CN113094972A - 基于生成对抗网络和环境要素数据的基岩深度预测方法及系统 - Google Patents
基于生成对抗网络和环境要素数据的基岩深度预测方法及系统 Download PDFInfo
- Publication number
- CN113094972A CN113094972A CN202110276703.7A CN202110276703A CN113094972A CN 113094972 A CN113094972 A CN 113094972A CN 202110276703 A CN202110276703 A CN 202110276703A CN 113094972 A CN113094972 A CN 113094972A
- Authority
- CN
- China
- Prior art keywords
- data
- generator
- feature map
- bedrock
- depth
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06N3/045—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于生成对抗网络和环境要素数据的基岩深度预测方法及系统,本发明方法包括预先设计生成包括生成器G和鉴别器D的生成对抗网络并完成训练;将以观测点为中心的一组环境要素数据输入训练好的生成器G,通过生成器G前向推理得到被预测位置对应的基岩深度数据yg。本发明基于生成对抗网络具有的强大拟合能力将其应用于基岩深度预测中可有效利用更多的环境信息,得到更准确同时泛化能力更好的预测模型,而且通过多级切片输入和生成对抗网络的模型结构充分发挥了生成对抗网络的拟合潜力,实现了精度极高的基岩深度预测,具有数据采样简单、预测速度快、预测准确度高的优点。
Description
技术领域
本发明属于地理数据处理领域,具体涉及一种基于生成对抗网络和环境要素数据的基岩深度预测方法及系统。
背景技术
基岩(bed rock),是风化作用发生以后,原来高温高压下形成的矿物被破坏,形成一些在常温常压下较稳定的新矿物,构成陆壳表层风化层,风化层之下的完整的岩石称为基岩,露出地表的基岩称为露头。基岩是陆地表层中的坚硬岩层。一般多被土层覆盖,埋藏深度不一,少则数米到数十米,多则数百米。由沉积岩、变质岩、岩浆岩中的一种或数种岩类组成,可作大型建筑工程的地基。
基岩深度是基岩层上表面相对地表的深度,即所有土层和风化岩石的总厚度。基岩深度信息在地球系统科学研究中起着非常重要的作用。在地质学中,基岩深度被广泛应用于矿场勘查、地震建模和滑坡风险评价。在陆面过程模拟中,基岩深度作为一个重要的输入参数,影响着能量循环、水循环和碳循环。在土壤科学中,由于基岩决定着植物根系伸展的范围,因此,基岩深度成为评价土壤资源的重要指标。在房屋建筑、道路和桥梁建设等土木工程研究和应用中,基岩信息也是不可或缺的基础信息。除此之外,基岩深度在水文、生态、农业等其他相关领域的研究和应用中都扮演着一个重要角色。因此,预测基岩深度有着广泛的用途和深远的意义。
目前基岩深度主要通过土壤调查得到的土壤剖面或者通过地质调查中的钻井剖面来确定,通过剖面采样得到的数据是采样位置的准确数据,但代价极大,在实际生产中,需要一种获取难度小但同时精度足够的基岩深度获取方法。当前基于简单机器学习或统计学的预测方法预测准确率较低,依赖复杂的特征工程,泛化能力有限。
发明内容
本发明要解决的技术问题:针对现有技术的上述问题,提供一种基于生成对抗网络和环境要素数据的基岩深度预测方法及系统,基于生成对抗网络具有的强大拟合能力将其应用于基岩深度预测中可有效利用更多的环境信息,得到更准确同时泛化能力更好的预测模型,而且通过多级切片输入和生成对抗网络的模型结构充分发挥了生成对抗网络的拟合潜力,实现了精度极高的基岩深度预测,具有数据采样简单、预测速度快、预测准确度高的优点。
为了解决上述技术问题,本发明采用的技术方案为:
一种基于生成对抗网络和环境要素数据的基岩深度预测方法,包括:
1)预先设计生成包括一个生成器G和一个鉴别器D的生成对抗网络,其中生成器G用于接受输入的一组环境要素数据生成基岩深度数据、鉴别器D通过判断真实基岩深度数据和生成基岩深度数据的差异;通过鉴别器D指导训练生成器G生成更加精确的基岩深度数据并保存训练好的生成器G;
2)将以观测点为中心的一组环境要素数据输入训练好的生成器G,通过生成器G前向推理得到被预测位置对应的基岩深度数据yg。
可选地,步骤2)中以观测点为中心的一组环境要素数据是指以观测点为中心的环境要素数据按照相同的环境要素数据维度、从小到大排列的五种数据切片x1,x2,x5,x3,x4中的x1,x2,x3,x4四种数据切片构成。
可选地,步骤2)中将以观测点为中心的一组环境要素数据输入训练好的生成器G之前还包括对n个环境协同变量数据进行分辨率差异化处理的步骤:对于分辨率小于预设尺度的属性数据,采用平均值方法将其分辨率转换成预设尺度;对于分辨率等于预设尺度的分类数据,采用众数方法将其分辨率转换成预设尺度;对于分辨率大于预设尺度的数据,将其转换成存在很多块的值均相同的预设尺度分辨率的数据。
可选地,所述按照相同的环境要素数据维度、从小到大排列的五种数据切片x1,x2,x5,x3,x4的空间大小分别为3*3*n、6*6*n、9*9*n、12*12*n、24*24*n,其中n为环境要素数据维度。
可选地,步骤2)中生成器G前向推理得到被预测位置对应的基岩深度数据yg的步骤包括:
2.1)将空间大小为3*3*n的数据切片x1通过k=3、s=1、f=512的卷积计算得到输出的特征图FM1,将特征图FM1通过k=3、s=2、f=512的反卷积计算得到特征图FM_deconv1,同时将特征图FM1进行最近邻插值上采样且输出尺寸与特征图FM_deconv1同样为特征图FM1的尺寸的两倍、通道数一样为512,将最近邻插值上采样的结果再进行一次k=3、s=1、f=512的卷积得到特征图FM_resize1,再将尺寸完全一样的特征图FM_deconv1与特征图FM_resize1按位相加得到6*6*256的特征图;其中k表示卷积核尺寸,s表示卷积滑动步长,f表示卷积核数量;
