但是存在以点代面的问题。遥感类的水分监测指数是通过直接或间接获取地表水分状况建立起来的，其中植被类的土壤水分监测指数适用于高植被覆盖区，且具有滞后性；温度类的监测指数时效性较强，但适用于高温干旱；温度和植被组合的类的遥感监测指数应用较多，精度较前两类更高，适用于平坦地区的土壤水分研究。大多数的遥感水分监测指数未考虑降水因素，导致水分监测结果具有不确定性，不能较好的反映土壤水分的变化发展。(3)土壤水分预测模型的局限性：虽然土壤水分的模拟预测经历了较长的发展，成果也比较丰富，这些模型在前提条件具备的情况下，预测精度都还比较满意，但是在实际的推广和使用中还存在一定的问题。考虑到地域差异，各种环境参数的获得工作量巨大而且随机性难以预测，这一点严重的限制了模型的普适性；—些模型本身过于复杂，在实际应用中其便利性也不尽人意；具体到每一个模型，虽然所需要的参数基本上是固定的，但是实际情况往往不能获得足够的参数，这就造成了参数缺失，此时模型的预测效果将显著降低。多年来土壤水分预测和旱情分析主要凭经验，缺乏准确性、科学性和时效性，因此，结构简单、参数容易获取、使用方便并且能满足实际土壤水分预测需要的模型具有重要应用和理论研究价值。
综上，各类数据源、预测因子的选取和模型的构建既有发展，也有不足。本研究结合前人研究成果和宝鸡市实际情况，选取地形、气象、土壤、植被等多方面的预测因子，引入新型算法—机器学习算法构建模型预测土壤水分，力求实现对宝鸡市土壤水分的精准预测研究。
综上所述，现有技术存在的问题是：
(1)水分监测指数的局限性：大多数的遥感水分监测指数未考虑降水因素，导致水分监测结果具有不确定性，不能较好的反映土壤水分的变化发展。
(2)土壤水分预测模型的局限性：考虑到地域差异，各种环境参数的获得工作量巨大而且随机性难以预测，这一点严重的限制了模型的普适性；—些模型本身过于复杂，造成参数缺失，预测效果将显著降低；多年来土壤水分预测和旱情分析主要凭经验，缺乏准确性、科学性和时效性。
解决上述技术问题的难度和意义：
难度在于：土壤水分及其变化是一个复杂的耦合系统，不仅受土壤自身属性影响，还受气候、地形、耕作方式等外界因素影响，关系比较复杂。所以在不同区域因时因地而异地选取适宜的土壤水分监测指标，构建科学合理的预测模型，对实时准确获取冬小麦生长的水分状况、精确田间灌溉和冬小麦生长管理都具有重要意义。目前土壤水分预报主要凭经验，缺乏准确性、科学性和时效性。因此，建立形式现对简单、参数易于取得、操作简便并能满足实际需要的土壤水分预测模型具有重要的理论和实际价值。
目前应用较多的土壤水分预测模型主要有基于实测数据的经验模型、遥感数据反演的多源数据模型、时间序列模型。其中经验模型参数简单易得，但时间和人力消耗大；遥感等多源数据的使用加快了土壤水分大规模监测预测的发展，但模型建立参数多样复杂且受土层深度和地表覆被等因素影响较大。
解决上述技术问题后，带来的意义为：
本发明基于大数据的机器学习算法进行土壤水分预测，可以实时、准确地反映土壤水分的时空分布状态。
发明内容
针对现有技术存在的问题，本发明提供了一种基于机器学习算法的土壤水分预测方法，
本发明是这样实现的，一种基于机器学习算法的土壤水分预测方法，包括以下步骤：
步骤一：建立土壤水分数据及预测因子数据库：通过野外采样和备制获取土壤水分相关基础数据，基于ArcGIS平台建立土壤水分数据库；利用调查统计、遥感和地理信息系统等方法获取多源数据集，收集土壤水分预测因子，建立土壤水分预测因子数据库；
数据库是按照数据结构来组织、存储和管理数据的建立在计算机存储设备上的仓库，用户可以对文件中的数据进行新增、截取、更新、删除等操作。随着信息管理内容的不断扩展，出现了丰富多样的数据模型(层次模型、网状模型、关系模型、面向对象模型、半结构化模型等)和数据流、Web数据管理、数据挖掘等新技术。
步骤二：土壤水分模拟预测及时空特征检测：采用支持向量机、随机森林和BP神经网络算法在R语言环境下建立土壤水分预测模型；采用相关地统计分析方法对土壤水分进行综合评价和时空特征分析；
结合支持向量机算法、随机森林算法和BP神经网络算法建立土壤水分预测模型，可以提高土壤水分预测精度，分析气象、地形和土壤属性等要素对土壤水分的影响，为土壤水分模拟预测提供科学依据。
步骤三：通过交叉验证等方法分析预测模型，通过精度指标，对该方法的精度进行评价；
步骤四：土壤水分预测因子重要性测定：通过方差分析、相关分析和逐步回归分析方法定量分析各个预测因子对土壤水分含量及其变化的影响。
方差分析的基本思想：通过分析研究不同来源的变异对总变异的贡献大小，从而确定可控因素对研究结果影响力的大小。常用方差(variance)表示偏差程度的量，先求某一群体的平均值与实际值差数的平方和，再用自由度除平方和所得之数即为方差(普通自由度为实测值的总数减1)。组群间的方差除以误差的方差称方差比，以发明者R.A.Fisher的第一字母F表示。将F值查对F分布表，即可判明实验中组群之差是仅仅偶然性的原因，还是很难用偶然性来解释。换言之，即判明实验所得之差数在统计学上是否显著。方差分析也适用于包含多因子的试验，处理方法也有多种。在根据试验设计所进行的实验中，方差分析法尤为有效。
计算原则:
一种表达值精确度的常用方法是表示真值在一定概率下所处的界限，平均值的界限给出：数据结果如果有两组试验结果，表示对两种材料进行的同样试验,了解这两组结果的平均值究竟有无明显差别，所算出的这一参数就是最小显著性之差，假如这两个平均值之间的差别超出这一参数，那么这两组数据来自同一总体的机会就会很小，也就是说这两者的总体很可能是不同的,最小显著差由下式计算,若每组所含的数据个数相同，如果这一比值大于从分布表查得的相应的值，那么这两个标准偏差在一定概率水平上是显著不同的，这种显著性检验仅在数据分布呈正态分布或接近于正态分布时才是有效的,采用合并标准偏差检验平均值显著性差异应严格限制在比值检验标准偏差有明显差异时使用,有多种原因会造成试验结果的波动性，因此最好是经常测定总变动性中的每一变动源所占的比例,方差分析就是用于评价总变动性来自每一变动源中各组分显著性一项技术,是以构成总方差的各独立因素方差而不是标准的总和等于总方差这一基本事实为基础的,其总的原则是鉴别试验变动性的可能来源，编制方差分析表，以得出每一组分平均值偏差的平方和，以及相应的自由度数值的均方值，方差的数据主要与加工性能以及损耗等多种因素有关。
相关分析法是研究两个或两个以上处于同等地位的随机变量间的相关关系的统计分析方法。通过对总体中确实具有联系的标志进行分析，其主体是对总体中具有因果关系标志的分析。它是描述客观事物相互间关系的密切程度并用适当的统计指标表示出来的过程。在一段时期内出生率随经济水平上升而上升，这说明两指标间是正相关关系；而在另一时期，随着经济水平进一步发展，出现出生率下降的现象，两指标间就是负相关关系。
为了确定相关变量之间的关系，首先应该收集一些数据，这些数据应该是成对的。例如，每人的身高和体重。然后在直角坐标系上描述这些点，这一组点集称为“散点图”。
根据散点图，当自变量取某一值时，因变量对应为一概率分布，如果对于所有的自变量取值的概率分布都相同，则说明因变量和自变量是没有相关关系的。反之，如果，自变量的取值不同，因变量的分布也不同，则说明两者是存在相关关系的。
两个变量之间的相关程度通过相关系数r来表示。相关系数r的值在-1和1之间，但可以是此范围内的任何值。正相关时，r值在0和1之间，散点图是斜向上的，这时一个变量增加，另一个变量也增加；负相关时，r值在-1和0之间，散点图是斜向下的，此时一个变量增加，另一个变量将减少。r的绝对值越接近1，两变量的关联程度越强，r的绝对值越接近0，两变量的关联程度越弱。
回归分析方法是从事物变化的因果关系出发进行分析的一种预测方法，即根据实际统计的数据，通过数学计算，确定变量之间相互依存的数量关系，建立合理的数学模型，以推算变量的未来值。回归分析一般按以下步骤进行：第一，借助于定性分析，确定有哪些可能的相关因素；第二，收集这些因素的统计资料；第三，应用最小二乘法等，求得各因素之间的相关系数和回归方程；最后，根据该方程进行预测，并对预测结果作可靠性分析。
进一步，步骤一中，土壤水分数据收集，新鲜土样水分的测定应做三份平行测定，取算术平均数。土壤相对含水量的计算如下：
水分(分析基)，
Figure BDA0002018385960000101
水分(干基)，
Figure BDA0002018385960000102
式中：m0表示烘干空铝盒质量，单位克/g；m1表示烘干前铝盒及土样质量，单位克/g；m2表示烘干后铝盒及土样质量，单位克/g。
进一步，步骤一中，土壤水分预测因子收集，不同预测因子具有不同量纲，针对坡度、坡向等地形因子采取分级统计均值定权法，NDVI采取像元线性拉伸。
进一步，步骤二中，BP神经网络，多层前馈数学模型为：
Figure BDA0002018385960000103
式中：
Figure BDA0002018385960000104
为第l层第i个节点的输出值；
Figure BDA0002018385960000105
为第l层第i个节点的激活值；
Figure BDA0002018385960000106
为第l-1层第j个节点到第l层第i个节点的连接权值；
Figure BDA0002018385960000107
为第l层第i个节点阀值；为第l层节点数；L为总层数；f(x)为神经元激活函数。
误差的反向传播阶段采用梯度递降算法，即调整各层神经元之间的连接权值，使总的误差向减少的方向变化。其数学表达式为:
Figure BDA0002018385960000108
则权值调整为：
Figure BDA0002018385960000109
进一步，步骤二中，随机森林算法，表达式为：
Figure BDA00020183859600001010
其中，c1为D1数据集的样本输出均值，c2为D2数据集的样本输出均值。cart树的预测是根据叶子结点的均值，因此随机森林的预测是所有树的预测值的平均值。
进一步，步骤二中，支持向量机；
一组训练数据集D＝{(x1,y1),…(xl,yl),x∈Rn,y∈R}，l为样本数量，线性回归函数估计即利用训练集D在线性函数集合中估计回归函数：f(x,a)＝ωx+b，SVM算法采用结构风险最小化原则在约束条件(1)下最小化泛函数(2)
Figure BDA0002018385960000111
Figure BDA0002018385960000112
式中：c为惩罚系数，决定经验风险误差和模型复杂度之间的一种折中；
Figure BDA0002018385960000113
为松弛因子，容许误差ε，b为偏置量，l为训练样本数，ω为权向量。通过构造Lagrange函数，得到原函数的对偶问题，上述问题最终变成凸二次规划问题。
进一步，步骤三中，精度比较采用交叉验证法，即在所有样本数据中，每次去掉其中一个样本数据点，用剩余的样本数据点来估测该点的值，通过比较实测值和预测值之间的差异验证空间插值的精度，以此作为选择最优半方差函数模型和插值方法的依据。
进一步，步骤三中，精度指标是通过把5项误差精度参数作为判断依据，分别为MPE(平均误差)、RMS(均方根误差)、ASE(平均标准误差)、RMSSD(标准均方根误差)和MESD(标准平均值)其中ME、MSE越小，精度越高；RMSSE越接近于1表示精度越高。
进一步，步骤三中，预测模型的相对预测误差是指预测值与实测值之间的绝对值与实测值的百分比，从而对其模型的预测误差进行评价。
综上所述，本发明的优点及积极效果为：
本发明利用多源数据，结合3S研究方法建立土壤样点数据库、预测因子数据库，并通过机器学习算法中的支持向量机算法、随机森林算法和BP神经网络算法建立相应的土壤水分预测模型，集成多元预测因子对土壤水分进行模拟预测和空间分布特征分析，最后通过定性和定量相结合的精度验证方法对本研究的预测模型进行评价，以验证其精确性和可靠性，以期为土壤水分预测模拟提供较为客观科学的土壤水分预测方法和技术支持。
本发明结合宝鸡市实际情况，选取地形、气象、土壤、植被等多方面的预测因子，引入新型算法—机器学习算法构建模型预测土壤水分，力求实现对宝鸡市土壤水分的精准预测研究。
考虑多因素的支持向量机算法、随机森林算法和BP神经网络算法建立相应的土壤水分预测模型均具有较好的预测效果；且模型在0-20cm土层的预测效果略优于20-40cm土层。
附图说明
图1是本发明实施例提供的基于机器学习算法的土壤水分预测方法流程图。
图2是本发明实施例提供的基于机器学习算法的土壤水分预测方法原理图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面结合附图对本发明应用原理作进一步详细说明；
如图1所示，本发明实施例提供的基于机器学习算法的土壤水分预测方法，包括以下步骤：
S101：建立土壤水分数据及预测因子数据库：通过野外采样和备制获取土壤水分相关基础数据，基于ArcGIS平台建立土壤水分地理数据库；利用调查统计、遥感和地理信息系统等方法获取多源数据集，收集土壤水分预测因子，建立土壤水分预测因子数据库；
S102：土壤水分模拟预测及时空特征检测：采用支持向量机、随机森林和BP神经网络算法在R语言环境下建立土壤水分预测模型；采用相关地统计分析方法对土壤水分进行综合评价和时空特征分析；