2.2)将空间大小为6*6*n的数据切片x2通过k=3、s=1、f=128的卷积计算后再与步骤2.1)得到的6*6*256的特征图在通道上堆叠得到6*6*384的特征图;将6*6*384的特征图通过k=3、s=1、f=256的卷积计算得到特征图FM2,将特征图FM2通过k=3、s=2、f=256的反卷积计算得到特征图FM_deconv2,同时将特征图FM2进行最近邻插值上采样且输出尺寸与特征图FM_deconv2同样为特征图FM2的尺寸的两倍、通道数一样为256,将最近邻插值上采样的结果再进行一次k=3、s=1、f=128的卷积得到特征图FM_resize2,再将尺寸完全一样的特征图FM_deconv2与特征图FM_resize2按位相加得到12*12*128的特征图;
2.3)将空间大小为12*12*n的数据切片x3通过k=3、s=1、f=64的卷积计算后再与步骤2.2)得到的12*12*128的特征图在通道上堆叠得到12*12*196的特征图;将12*12*196的特征图通过k=3、s=1、f=128的卷积计算得到特征图FM3,将特征图FM3通过k=3、s=2、f=128的反卷积计算得到特征图FM_deconv3,同时将特征图FM3进行最近邻插值上采样且输出尺寸与特征图FM_deconv3同样为特征图FM3的尺寸的两倍、通道数一样为128,将最近邻插值上采样的结果再进行一次k=3、s=1、f=64的卷积得到特征图FM_resize3,再将尺寸完全一样的特征图FM_deconv3与特征图FM_resize3按位相加得到24*24*64的特征图;
2.4)将空间大小为24*24*n的数据切片x4通过k=3、s=1、f=32的卷积计算后再与步骤2.3)得到的24*24*64的特征图在通道上堆叠得到24*24*96的特征图;将24*24*96的特征图通过k=3、s=1、f=64的卷积计算得到特征图FM4,将特征图FM4通过k=3、s=2、f=64的反卷积计算得到特征图FM_deconv4,同时将特征图FM4进行最近邻插值上采样且输出尺寸与特征图FM_deconv4同样为特征图FM4的尺寸的两倍、通道数一样为64,将最近邻插值上采样的结果再进行一次k=3、s=1、f=32的卷积得到特征图FM_resize4,再将尺寸完全一样的特征图FM_deconv4与特征图FM_resize4按位相加得到48*48*32的特征图;
2.5)将48*48*32的特征图依次经过三轮k=3,s=2的卷积后接k=3,s=1的卷积进行下采样,得到6*6*256的特征图,然后将6*6*256的特征图拉直,然后通过四层全连接层逐级缩小神经元数量,且由最后一个神经元输出得到被预测位置对应的基岩深度数据yg。
可选地,步骤1)中通过鉴别器D指导训练生成器G生成更加精确的基岩深度数据并保存训练好的生成器G的步骤包括:
S1)构建多组训练数据(x1,x2,x3,x4,x5,y)得到数据集,其中x1,x2,x5,x3,x4分别为以观测点为中心的环境要素数据按照相同的环境要素数据维度、从小到大排列的五种数据切片,y为真实基岩深度数据,其中x1,x2,x3,x4四种数据切片作为生成器G的输入,生成器G的输出、真实基岩深度数据y作为鉴别器D的两路输入;
S2)将数据集划分为训练集和测试集;
S3)使用训练集训练生成对抗网络;
S4)使用测试集训练后的生成对抗网络进行测试;
S5)判断测试结果是否收敛并达到预期效果,如果收敛并达到预期效果,则判定生成器G训练完成并保存训练好的生成器G;否则,跳转执行步骤S3)。
可选地,步骤S3)使用训练集训练生成对抗网络的步骤包括:
S3.1)从训练集中取出一个数据组,将取出的数据组中的数据切片x1,x2,x3,x4输入生成对抗网络的生成器G,通过生成器G前向推理得到被预测位置对应的基岩深度数据yg,将生成器G预测得到的被预测位置对应的基岩深度数据yg与真实基岩深度数据y进行比较计算均方差,得到生成器G的第一个监督损失以用于指导G的训练;
S3.2)将取出的数据组中的真实基岩深度数据y、数据切片x5或x′5,通过鉴别器D前向推理判断x5与y和x′5与y各自是否匹配,输出一个概率值;其中x5与y是一组对应匹配的环境要素数据和基岩深度数据,预测结果与指导标签1求均方差损失,x′5与y是一组不对应匹配的环境要素数据和基岩深度数据,预测结果与指导标签0求均方差损失;对损失函数进行反向求导执行梯度下降算法得到鉴别器D的参数WD的梯度ΔWD,最后根据WD=WD-ηΔWD对鉴别器D进行梯度更新,其中η为学习率;
S3.3)判断yg与x5是否是对应匹配的,预测的概率值与数值标签1求均方差损失,得到生成器G的对抗性损失,将生成器G的对抗性损失和生成器G的监督损失相加可得生成器G的损失,对损失函数进行反向求导执行梯度下降算法得到生成器G的参数WG的梯度ΔWG,最后根据WG=WG-ηΔWG更新生成器G,其中η为学习率;
S3.4)判断生成器G预测得到的被预测位置对应的基岩深度数据yg与真实基岩深度数据y之间的误差稳定在一个数值附近不变,则判定模型训练收敛、生成对抗网络训练完成,否则跳转执行步骤S3.1)。
可选地,步骤S5)判定生成器G训练完成并保存训练好的生成器G后,还包括减小学习率η,然后跳转执行步骤S3)以采用新的学习率η重新训练生成对抗网络的步骤。
此外,本发明还提供一种基于生成对抗网络和环境要素数据的基岩深度预测系统,包括相互连接的微处理器和存储器,所述微处理器被编程或配置以执行所述基于生成对抗网络和环境要素数据的基岩深度预测方法的步骤。
此外,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有被编程或配置以执行所述基于生成对抗网络和环境要素数据的基岩深度预测方法的计算机程序。