S103：通过交叉验证等方法分析预测模型，通过精度指标，对该方法的精度进行评价；
S104：土壤水分预测因子重要性测定：通过方差分析、相关分析和逐步回归分析方法定量分析各个预测因子对土壤水分含量及其变化的影响。
步骤S101中，本发明实施例提供的土壤水分数据收集，新鲜土样水分的测定应做三份平行测定，取算术平均数；土壤相对含水量的计算如下：
水分(分析基)，
Figure BDA0002018385960000131
水分(干基)，
Figure BDA0002018385960000132
式中：m0表示烘干空铝盒质量，单位克/g；m1表示烘干前铝盒及土样质量，单位克/g；m2表示烘干后铝盒及土样质量，单位克/g。
步骤S101中，本发明实施例提供的土壤水分预测因子收集，不同预测因子具有不同量纲，针对坡度、坡向等地形因子采取分级统计均值定权法，NDVI采取像元线性拉伸。
步骤S102中，本发明实施例提供的BP神经网络，多层前馈数学模型为：
Figure BDA0002018385960000133
式中：
Figure BDA0002018385960000134
为第l层第i个节点的输出值；
Figure BDA0002018385960000135
为第l层第i个节点的激活值；
Figure BDA0002018385960000136
为第l-1层第j个节点到第l层第i个节点的连接权值；
Figure BDA0002018385960000137
为第l层第i个节点的阀值；Nl为第l层节点数；L为总层数；f(x)为神经元激活函数。
误差的反向传播阶段采用梯度递降算法，即调整各层神经元之间的连接权值，使总的误差向减少的方向变化。其数学表达式为:
Figure BDA0002018385960000138
则权值调整为：
Figure BDA0002018385960000141
步骤S102中，本发明实施例提供的随机森林算法，表达式为：
Figure BDA0002018385960000142
其中，c1为D1数据集的样本输出均值，c2为D2数据集的样本输出均值。cart树的预测是根据叶子结点的均值，因此随机森林的预测是所有树的预测值的平均值。
步骤S102中，本发明实施例提供的支持向量机；
一组训练数据集D＝{(x1,y1),…(xl,yl),x∈Rn,y∈R}，l为样本数量，线性回归函数估计即利用训练集D在线性函数集合中估计回归函数：f(x,a)＝ωx+b，SVM算法采用结构风险最小化原则在约束条件(1)下最小化泛函数(2)
Figure BDA0002018385960000143
Figure BDA0002018385960000144
式中：c为惩罚系数，决定经验风险误差和模型复杂度之间的一种折中；
Figure BDA0002018385960000145
为松弛因子，容许误差ε，b为偏置量，l为训练样本数，ω为权向量。通过构造Lagrange函数，得到原函数的对偶问题，上述问题最终变成凸二次规划问题。
步骤S103中，本发明实施例提供的精度比较采用交叉验证法，即在所有样本数据中，每次去掉其中一个样本数据点，用剩余的样本数据点来估测该点的值，通过比较实测值和预测值之间的差异验证空间插值的精度，以此作为选择最优半方差函数模型和插值方法的依据。
步骤S103中，本发明实施例提供的精度指标是通过把5项误差精度参数作为判断依据，分别为MPE(平均误差)、RMS(均方根误差)、ASE(平均标准误差)、RMSSD(标准均方根误差)和MESD(标准平均值)其中ME、MSE越小，精度越高；RMSSE越接近于1表示精度越高。
步骤S103中，本发明实施例提供的预测模型的相对预测误差是指预测值与实测值之间的绝对值与实测值的百分比，从而对其模型的预测误差进行评价。
如图2所示，本发明实施例提供的基于机器学习算法的土壤水分预测方法原理图。
下面结合具体实施例对本发明的应用原理作进行详细说明；
实施例1；
本发明基于机器学习算法构建模型对宝鸡市冬小麦种植区土壤水分进行模拟预测分析，主要包括土壤水分预测模型研究、宝鸡市冬小麦土壤水分特征分析研究和预测因子与土壤含水量及其变化的相关性研究三部分研究内容。
(1)土壤水分预测模型研究：采用支持向量机、随机森林和BP神经网络算法结合前期提取的预测因子建立宝鸡市冬小麦土壤水分回归预测模型，对宝鸡市3-5月冬小麦种植区的0-20cm和20-40cm土层的土壤相对含水量进行预测，并通过相关指标对模型预测精度进行评价。
(2)土壤水分特征分析研究：运用ArcGIS10.3对模型预测结果进行空间分析，即分析宝鸡市冬小麦种植区3-5月的0-20cm和20-40cm土层土壤相对含水量的空间变化和时间变化，为冬小麦作的种植和管理提供科学依据。
(3)土壤水分及其变化与预测因子的相关性研究：对土壤水分预测因子进行权重及重要性分析，通过相关分析、方差分析和逐步回归，定量分析土壤水分各个预测因子对土壤水分及其变化的影响。
具体步骤如下：
1、研究区概况
关中平原作为我国三大小麦主产区之一，小麦种植历史悠久。宝鸡市地处关中平原西部，地处东经106°18′～108°03′，北纬33°35′～35°06′，总面积18117km2，辖3区9县，属大陆性季风气候，南、北、西三面分别为秦岭、北山和关山山地，中部为渭河平原，冬、夏季风在春季的调整交替使得宝鸡地区3～5月气温上升迅速且降水少；宝鸡市主要属于秦岭以北的黄河水系，其中渭河流域面积占全市的68.53％，全市水资源总量约为48.8亿立方米，其中地表水径流量41.3亿立方米，地下水可采量7.5亿立方米，总体上仍属缺水地区；在多种成土因素的综合作用下，形成以褐土、黑垆土和黄棕壤为主的土壤类型。宝鸡市春季农作物以冬小麦种植为主，3～5月为冬小麦生长的拔节、抽穗和灌浆期，期间耗水量巨大，对土壤水分要求高。采用科学合理的算法模型对宝鸡市冬小麦种植区3～5月土壤水分的预测研究对本区冬小麦的科学种植管理和保质保产具有重要意义。
2土壤水分及预测因子
2.1土壤水分数据收集