和现有技术相比,本发明具有下述优点:生成对抗网络(GAN)是一种可以接受无监督训练也可以接受有监督训练的灵活的深度神经网络,在很多领域得到了非常广泛的应用。本发明基于生成对抗网络具有的强大拟合能力将其应用于基岩深度预测中可有效利用更多的环境信息,得到更准确同时泛化能力更好的预测模型,而且通过多级切片输入和生成对抗网络的模型结构充分发挥了生成对抗网络的拟合潜力,实现了精度极高的基岩深度预测,具有数据采样简单、预测速度快、预测准确度高的优点。
附图说明
图1为本发明实施例方法的基本流程示意图。
图2为本发明实施例中生成器G的应用流程示意图。
图3为本发明实施例中鉴别器D的使用原理示意图。
图4为本发明实施例中生成器G的网络结构示意图。
图5为本发明实施例中鉴别器D的网络结构示意图。
具体实施方式
如图1、2所示,本实施例基于生成对抗网络和环境要素数据的基岩深度预测方法包括:
1)预先设计生成包括一个生成器G和一个鉴别器D的生成对抗网络,其中生成器G用于接受输入的一组环境要素数据生成基岩深度数据、鉴别器D通过判断真实基岩深度数据和生成基岩深度数据的差异;通过鉴别器D指导训练生成器G生成更加精确的基岩深度数据并保存训练好的生成器G;
2)将以观测点为中心的一组环境要素数据输入训练好的生成器G,通过生成器G前向推理得到被预测位置对应的基岩深度数据yg。
本实施例中,步骤2)中以观测点为中心的一组环境要素数据是指以观测点为中心的环境要素数据按照相同的环境要素数据维度、从小到大排列的五种数据切片x1,x2,x5,x3,x4中的x1,x2,x3,x4四种数据切片构成。
就本实施例来说,可获取的环境要素数据越多,预测越准确。本实施例中,环境要素数据维度(环境协同变量的数量)为150,150种环境要素数据覆盖了气候,地形,生物,母质,土壤属性等类型数据,用来代表土壤形成因子。其序号、属性、描述分别如下:
1、当地下坡的曲率;基于SAGAGIS中衍生的DEMMRG5的局部下坡曲线。
2、当地上坡曲率;基于SAGAGIS中衍生的DEMMRG5的局部上升曲线。
3、下坡的曲率;基于萨加地理信息系统中衍生的DEMMRG5的向下倾斜曲率派生的传奇GIS下坡的曲率。
4、地表高程;基于EarthEnv-DEM90 100m分辨率DEM。未应用其他后处理来清除植被和过滤噪音。
5、偏离平均值x9(表面粗糙度);偏离基于DEMMRG5的平均值(表面粗糙度),使用9x9搜索半径在SAGA GIS中派生
6、偏离平均值(表面粗糙度)*13、偏离基于DEMMRG5的平均值(表面粗糙度),在SAGA GIS中派生,使用13x13搜索半径。
7、梅尔顿强度数量;萨加地理信息系统中衍生的梅尔顿坚固数
8、负地形开放;基于DEMMRG5的负地形开放性;派生于萨加地理信息系统,积极的地形开放性表达了景观位置的主导地位。有关精确定义,请参阅横山等人(2002年)。
9、积极的地形开放;基于DEMMRG5的正面地形开放性,派生于萨加地理信息系统。负地形开放性表示景观位置的外壳;有关精确定义,请参阅横山等人(2002年)。
10、剖面曲率;基于SAGA GIS中派生的DEMMRG5的配置文件曲率。
11、地形坡度;地形坡度基于DEMMRG5派生事件GIS和用弧度表示×100。
12、地形湿度指数;基于DEMMRG5的佐贺湿度指数。SAGA TWI基于经过修改的集水区计算,该计算并不认为流量非常薄。因此,它预测位于山谷地板上的细胞与通道的垂直距离较小,与标准TWI计算相比,土壤水分潜力更高。
13、多分辨率指数山谷底部平坦;基于DEMMRG5的谷底平地多影响指数(MRVBF)。衍生于萨加地理信息系统在500米,然后缩小到250米。计算非常密集的操作。
14、地形位置索引;地形位置指数是威尔逊和加兰特(2000年)提出的平均计算(剩余分析)的差异。
15、意味着潜在的入射太阳辐射;SAGA GIS中衍生出的潜在传入太阳辐射。
16、标准偏差可能传入的太阳辐射;标准偏差的潜在传入的太阳辐射在传奇GIS派生。
17、年平均云频率;2000-2014年平均云频率(%)。
18、3月平均降水;3月平均降水每公里(基于MODIS积雪产品)。
19、4月平均降水;4月平均降水每公里(基于MODIS积雪产品)。
20、5月平均降水;5月平均降水每公里(基于MODIS积雪产品)。
21、6月平均降水;6月平均降水每公里(基于MODIS积雪产品)。
22、7月平均降水;7月平均降水每公里(基于MODIS积雪产品)。
23、8月平均降水;8月平均降水每公里(基于MODIS积雪产品)。
24、9月平均降水;9月平均降水每公里(基于MODIS积雪产品)。
25、10月平均降水;10月平均降水每公里(基于MODIS积雪产品)。
26、11月平均降水;11月平均降水每公里(基于MODIS积雪产品)。
27、月平均降水(年度);月平均降水每公里(基于MODIS积雪产品)。
28、11月/12月/1月的长期降水;根据WorldClim.org数据,11月/12月/1月期间长期降水。
29、2月/3月/4月的长期降水;根据WorldClim.org数据,2月/3月/4月期间长期降水。
30、5月/6月/7月长期降水;根据WorldClim.org数据,5月/6月/7月期间长期降水。
31、8月/9月/10月长期降水;根据WorldClim.org数据,8月/9月/10月期间长期降水。
32、平均长期表面温度2月/3月;长期平均月平均表面温度(白天)MODIS 2月/3月使用一叠MOD11A2 LST图像导出。
33、平均长期表面温度4月/5月;长期平均月平均表面温度(白天)MODIS 4月/5月,使用一堆MOD11A2 LST图像导出。
34、平均长期表面温度6月/7月;长期平均月平均表面温度(白天)MODIS 6月/7月,使用一堆MOD11A3 LST图像导出。