因关中平原冬小麦关键生长期和需水期为3～5月，所用数据时间尺度为2014～2018年的3～5月采样所得的所有土壤水分观测站点的相对含水量数据，按照GB7172-87土壤水分土钻测定法测得，具体包括野外土壤试样的选取和制备，室内土壤水分的测定两个部分。野外土样的选取包括风干土样和新鲜土样；风干土样压碎后通过1mm筛，混合均匀后备用；新鲜土样的制备则需要刮去土钻中的上部浮土，将土钻中部所需深度处的土壤约20g，捏碎后迅速装入已知准确质量的大型铝盒内，盖紧并装入木箱或其他容器，带回实验室，将铝盒外表擦拭干净，立即称重，尽早测量水分。室内测定工作也分为风干土样和新鲜土样两种；风干土样的测定是取小型铝盒在105℃恒温箱中烘烤约2h，移入干燥器内冷却至室温，称重，准确至0.001g。用角勺将风干土样拌匀，舀取约5g，均匀地平铺在铝盒中，盖好，称重，准确至0.001g。将铝盒盖揭开，放在盒底下，置于已预热至105±2℃的烘箱中烘烤6h。取出，盖好。移入干燥器内冷却至室温(约需20分钟)，立即称重。风干土样水分的测定应做两份平行测定，结果取算术平均值表示，保留小数后两位；平行测定结果的相差，水小于5％的风干土样不得超过0.2％，水分为5～25％的潮湿土样不得超过0.3％，水分大于15％的大粒(粒径约10mm)粘重潮湿土样不得超过0.7％(相当于相对误差不大于5％)。新鲜土样的测定是将新鲜土样的大型铝盒在分析天平上称重，准确至0.01g。揭开盒盖，放在盒底下，置于已预热至105±2℃的烘箱中烘烤12h。取出，盖好，在干燥器中冷却至室温(约需30分钟)，立即称重。新鲜土样水分的测定应做三份平行测定，取算术平均数。土壤相对含水量的计算如下：
水分(分析基)，
Figure BDA0002018385960000171
水分(干基)，
Figure BDA0002018385960000172
式中：m0表示烘干空铝盒质量，单位克/g；m1表示烘干前铝盒及土样质量，单位克/g；m2表示烘干后铝盒及土样质量，单位克/g。
2.2土壤水分预测因子收集
土壤水分的空间分布状况受到成土母质、土壤类型等土壤属性因子，坡度、坡向、地形湿度指数、地表粗糙度等地形因子，降水、气温、日照、蒸散发等气象因子[42]，植被类型、植被覆盖度等植被因子和土地利用方式等[43]多种因素的影响。结合前人的土壤水分影响因素研究成果和宝鸡市冬小麦种植区的实际情况，选取海拔、坡度、坡向、地形湿度指数(TWI)等地形因子，水汽压、风速、日照时数、气压、气温、降水和相对湿度等气象因子，土壤母质、土壤容重、土壤质地、潜水埋深和耕层厚度等土壤属性因子以及植被覆盖度和土地利用方式等所有因子共同组成土壤水分预测因子集合，分析预测因子对冬小麦种植区土壤水分空间分布及其变化的影响程度。土壤类型和土壤母质因子来自1：5万土壤类型图和土壤母质图，土壤容重、土壤质地和潜水埋深等数据来源于宝鸡市土肥站的实际采样点统计所；各气象数据来源于宝鸡市气象局12站点的日值气象资料数据；地形因子数据来源于中国科学院地理空间数据云网站下载的30米分辨率的遥感OLI影像和DEM，在GIS空间分析模块下的表面分析和水文分析工具获得坡度、坡向、地表粗糙度和地形湿度指数等地形因子，通过遥感数字技术获取研究区NDVI数据和土地利用类型数据。由于不同预测因子具有不同量纲，针对坡度、坡向等地形因子采取分级统计均值定权法，NDVI采取像元线性拉伸，其详细处理过程详见参考文献[44]。
3机器学习算法
机器学习就是指计算机利用经验自动改善系统自身性能的行为，即通过计算机学习数据中的内在规律性信息，获得新的经验和知识，以提高计算机的智能性，使计算机能够像人那样去决策，它吸取了人工智能、概率统计、计算复杂性理论、控制论、信息论、哲学、生理学、神经生物学等学科的成果，已经在医学卫生、信息控制、交通物流、生物科技等众多领域取得良好应用，常用的机器学习算法有决策树算法、随机森林算法、神经网络算法、支持向量机算法等[45-46]。
3.1BP神经网络
人工神经网络技术是模拟人脑的神经网络行为特征而建立的分布式并行信息处理算法的数学模型，其中BP神经网络是由Rumelhart和McClelland为首的科学家首度提出的一种按照误差逆向传播算法训练的多层前馈神经网络，事先无需确定输入输出之间映射关系的数学方程，仅通过自身的训练，学习某种规则，在给定输入值时得到最接近期望输出值的结果[47]。基本思想是：如果利用已有权重和阈值正向传播得不到期望的输出，则反向传播，反复修改(迭代)各节点的权重和阈值，逐步减小代价函数，直到达到预先设定的要求，一般以代价函数小于某一相当小的正数或迭代不再减小，而是反复振荡为止，此时完成BP网络的训练及输入与输出之间映射关系的确定[48]。简言之，就是调整权值使网络总误差最小。
BP神经网络的模型结构和权值通过学习过程得到。学习过程分为2个阶段：多层前馈阶段，即从输入层开始依次计算各层各节点的实际输入、输出；反向误差修正阶段，即根据输出层神经元的输出误差，沿路反向修正各连接权值，使误差减少。多层前馈数学模型为：
Figure BDA0002018385960000191
式中：
Figure BDA0002018385960000192
为第l层第i个节点的输出值；
Figure BDA0002018385960000193
为第l层第i个节点的激活值；
Figure BDA0002018385960000194
为第l-1层第j个节点到第l层第i个节点的连接权值；
Figure BDA0002018385960000195
为第l层第i个节点的阀值；Nl为第l层节点数；L为总层数；f(x)为神经元激活函数。
在正向前馈过程中，依次按上式计算出各层的输入、输出，直到输出层神经元的输出误差不能满足精度要求，则进入误差的反向传播阶段。误差的反向传播阶段采用梯度递降算法，即调整各层神经元之间的连接权值，使总的误差向减少的方向变化。其数学表达式为:
Figure BDA0002018385960000196
则权值调整为：
Figure BDA0002018385960000197
3.2随机森林
随机森林算法是由Leo Breiman提出的一种利用多个树分类器进行分类和预测的方法，随机森林算法可以用于处理回归、分类、聚类以及生存分析等问题，当用于分类或回归问题时，它的主要思想是通过自助法重采样，生成很多个树回归器或分类器[49]。随机森林的构建过程大致如下：从原始训练集中使用Bootstraping方法随机有放回采样选出m个样本，共进行n_tree次采样，生成n_tree个训练集；对于n_tree个训练集，我们分别训练n_tree个决策树模型；对于单个决策树模型，假设训练样本特征的个数为n，那么每次分裂时根据信息增益/信息增益比/基尼指数选择最好的特征进行分裂；每棵树都一直这样分裂下去，直到该节点的所有训练样例都属于同一类。在决策树的分裂过程中不需要剪枝；将生成的多棵决策树组成随机森林。对于分类问题，按多棵树分类器投票决定最终分类结果；对于回归问题，由多棵树预测值的均值决定最终预测结果；如果是回归，则cart树是回归树，采用的原则是最小均方差。即对于任意划分特征A，对应的任意划分点s两边划分成的数据集D1和D2，求出使D1和D2各自集合的均方差最小，同时D1和D2的均方差之和最小所对应的特征和特征值划分点。表达式为：
Figure BDA0002018385960000201
其中，c1为D1数据集的样本输出均值，c2为D2数据集的样本输出均值。cart树的预测是根据叶子结点的均值，因此随机森林的预测是所有树的预测值的平均值[50]。
3.3支持向量机
支持向量机(SVM)是由Vapnik等于20世纪90年代提出的一种数学推导严密、理论基础坚实的机器学习方法，由于其在计算机图像处理、非线性建模与预测、优化控制等领域中所表现出的特有优势而被学者们认为是继神经网络学习之后新的研究热点。支持向量回归(Support Vector Regression，SVR)是基于统计学习的VC维理论和结构风险最小化原则，在已有的样本信息中获取最佳学习模型，其核心思想是：通过对样本信息的学习获得因变量和自变量之间的复杂的非线性映射关系，即基于Mercer核展开定理，通过非线性映射，把低维样本空间映射到一个高维乃至无穷维的特征空间，使其在特征空间中可以应用线性学习机的方法解决低维度样本空间中的高度回归等问题[52-53]。
已知一组训练数据集D＝{(x1,y1),…(xl,yl),x∈Rn,y∈R}，l为样本数量，线性回归函数估计即利用训练集D在线性函数集合中估计回归函数：f(x,a)＝ωx+b，SVM算法采用结构风险最小化原则在约束条件(1)下最小化泛函数(2)
Figure BDA0002018385960000202
Figure BDA0002018385960000203
式中：c为惩罚系数，决定经验风险误差和模型复杂度之间的一种折中；
Figure BDA0002018385960000211
为松弛因子，容许误差ε，b为偏置量，l为训练样本数，ω为权向量。通过构造Lagrange函数，得到原函数的对偶问题，上述问题最终变成凸二次规划问题。
4模型预测精度评价
精度比较采用交叉验证法，即在所有样本数据中，每次去掉其中一个样本数据点，用剩余的样本数据点来估测该点的值，通过比较实测值和预测值之间的差异验证空间插值的精度，以此作为选择最优半方差函数模型和插值方法的依据。通过把5项误差精度参数作为判断依据，分别为MPE(平均误差)、RMS(均方根误差)、ASE(平均标准误差)、RMSSD(标准均方根误差)和MESD(标准平均值)其中ME、MSE越小，精度越高；RMSSE越接近于1表示精度越高。相对预测误差是指预测值与实测值之间的绝对值与实测值的百分比，从而对其模型的预测误差进行评价。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于机器学习算法的土壤水分预测方法，其特征在于，所述的基于机器学习算法的土壤水分预测方法包括以下步骤：
步骤一：建立土壤水分数据及预测因子数据库：通过野外采样和备制获取土壤水分相关基础数据，基于ArcGIS平台建立土壤水分数据库；利用调查统计、遥感和地理信息系统获取多源数据集，收集土壤水分预测因子，建立土壤水分预测因子数据库；
步骤二：土壤水分模拟预测及时空特征检测：采用支持向量机、随机森林和BP神经网络算法在R语言环境下建立土壤水分预测模型；采用相关地统计分析方法对土壤水分进行综合评价和时空特征分析；
步骤三：通过交叉验证方法分析预测模型，通过精度指标，对交叉验证方法的精度进行评价；
步骤四：土壤水分预测因子重要性测定：通过方差分析、相关分析和逐步回归分析方法定量分析各个预测因子对土壤水分含量及土壤水分含量变化的影响。
2.如权利要求1所述的基于机器学习算法的土壤水分预测方法，其特征在于，所述步骤一中，土壤水分数据收集，新鲜土样水分的测定应做三份平行测定，取算术平均数；土壤相对含水量的计算如下：
水分(分析基)，
Figure FDA0002018385950000011
水分(干基)，
Figure FDA0002018385950000012
式中：m0表示烘干空铝盒质量，单位克/g；m1表示烘干前铝盒及土样质量，单位克/g；m2表示烘干后铝盒及土样质量，单位克/g。
3.如权利要求1所述的基于机器学习算法的土壤水分预测方法，其特征在于，所述步骤一中，土壤水分预测因子收集，不同预测因子具有不同量纲，针对坡度、坡向地形因子采取分级统计均值定权法，NDVI采取像元线性拉伸。
4.如权利要求1所述的基于机器学习算法的土壤水分预测方法，其特征在于，所述步骤二中，BP神经网络，多层前馈数学模型为：
Figure FDA0002018385950000021
式中：
Figure FDA0002018385950000024
为第l层第i个节点的输出值；
Figure FDA0002018385950000025
为第l层第i个节点的激活值；
Figure FDA0002018385950000026
为第l-1层第j个节点到第l层第i个节点的连接权值；
Figure FDA0002018385950000027
为第l层第i个节点的阀值；N1为第l层节点数；L为总层数；f(x)为神经元激活函数；
误差的反向传播阶段采用梯度递降算法，调整各层神经元之间的连接权值，使总的误差向减少的方向变化，数学表达式为:
Figure FDA0002018385950000028
(η为学习率)；
则权值调整为：
Figure FDA0002018385950000029
。
5.如权利要求1所述的基于机器学习算法的土壤水分预测方法，其特征在于，所述步骤二中，随机森林算法，表达式为：
Figure FDA0002018385950000022
其中，c1为D1数据集的样本输出均值，c2为D2数据集的样本输出均值；cart树的预测根据叶子结点的均值。
6.如权利要求1所述的基于机器学习算法的土壤水分预测方法，其特征在于，所述步骤二中，支持向量机；
一组训练数据集D＝{(x1,y1),…(xl,yl),x∈Rn,y∈R}，l为样本数量，线性回归函数估计即利用训练集D在线性函数集合中估计回归函数：f(x,a)＝ωx+b
Figure FDA0002018385950000023
Figure FDA0002018385950000031
式中：c为惩罚系数，决定经验风险误差和模型复杂度之间的一种折中；
Figure FDA0002018385950000032
为松弛因子，容许误差ε，b为偏置量，l为训练样本数，ω为权向量；通过构造Lagrange函数，得到原函数的对偶问题。
7.如权利要求1所述的基于机器学习算法的土壤水分预测方法，其特征在于，所述步骤三中，精度比较采用交叉验证法，包括：在所有样本数据中，每次去掉所有样本数据中一个样本数据点，用剩余的样本数据点来估测该点的值，通过比较实测值和预测值之间的差异验证空间插值的精度，作为选择最优半方差函数模型和插值方法的依据。