35、平均长期表面温度8月/9月;长期平均月平均表面温度(白天)MODIS 8月/9月,使用一堆MOD11A4 LST图像导出。
36、平均长期表面温度10月/11月;长期平均月平均表面温度(白天)MODIS 10月/11月,使用一堆MOD11A5 LST图像导出。
37、无秩序的增强型植被指数;无秩序的增强型植被指数。
38、增强型植被指数的均匀度;增强型植被指数的均匀度。
39、最大的增强型植被指数;主导地位的增强型植被指数相邻像素之间的组合。
40、增强型植被指数的范围;增强型植被指数的范围。
41、2010年土地覆盖;全球300米裸露的地面(2010年左右)。
42、全球森林变化;全球森林变化从陆地卫星2000年3波段(红色)。
43、全球无障碍地图;全球无障碍地图。
44、基于GSHHS土地掩膜;基于GSHHS土地掩膜。
45、平均人口密度;平均人口密度1990–2015。
46、主要土壤组;基于HWSD主导土壤组。
47、平均MODIS增强植被指数;长期平均月平均MODIS增强植被指数(EVI)。使用一叠MOD13Q1 EVI图像派生。
48、标准偏差MODIS增强植被指数;长期平均月平均MODIS增强植被指数(EVI)。使用一叠MOD13Q1 EVI图像派生。
49、最大长期日表面温度;最大的密集MODIS白天LST时间序列数据。
50、最小长期日表面温度;最小的密集MODIS白天LST时间序列数据。
51、表面温度意味着长期的一天;平均值的密集MODIS白天LST时间序列数据。
52、平均长期日表面温度;最大的密集MODIS夜间LST时间序列数据。
53、最低长期表面温度;最小的MODIS夜间LST八天时间序列数据。
54、平均值长期夜间表面温度;平均值的密集MODIS夜间LST时间序列数据。
55、标准偏差长期晚上表面温度;标准差的密集MODIS夜间LST时间序列数据。
56、从土壤网格到基岩的全球深度;从土壤网格到基岩的全球深度。
57、土壤和沉积矿床平均厚度;土壤和沉积矿床平均厚度。
58、岩石类型;岩石类型:基于全球岩性地图。
59、土地类;地貌类:基于美国地质调查局的全球生态土地单元新地图。。
60、ESA土地覆盖;欧洲航天局2010年土地覆盖图。
61、生物气候区;生物气候区;根据美国地质调查局的一个新的全球生态土地单位的地图。
62、树木覆盖;全球30米的树木覆盖(2010年左右)。
63、月平均降雪概率;500米内月平均降雪概率(基于MODIS积雪产品)1月。
64、日LST的标准偏差;8天MODIS日LST时间系列数据的标准偏差。
65、日均LST值;12月/1月的8天MODIS日时间LST时间系列数据的平均值。
66、地形学的地貌单元(SCALA项目);地形学的地貌单元(SCALA项目)。
67、MODIS LAI的平均值;MODIS LAI八天时间序列数据的平均值。
68、MODIS LAI的标准差;MODIS LAI八天时间序列数据的标准差。
69、长期MODIS-estimated蒸散;长期MODIS-estimated蒸散(MOD16)。
70、第一主成分的MODIS年度总初级生产力;第一主成分的MODIS年度总初级生产力。
71、第二主成分的MODIS年度总初级生产力;第二主成分的MODIS年度总初级生产力。
72、8天MODIS热异常和火灾图像的第一个主要组成部分;8天MODIS热异常和火灾图像的第一个主要组成部分。
73、8天MODIS热异常和火灾图像的第二个主要组成部分;8天MODIS热异常和火灾图像的第二个主要组成部分。
74、常绿针叶林;基于MOD12Q1 product的常绿针叶林。
75、常绿阔叶林;基于MOD12Q1 product的常绿阔叶林。
76、落叶针叶林;基于MOD12Q1 product的落叶针叶林。
77、落叶阔叶林;基于MOD12Q1 product的落叶阔叶林。
78、混交林指数;基于MOD12Q1 product的混交林。
79、封闭的灌木地;基于MOD12Q1 product的封闭灌丛。
80、热带稀树草原;基于MOD12Q1 product的热带稀树草原。
81、草原;基于MOD12Q1 product的草原。
82、永久性湿地;基于MOD12Q1 product的永久性湿地。
83、农田指数;基于MOD12Q1 product的农田。
84、城市和建筑;基于MOD12Q1 product城市和建筑。
85、Cropland/natural vegetation mosaic;基于MOD12Q1 product的农田和自然植被。
86、冰雪指数;基于MOD12Q1 product的冰雪。
87、贫瘠或稀疏的植物;基于MOD12Q1product的贫瘠或稀疏的植物。
88、2001年的土地覆盖类型;2001年的土地覆盖类型基于MODIS IGBP类。
89、2002年的土地覆盖类型;2002年的土地覆盖类型基于MODIS IGBP类。
90、2004年的土地覆盖类型;2004年的土地覆盖类型基于MODIS IGBP类。
91、2010年的土地覆盖类型;2010年的土地覆盖类型基于MODIS IGBP类。
92、2011年的土地覆盖类型;2011年的土地覆盖类型基于MODIS IGBP类。
93、2012年的土地覆盖类型;2012年的土地覆盖类型基于MODIS IGBP类。
94、土地覆盖类;基于梅里斯FR图像的土地覆盖类。
95、洪水后或灌溉农田(或水生);洪水后或灌溉农田(或水生)。
96、旱作农田;旱作农田。
97、Mosaic农田/植被;Mosaic农田(50-70%)/植被(草原/灌木地/森林)(20-50%)。
98、Mosaic植被/农田;Mosaic植被(草原/灌木地/森林)(50-70%)/耕地(20-50%)。
99、封闭开放常绿或半落叶阔叶林;封闭开放(>15%)常绿或半落叶阔叶林(>5米)。
100、封闭的落叶阔叶林;封闭(>40%)落叶阔叶林(>5米)。
101、开放落叶阔叶林/林地;开放落叶阔叶林(15-40%)/林地(>5米)。
102、封闭针叶常绿森林;封闭(>40%)针叶常绿森林(>5米)。
103、开放针叶落叶或常绿森林;开放(15-40%)针叶落叶或常绿森林(>5米)。
104、封闭开放的针阔混交林;封闭开放(>15%)针阔混交林(>5米)。
105、Mosaic森林或灌丛带/草原;Mosaic森林或灌木(50-70%)/草原(20-50%)。
106、封闭开放灌木地;封闭开放(>15%)(丘陵山地或针叶林、常绿或落叶灌木地(<5米)。
107、稀疏(<15%)植被;稀疏的植被(<15%)。
108、封闭开放阔叶森林定期被洪水淹没–淡水或咸水;封闭开放(>15%)阔叶林定期泛滥(永久性的或暂时)——淡水或半咸水。
109、封闭丘陵山地森林或灌丛带被永久淹没——盐水或半咸水;关闭(>40%)丘陵山地森林或灌丛带被永久淹没——生理盐水或半咸水。
110、在经常被洪水淹没或被水淹没的土壤上封闭开放草地或木质植被–淡水、咸水或盐水;封闭开放(>15%)草地或木本植被定期淹没或水淹土壤–淡水、咸水或盐水。
111、人工表面和相关领域;人工表面和相关区域(市区>50%)。
112、裸露的地区;裸露的地区。
113、水体;水体。
114、永久冰雪;永久冰雪。
115、2000年全球土地覆盖图;2000年全球土地覆盖图(GLC2000)。116、基于地表地质年龄;基于地表地质年龄。
117、主要基于地表地质矿产类型;主要基于地表地质矿产类型。
118、强淋溶土覆盖率百分比;强淋溶土覆盖率百分比。
119、Albeluvisols覆盖率百分比;Albeluvisols覆盖率百分比。
120、暗色土覆盖率百分比;暗色土覆盖率百分比。
121、红砂土覆盖率百分比;红砂土覆盖率百分比。
122、Calcisols覆盖率百分比;Calcisols覆盖率百分比。
123、始成土覆盖率百分比;始成土覆盖率百分比。
124、黑钙土覆盖率百分比;黑钙土覆盖率百分比。
125、Cryosols覆盖率百分比;Cryosols覆盖率百分比。
126、铁铝土覆盖率百分比;铁铝土覆盖率百分比。
127、冲积土覆盖率百分比;冲积土覆盖率百分比。
128、潜育土覆盖率百分比;潜育土覆盖率百分比。
129、Gypsisols覆盖率百分比;Gypsisols覆盖率百分比。
130、有机土覆盖率百分比;有机土覆盖率百分比。
131、栗钙土覆盖率百分比;栗钙土覆盖率百分比。
132、Leptosols覆盖率百分比;Leptosols覆盖率百分比。
133、粘磐土覆盖率百分比;粘磐土覆盖率百分比。
134、聚铁网纹土覆盖率百分比;聚铁网纹土覆盖率百分比。
135、灰壤覆盖率百分比;灰壤覆盖率百分比。
136、粗骨土覆盖率百分比;粗骨土覆盖率百分比。
137、盐土覆盖率百分比;盐土覆盖率百分比。
138、碱土覆盖率百分比;碱土覆盖率百分比。
139、Umbrisols覆盖率百分比;Umbrisols覆盖率百分比。
140、变性土覆盖率百分比;变性土覆盖率百分比。
141、Alisols覆盖率百分比;Alisols覆盖率百分比。
142、人为土覆盖率百分比;人为土覆盖率百分比。
143、Stagnosols覆盖率百分比;Stagnosols覆盖率百分比。
144、1月降水;1月降水。
145、2月降水;2月降水。
146、12月降水;12月降水。
147、生物数量;生物多样性及生物数量。
148、年平均气温;12个月份月平均气温的平均值。
149、年平均降水;12个月份月平均降水的平均值。
150、基于MODIS LAI土壤生产区域的掩膜;基于MODIS LAI土壤生产区域的掩膜。
环境协同变量复杂多样,由于不同的环境协同变量具有不同的空间分辨率。本实施例中,步骤2)中将以观测点为中心的一组环境要素数据输入训练好的生成器G之前还包括对n个环境协同变量数据进行分辨率差异化处理的步骤:对于分辨率小于预设尺度的属性数据,采用平均值方法将其分辨率转换成预设尺度;对于分辨率等于预设尺度的分类数据,采用众数方法将其分辨率转换成预设尺度;对于分辨率大于预设尺度的数据,将其转换成存在很多块的值均相同的预设尺度分辨率的数据。具体地,本实施例中针对数据的不同分辨率以及数据类型对其做如下处理:①对于分辨率小于100米的属性数据,采用平均值方法将其分辨率转换成100米;②对于分辨率小于100米的分类数据,采用众数方法将其分辨率转换成100米;③对于分辨率大于100米的数据,将其转换成100米分辨率的数据(存在很多块的值均相同)。
本实施例中,按照相同的环境要素数据维度、从小到大排列的五种数据切片x1,x2,x5,x3,x4的空间大小分别为3*3*n、6*6*n、9*9*n、12*12*n、24*24*n,其中n为环境要素数据维度。
如图3所示,本实施例中生成对抗网络一般包括一个生成器G和一个鉴别器D,生成器G可以通过接受任意一组的满足条件的环境要素数据,鉴别器D通过学习真实基岩深度数据和生成基岩深度数据来对两者进行区分并以此指导生成器生成更加精确的基岩深度数据。总的来说,本实施例采用有监督学习训练好生成器后,可以接收任意一组的满足条件的环境要素数据,预测出对应的基岩深度数据。
如图4所示,本实施例步骤2)中生成器G前向推理得到被预测位置对应的基岩深度数据yg的步骤包括:
2.1)将空间大小为3*3*n的数据切片x1通过k=3、s=1、f=512的卷积计算得到输出的特征图FM1,将特征图FM1通过k=3、s=2、f=512的反卷积计算得到特征图FM_deconv1,同时将特征图FM1进行最近邻插值上采样(resize操作)且输出尺寸与特征图FM_deconv1同样为特征图FM1的尺寸的两倍、通道数一样为512,将最近邻插值上采样的结果再进行一次k=3、s=1、f=512的卷积得到特征图FM_resize1(数据的尺寸变为原来的两倍,通道数下降为原来的一半),再将尺寸完全一样的特征图FM_deconv1与特征图FM_resize1按位相加得到6*6*256的特征图;其中k表示卷积核尺寸,s表示卷积滑动步长,f表示卷积核数量;k=3表示卷积核尺寸为3*3),s=2表示卷积滑动步长为2,f=512表示卷积核数量为512、即生成通道数为512,下同。将尺寸完全一样的特征图FM_deconv1与特征图FM_resize1按位相加,可以有效利用带参数的反卷积的优秀生成能力(单纯最近邻插值无新像素值生成能力,因此后接一个卷积进行像素变换学习),同时可以利用最近邻插值上采样的结果平滑反卷积的“棋盘格效应”。简单来说,数据切片通过k=3,s=1,f=512的卷积和反卷积与最近邻插值堆叠的上采样后,再执行k=3,s=1,f=256的卷积,数据的尺寸变为原来的两倍,通道数下降为原来的一半,即输出6*6的256通道的特征图。
2.2)将空间大小为6*6*n的数据切片x2通过k=3、s=1、f=128的卷积计算后再与步骤2.1)得到的6*6*256的特征图在通道上堆叠得到6*6*384的特征图;将6*6*384的特征图通过k=3、s=1、f=256的卷积计算得到特征图FM2,将特征图FM2通过k=3、s=2、f=256的反卷积计算得到特征图FM_deconv2,同时将特征图FM2进行最近邻插值上采样且输出尺寸与特征图FM_deconv2同样为特征图FM2的尺寸的两倍、通道数一样为256,将最近邻插值上采样的结果再进行一次k=3、s=1、f=128的卷积得到特征图FM_resize2(数据的尺寸变为原来的两倍,通道数下降为原来的一半),再将尺寸完全一样的特征图FM_deconv2与特征图FM_resize2按位相加得到12*12*128的特征图;
2.3)将空间大小为12*12*n的数据切片x3通过k=3、s=1、f=64的卷积计算后再与步骤2.2)得到的12*12*128的特征图在通道上堆叠得到12*12*196的特征图;将12*12*196的特征图通过k=3、s=1、f=128的卷积计算得到特征图FM3,将特征图FM3通过k=3、s=2、f=128的反卷积计算得到特征图FM_deconv3,同时将特征图FM3进行最近邻插值上采样且输出尺寸与特征图FM_deconv3同样为特征图FM3的尺寸的两倍、通道数一样为128,将最近邻插值上采样的结果再进行一次k=3、s=1、f=64的卷积得到特征图FM_resize3(数据的尺寸变为原来的两倍,通道数下降为原来的一半),再将尺寸完全一样的特征图FM_deconv3与特征图FM_resize3按位相加得到24*24*64的特征图;
2.4)将空间大小为24*24*n的数据切片x4通过k=3、s=1、f=32的卷积计算后再与步骤2.3)得到的24*24*64的特征图在通道上堆叠得到24*24*96的特征图;将24*24*96的特征图通过k=3、s=1、f=64的卷积计算得到特征图FM4,将特征图FM4通过k=3、s=2、f=64的反卷积计算得到特征图FM_deconv4,同时将特征图FM4进行最近邻插值上采样且输出尺寸与特征图FM_deconv4同样为特征图FM4的尺寸的两倍、通道数一样为64,将最近邻插值上采样的结果再进行一次k=3、s=1、f=32的卷积得到特征图FM_resize4(数据的尺寸变为原来的两倍,通道数下降为原来的一半),再将尺寸完全一样的特征图FM_deconv4与特征图FM_resize4按位相加得到48*48*32的特征图;
2.5)将48*48*32的特征图依次经过三轮k=3,s=2的卷积后接k=3,s=1的卷积进行下采样,得到6*6*256的特征图,然后将6*6*256的特征图拉直,然后通过四层全连接层逐级缩小神经元数量,且由最后一个神经元输出得到被预测位置对应的基岩深度数据yg。
通过上述步骤,使得多级尺度的数据切片在生成器G的模型结构中得到了很好的逐层融合,且距离中心目的地越近的数据在模型中影响的神经元数量越多。总的来说,生成器G通过卷积迭连、反卷积、最近邻插值、梯度下降算法等方法得到基岩深度预测数据yg。
鉴别器D主要判断生成器得到的基岩深度预测数据yg和真实的基岩深度是否匹配。生成器G和鉴别器D组成生成对抗网络,通过生成器G和鉴别器D之间的博弈,直至生成器G生成逼真的基岩深度数据,这样就得到了训练好的生成器G,最后将得到的生成器G加以运用我们便可以预测目的地的基岩深度。如图5所示,x5是9*9*150的输入数据切片,输入鉴别器D,经过四层k=3,s=1的卷积,特征图输出通道从64逐层提升至512,再通过一个k=3,s=2,f=512的卷积后将特征图拉直成一个向量,该向量与被预测位置对应的基岩深度数据yg拼接相连后,通过5层全连接后输出一个类别预测概率值,通过概率值来判断输入的基岩数据切片与基岩深度是否匹配。若概率值大于0.5,即趋近于数值标签1,则判断为匹配,记为T。若概率值小等于0.5,即趋近于数值标签0,则判断为不匹配,记为F。
如图2所示,步骤1)中通过鉴别器D指导训练生成器G生成更加精确的基岩深度数据并保存训练好的生成器G的步骤包括:
S1)构建多组训练数据(x1,x2,x3,x4,x5,y)得到数据集,其中x1,x2,x5,x3,x4分别为以观测点为中心的环境要素数据按照相同的环境要素数据维度、从小到大排列的五种数据切片,y为真实基岩深度数据,其中x1,x2,x3,x4四种数据切片作为生成器G的输入,生成器G的输出、真实基岩深度数据y作为鉴别器D的两路输入;本实施例中以全国重要地质钻孔数据库服务平台(NIGBD http://zkinfo.cgsi.cn)提供的超过80万个的钻孔信息数据作为训练和测试用数据,其中的基岩深度数据作为训练和测试标签数据,另外150个环境协同变量来作为输入数据。基于地理信息系统,将基岩深度点数据(包含地理坐标,基岩深度)和n个环境协同变量数据叠加,从点提取到数值后,会得到一个三维矩阵。该三维矩阵的列中含有基岩深度和各个环境协同变量,行数即样点的总数。三维矩阵将作为生成对抗网络模型的训练数据。
S2)将数据集划分为训练集和测试集;
S3)使用训练集训练生成对抗网络;