8.如权利要求1所述的基于机器学习算法的土壤水分预测方法，其特征在于，所述步骤三中，精度指标是通过把5项误差精度参数作为判断依据，分别为平均误差、均方根误差、平均标准误差、标准均方根误差和标准平均值。
9.如权利要求1所述的基于机器学习算法的土壤水分预测方法，其特征在于，所述步骤三中，预测模型的相对预测误差为指预测值与实测值之间的绝对值与实测值的百分比，对预测模型的预测误差进行评价。
10.一种应用权利要求1～9任意一项所述基于机器学习算法的土壤水分预测方法的信息数据处理终端。
CN201910271027.7A 2019-04-04 2019-04-04 一种基于机器学习算法的土壤水分预测方法 Pending CN111307643A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910271027.7A CN111307643A (zh) 2019-04-04 2019-04-04 一种基于机器学习算法的土壤水分预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910271027.7A CN111307643A (zh) 2019-04-04 2019-04-04 一种基于机器学习算法的土壤水分预测方法

Publications (1)

Publication Number Publication Date
CN111307643A true CN111307643A (zh) 2020-06-19

Family

ID=71148831

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910271027.7A Pending CN111307643A (zh) 2019-04-04 2019-04-04 一种基于机器学习算法的土壤水分预测方法

Country Status (1)

Country Link
CN (1) CN111307643A (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111879915A (zh) * 2020-08-04 2020-11-03 北京师范大学 一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统
CN112232522A (zh) * 2020-11-19 2021-01-15 山东科技大学 一种深部巷道支护方案智能推荐及动态优化方法
CN112906310A (zh) * 2021-04-19 2021-06-04 中国农业科学院农业资源与农业区划研究所 考虑萤火虫算法优化bp神经网络微波遥感土壤水分反演方法
CN113239318A (zh) * 2021-05-17 2021-08-10 中国气象局乌鲁木齐沙漠气象研究所 一种区域数值预报模式的土壤湿度初值订正方法
CN113487037A (zh) * 2021-06-25 2021-10-08 大连大学 一种熵权算法和机器学习技术的甜樱桃裂果率评估方法
CN113821987A (zh) * 2021-11-19 2021-12-21 浙江甲骨文超级码科技股份有限公司 复杂地形气象数据预测方法、系统和装置
CN113866391A (zh) * 2021-09-29 2021-12-31 天津师范大学 深度学习模型预测因素解释方法及其在土壤含水量预测中的应用
CN114878788A (zh) * 2022-06-14 2022-08-09 古田县恒春农业开发有限公司 一种花卉种植智能湿度检测装置
CN114965441A (zh) * 2022-07-28 2022-08-30 中国科学院国家天文台 元素概率化预测模型的训练方法和元素概率化预测方法
CN115018394A (zh) * 2022-08-08 2022-09-06 成都数联云算科技有限公司 旱情评估方法、装置、存储介质、设备及计算机程序产品
CN115629192A (zh) * 2022-12-22 2023-01-20 中国气象局地球系统数值预报中心 一种土壤湿度数据三维协调同化方法及系统
IT202100023162A1 (it) * 2021-09-08 2023-03-08 Univ Bologna Alma Mater Studiorum Metodo e sistema per il monitoraggio dell’umidità del suolo
CN116148438A (zh) * 2023-01-10 2023-05-23 中南大学 基于机器学习的土壤矿物含量预测方法
CN116229285A (zh) * 2023-05-06 2023-06-06 深圳大学 融合物联网数据和空间场景的土壤含水量监测方法
CN116484287A (zh) * 2023-06-21 2023-07-25 云南省地质矿产勘查开发局中心实验室(自然资源部昆明矿产资源检测中心) 基于误差修正的土壤水分预测方法、系统、终端及介质
CN117556695A (zh) * 2023-11-11 2024-02-13 水利部交通运输部国家能源局南京水利科学研究院 一种基于深度学习的作物根层土壤含水量模拟方法
CN117764726A (zh) * 2024-02-22 2024-03-26 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) 基于大数据与人工智能的不动产金融风险防控方法及系统
CN117826112A (zh) * 2024-03-05 2024-04-05 天津智云水务科技有限公司 一种基于sar的土壤含水量的反演方法
CN117828992A (zh) * 2024-01-04 2024-04-05 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种高时空分辨ccn数浓度精准预测方法及系统
CN117893177A (zh) * 2024-03-15 2024-04-16 山东得和明兴生物科技有限公司 一种利用弹性填料进行池塘水质调控的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184400A (zh) * 2015-08-31 2015-12-23 中国烟草总公司广东省公司 一种烟田土壤水分预测方法