S4)使用测试集训练后的生成对抗网络进行测试;
S5)判断测试结果是否收敛并达到预期效果,如果收敛并达到预期效果,则判定生成器G训练完成并保存训练好的生成器G;否则,跳转执行步骤S3)。
本实施例中,步骤S3)使用训练集训练生成对抗网络的步骤包括:
S3.1)从训练集中取出一个数据组,将取出的数据组中的数据切片x1,x2,x3,x4输入生成对抗网络的生成器G,通过生成器G前向推理得到被预测位置对应的基岩深度数据yg,将生成器G预测得到的被预测位置对应的基岩深度数据yg与真实基岩深度数据y进行比较计算均方差,得到生成器G的第一个监督损失以用于指导G的训练;
S3.2)将取出的数据组中的真实基岩深度数据y、数据切片x5或x′5,通过鉴别器D前向推理判断x5与y和x′5与y各自是否匹配,输出一个概率值;其中x5与y是一组对应匹配的环境要素数据和基岩深度数据,预测结果与指导标签1求均方差损失,x′5与y是一组不对应匹配的环境要素数据和基岩深度数据,预测结果与指导标签0求均方差损失;对损失函数进行反向求导执行梯度下降算法得到鉴别器D的参数WD的梯度ΔWD,最后根据WD=WD-ηΔWD对鉴别器D进行梯度更新,其中η为学习率;
S3.3)判断yg与x5是否是对应匹配的,预测的概率值与数值标签1求均方差损失,得到生成器G的对抗性损失,将生成器G的对抗性损失和生成器G的监督损失相加可得生成器G的损失,对损失函数进行反向求导执行梯度下降算法得到生成器G的参数WG的梯度ΔWG,最后根据WG=WG-ηΔWG更新生成器G,其中η为学习率;
S3.4)判断生成器G预测得到的被预测位置对应的基岩深度数据yg与真实基岩深度数据y之间的误差稳定在一个数值附近不变,则判定模型训练收敛、生成对抗网络训练完成,否则跳转执行步骤S3.1)。
本实施例中,生成器G的监督学习损失函数losssv为预测结果与真实标签的均方差损失,公式表示为:
yg=G(x1,x2,x3,x4)
上式中,G(x1,x2,x3,x4)为生成器G的函数形式,yg为生成器G输出的被预测位置对应的基岩深度数据,losssv表示生成器G的监督学习损失函数,x1,x2,x3,x4是输入的环境变量数据切片,y是真实基岩深度数据。
生成器G的对抗性损失lossadv为鉴别器D对预测结果的鉴别结果与数值标签1的均方差损失,公式表示为:
上式中,D(x5,yg)为鉴别器D对预测结果的鉴别结果,x5为数据切片,yg为生成器G输出的被预测位置对应的基岩深度数据。
则生成器G的损失lossG为:
lossG=losssv+lossadv
计算可得到生成器G的损失lossG,对生成器G的损失lossG反向求导执行梯度下降算法后指导更新生成器G。
鉴别器D的损失lossD为鉴别结果与真实数值标签的均方差损失,公式表示为:
其中x5与y是一组对应匹配的环境要素数据和基岩深度数据,x′5与y是一组不对应匹配的环境要素数据和基岩深度数据。计算可得到鉴别器D的损失,对该损失函数反向求导执行梯度下降算法后指导更新鉴别器D。
作为一种可选的实施方式,本实施例中步骤S5)判定生成器G训练完成并保存训练好的生成器G后,还包括减小学习率η,然后跳转执行步骤S3)以采用新的学习率η重新训练生成对抗网络的步骤。
模型的训练过程中需要运用不同地方的环境数据和基岩深度数据。根据基岩深度坐标对环境要素数据进行不同尺寸的空间切片采样,对应标注x1,x2,x3,x4,基岩深度标注为yg都得到多组(x1,x2,x3,x4,yg)完成数据集构建,把数据集划分为训练集和测试集。使用构建的训练集迭代训练模型,训练时,对损失函数进行反向传播求导并更新各个模块网络结构中的权重参数,更新生成器G和鉴别器D。训练收敛后使用测试集对训练过的模型进行测试。最终在完成训练完毕以后,如图2所示,在生成器G的使用过程中,首先要获取目的地的环境要素数据,对环境要素数据进行3*3*150、6*6*150、9*9*150、12*12*150、24*24*150的空间切片采样,分别得到数据x1,x2,x5,x3,x4,,将(x1,x2,x3,x4)输入已经导入的训练好的生成器G,生成器G执行前向推理得到预测的基岩深度数据yg。
此外,本实施例还提供一种基于生成对抗网络和环境要素数据的基岩深度预测系统,包括相互连接的微处理器和存储器,所述微处理器被编程或配置以执行前述基于生成对抗网络和环境要素数据的基岩深度预测方法的步骤。
此外,本实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有被编程或配置以执行前述基于生成对抗网络和环境要素数据的基岩深度预测方法的计算机程序。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于生成对抗网络和环境要素数据的基岩深度预测方法,其特征在于,包括:
1)预先设计生成包括一个生成器G和一个鉴别器D的生成对抗网络,其中生成器G用于接受输入的一组环境要素数据生成基岩深度数据、鉴别器D通过判断真实基岩深度数据和生成基岩深度数据的差异;通过鉴别器D指导训练生成器G生成更加精确的基岩深度数据并保存训练好的生成器G;
2)将以观测点为中心的一组环境要素数据输入训练好的生成器G,通过生成器G前向推理得到被预测位置对应的基岩深度数据yg。
2.根据权利要求1所述的基于生成对抗网络和环境要素数据的基岩深度预测方法,其特征在于,步骤2)中以观测点为中心的一组环境要素数据是指以观测点为中心的环境要素数据按照相同的环境要素数据维度、从小到大排列的五种数据切片x1,x2,x5,x3,x4中的x1,x2,x3,x4四种数据切片构成。
3.根据权利要求1所述的基于生成对抗网络和环境要素数据的基岩深度预测方法,其特征在于,步骤2)中将以观测点为中心的一组环境要素数据输入训练好的生成器G之前还包括对n个环境协同变量数据进行分辨率差异化处理的步骤:对于分辨率小于预设尺度的属性数据,采用平均值方法将其分辨率转换成预设尺度;对于分辨率等于预设尺度的分类数据,采用众数方法将其分辨率转换成预设尺度;对于分辨率大于预设尺度的数据,将其转换成存在很多块的值均相同的预设尺度分辨率的数据。