US20180368339A1 (en) * 2016-11-30 2018-12-27 Reinierus Hendricus Maria van der Lee Solid state soil moisture sensor
CN109374860A (zh) * 2018-11-13 2019-02-22 西北大学 一种基于机器学习算法的土壤养分预测及综合评价方法
CN109522516A (zh) * 2018-09-30 2019-03-26 广州地理研究所 基于随机森林回归算法的土壤湿度检测方法、装置及电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184400A (zh) * 2015-08-31 2015-12-23 中国烟草总公司广东省公司 一种烟田土壤水分预测方法
US20180368339A1 (en) * 2016-11-30 2018-12-27 Reinierus Hendricus Maria van der Lee Solid state soil moisture sensor
CN109522516A (zh) * 2018-09-30 2019-03-26 广州地理研究所 基于随机森林回归算法的土壤湿度检测方法、装置及电子设备
CN109374860A (zh) * 2018-11-13 2019-02-22 西北大学 一种基于机器学习算法的土壤养分预测及综合评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HONGMEI NIE ET AL.: "Spatial Prediction of Soil Moisture Content in Winter", 《2018 26TH INTERNATIONAL CONFERENCE ON GEOINFORMATICS》 *
黄安: "基于多元成土因素的土壤有机质空间分布分析", 《干旱区地理》 *

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111879915A (zh) * 2020-08-04 2020-11-03 北京师范大学 一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统
CN112232522A (zh) * 2020-11-19 2021-01-15 山东科技大学 一种深部巷道支护方案智能推荐及动态优化方法
CN112232522B (zh) * 2020-11-19 2022-09-30 山东科技大学 一种深部巷道支护方案智能推荐及动态优化方法
CN112906310A (zh) * 2021-04-19 2021-06-04 中国农业科学院农业资源与农业区划研究所 考虑萤火虫算法优化bp神经网络微波遥感土壤水分反演方法
CN113239318A (zh) * 2021-05-17 2021-08-10 中国气象局乌鲁木齐沙漠气象研究所 一种区域数值预报模式的土壤湿度初值订正方法
CN113487037B (zh) * 2021-06-25 2024-05-31 大连大学 一种熵权算法和机器学习技术的甜樱桃裂果率评估方法
CN113487037A (zh) * 2021-06-25 2021-10-08 大连大学 一种熵权算法和机器学习技术的甜樱桃裂果率评估方法
IT202100023162A1 (it) * 2021-09-08 2023-03-08 Univ Bologna Alma Mater Studiorum Metodo e sistema per il monitoraggio dell’umidità del suolo
WO2023037282A1 (en) * 2021-09-08 2023-03-16 Alma Mater Studiorum - Universita' Di Bologna Method and system for soil-moisture monitoring
CN113866391A (zh) * 2021-09-29 2021-12-31 天津师范大学 深度学习模型预测因素解释方法及其在土壤含水量预测中的应用
CN113866391B (zh) * 2021-09-29 2024-03-08 天津师范大学 深度学习模型预测因素解释方法及其在土壤含水量预测中的应用
CN113821987A (zh) * 2021-11-19 2021-12-21 浙江甲骨文超级码科技股份有限公司 复杂地形气象数据预测方法、系统和装置
CN114878788A (zh) * 2022-06-14 2022-08-09 古田县恒春农业开发有限公司 一种花卉种植智能湿度检测装置
CN114965441A (zh) * 2022-07-28 2022-08-30 中国科学院国家天文台 元素概率化预测模型的训练方法和元素概率化预测方法
CN114965441B (zh) * 2022-07-28 2022-12-06 中国科学院国家天文台 元素概率化预测模型的训练方法和元素概率化预测方法
CN115018394A (zh) * 2022-08-08 2022-09-06 成都数联云算科技有限公司 旱情评估方法、装置、存储介质、设备及计算机程序产品
CN115018394B (zh) * 2022-08-08 2022-10-25 成都数联云算科技有限公司 旱情评估方法、装置、存储介质及设备
CN115629192B (zh) * 2022-12-22 2023-03-14 中国气象局地球系统数值预报中心 一种土壤湿度数据三维协调同化方法及系统
CN115629192A (zh) * 2022-12-22 2023-01-20 中国气象局地球系统数值预报中心 一种土壤湿度数据三维协调同化方法及系统
CN116148438A (zh) * 2023-01-10 2023-05-23 中南大学 基于机器学习的土壤矿物含量预测方法
CN116229285A (zh) * 2023-05-06 2023-06-06 深圳大学 融合物联网数据和空间场景的土壤含水量监测方法
CN116229285B (zh) * 2023-05-06 2023-08-04 深圳大学 融合物联网数据和空间场景的土壤含水量监测方法
CN116484287A (zh) * 2023-06-21 2023-07-25 云南省地质矿产勘查开发局中心实验室(自然资源部昆明矿产资源检测中心) 基于误差修正的土壤水分预测方法、系统、终端及介质
CN116484287B (zh) * 2023-06-21 2023-09-01 云南省地质矿产勘查开发局中心实验室(自然资源部昆明矿产资源检测中心) 基于误差修正的土壤水分预测方法、系统、终端及介质
CN117556695A (zh) * 2023-11-11 2024-02-13 水利部交通运输部国家能源局南京水利科学研究院 一种基于深度学习的作物根层土壤含水量模拟方法
CN117556695B (zh) * 2023-11-11 2024-05-14 水利部交通运输部国家能源局南京水利科学研究院 一种基于深度学习的作物根层土壤含水量模拟方法
CN117828992A (zh) * 2024-01-04 2024-04-05 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种高时空分辨ccn数浓度精准预测方法及系统
CN117764726A (zh) * 2024-02-22 2024-03-26 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) 基于大数据与人工智能的不动产金融风险防控方法及系统
CN117826112A (zh) * 2024-03-05 2024-04-05 天津智云水务科技有限公司 一种基于sar的土壤含水量的反演方法
CN117826112B (zh) * 2024-03-05 2024-05-31 天津智云水务科技有限公司 一种基于sar的土壤含水量的反演方法
CN117893177A (zh) * 2024-03-15 2024-04-16 山东得和明兴生物科技有限公司 一种利用弹性填料进行池塘水质调控的方法
CN117893177B (zh) * 2024-03-15 2024-06-07 山东得和明兴生物科技有限公司 一种利用弹性填料进行池塘水质调控的方法

Similar Documents

Publication Publication Date Title
CN111307643A (zh) 一种基于机器学习算法的土壤水分预测方法
Karthikeyan et al. Multi-layer high-resolution soil moisture estimation using machine learning over the United States
Li et al. Assimilating remote sensing information into a coupled hydrology-crop growth model to estimate regional maize yield in arid regions
CN107818238B (zh) 一种确定蒸散发变化主因及判别因素间耦合作用的方法
Deng et al. Simulation of land use/land cover change and its effects on the hydrological characteristics of the upper reaches of the Hanjiang Basin
CN109374860A (zh) 一种基于机器学习算法的土壤养分预测及综合评价方法
Lu et al. Comprehensive hydrologic calibration of SWAT and water balance analysis in mountainous watersheds in northwest China
CN109508824A (zh) 一种农作物生长态势检测及产量预估方法
CN104521699A (zh) 田间智能灌溉在线控制管理方法
CN114462518B (zh) 考虑多要素空间依赖性的区域蒸散发变化归因分析方法
Jiao et al. Estimation of net primary productivity and its driving factors in the Ili River Valley, China
Liu et al. Precision regulation model of water and fertilizer for alfalfa based on agriculture cyber-physical system
Farooque et al. Forecasting daily evapotranspiration using artificial neural networks for sustainable irrigation scheduling
Imbach et al. Climatology-based regional modelling of potential vegetation and average annual long-term runoff for Mesoamerica
CN109086479A (zh) 一种基于并行计算的分布式水文模型参数多目标率定方法
CN110472281A (zh) 一种估算时空连续地表水热通量的数据同化方法
Khan et al. Catchment scale simulations of soil moisture dynamics using an equivalent cross-section based hydrological modelling approach
CN112785035A (zh) 融合多元信息的中短期水文预报方法及系统
CN112613648A (zh) 一种训练旱情监测模型的方法、旱情监测方法及设备
CN117390552A (zh) 基于数字孪生的智能灌溉系统及方法
CN117556695B (zh) 一种基于深度学习的作物根层土壤含水量模拟方法
CN114239274A (zh) 多源遥感数据驱动指数滤波模型推求根层土壤水的方法
CN117494419A (zh) 一种多模型耦合的流域水土流失遥感监测方法
Zheng et al. A review on the soil moisture prediction model and its application in the information system
Gao et al. Testing the realism of a topography driven model (FLEX-Topo) in the nested catchments of the Upper Heihe, China.

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