4.根据权利要求2所述的基于生成对抗网络和环境要素数据的基岩深度预测方法,其特征在于,所述按照相同的环境要素数据维度、从小到大排列的五种数据切片x1,x2,x5,x3,x4的空间大小分别为3*3*n、6*6*n、9*9*n、12*12*n、24*24*n,其中n为环境要素数据维度。
5.根据权利要求4所述的基于生成对抗网络和环境要素数据的基岩深度预测方法,其特征在于,步骤2)中生成器G前向推理得到被预测位置对应的基岩深度数据yg的步骤包括:
2.1)将空间大小为3*3*n的数据切片x1通过k=3、s=1、f=512的卷积计算得到输出的特征图FM1,将特征图FM1通过k=3、s=2、f=512的反卷积计算得到特征图FM_deconv1,同时将特征图FM1进行最近邻插值上采样且输出尺寸与特征图FM_deconv1同样为特征图FM1的尺寸的两倍、通道数一样为512,将最近邻插值上采样的结果再进行一次k=3、s=1、f=512的卷积得到特征图FM_resize1,再将尺寸完全一样的特征图FM_deconv1与特征图FM_resize1按位相加得到6*6*256的特征图;其中k表示卷积核尺寸,s表示卷积滑动步长,f表示卷积核数量;
2.2)将空间大小为6*6*n的数据切片x2通过k=3、s=1、f=128的卷积计算后再与步骤2.1)得到的6*6*256的特征图在通道上堆叠得到6*6*384的特征图;将6*6*384的特征图通过k=3、s=1、f=256的卷积计算得到特征图FM2,将特征图FM2通过k=3、s=2、f=256的反卷积计算得到特征图FM_deconv2,同时将特征图FM2进行最近邻插值上采样且输出尺寸与特征图FM_deconv2同样为特征图FM2的尺寸的两倍、通道数一样为256,将最近邻插值上采样的结果再进行一次k=3、s=1、f=128的卷积得到特征图FM_resize2,再将尺寸完全一样的特征图FM_deconv2与特征图FM_resize2按位相加得到12*12*128的特征图;
2.3)将空间大小为12*12*n的数据切片x3通过k=3、s=1、f=64的卷积计算后再与步骤2.2)得到的12*12*128的特征图在通道上堆叠得到12*12*196的特征图;将12*12*196的特征图通过k=3、s=1、f=128的卷积计算得到特征图FM3,将特征图FM3通过k=3、s=2、f=128的反卷积计算得到特征图FM_deconv3,同时将特征图FM3进行最近邻插值上采样且输出尺寸与特征图FM_deconv3同样为特征图FM3的尺寸的两倍、通道数一样为128,将最近邻插值上采样的结果再进行一次k=3、s=1、f=64的卷积得到特征图FM_resize3,再将尺寸完全一样的特征图FM_deconv3与特征图FM_resize3按位相加得到24*24*64的特征图;
2.4)将空间大小为24*24*n的数据切片x4通过k=3、s=1、f=32的卷积计算后再与步骤2.3)得到的24*24*64的特征图在通道上堆叠得到24*24*96的特征图;将24*24*96的特征图通过k=3、s=1、f=64的卷积计算得到特征图FM4,将特征图FM4通过k=3、s=2、f=64的反卷积计算得到特征图FM_deconv4,同时将特征图FM4进行最近邻插值上采样且输出尺寸与特征图FM_deconv4同样为特征图FM4的尺寸的两倍、通道数一样为64,将最近邻插值上采样的结果再进行一次k=3、s=1、f=32的卷积得到特征图FM_resize4,再将尺寸完全一样的特征图FM_deconv4与特征图FM_resize4按位相加得到48*48*32的特征图;
2.5)将48*48*32的特征图依次经过三轮k=3,s=2的卷积后接k=3,s=1的卷积进行下采样,得到6*6*256的特征图,然后将6*6*256的特征图拉直,然后通过四层全连接层逐级缩小神经元数量,且由最后一个神经元输出得到被预测位置对应的基岩深度数据yg。
6.根据权利要求5所述的基于生成对抗网络和环境要素数据的基岩深度预测方法,其特征在于,步骤1)中通过鉴别器D指导训练生成器G生成更加精确的基岩深度数据并保存训练好的生成器G的步骤包括:
S1)构建多组训练数据(x1,x2,x3,x4,x5,y)得到数据集,其中x1,x2,x5,x3,x4分别为以观测点为中心的环境要素数据按照相同的环境要素数据维度、从小到大排列的五种数据切片,y为真实基岩深度数据,其中x1,x2,x3,x4四种数据切片作为生成器G的输入,生成器G的输出、真实基岩深度数据y作为鉴别器D的两路输入;
S2)将数据集划分为训练集和测试集;
S3)使用训练集训练生成对抗网络;
S4)使用测试集训练后的生成对抗网络进行测试;
S5)判断测试结果是否收敛并达到预期效果,如果收敛并达到预期效果,则判定生成器G训练完成并保存训练好的生成器G;否则,跳转执行步骤S3)。
7.根据权利要求6所述的基于生成对抗网络和环境要素数据的基岩深度预测方法,其特征在于,步骤S3)使用训练集训练生成对抗网络的步骤包括:
S3.1)从训练集中取出一个数据组,将取出的数据组中的数据切片x1,x2,x3,x4输入生成对抗网络的生成器G,通过生成器G前向推理得到被预测位置对应的基岩深度数据yg,将生成器G预测得到的被预测位置对应的基岩深度数据yg与真实基岩深度数据y进行比较计算均方差,得到生成器G的第一个监督损失以用于指导G的训练;
S3.2)将取出的数据组中的真实基岩深度数据y、数据切片x5或x′5,通过鉴别器D前向推理判断x5与y和x′5与y各自是否匹配,输出一个概率值;其中x5与y是一组对应匹配的环境要素数据和基岩深度数据,预测结果与指导标签1求均方差损失,x′5与y是一组不对应匹配的环境要素数据和基岩深度数据,预测结果与指导标签0求均方差损失;对损失函数进行反向求导执行梯度下降算法得到鉴别器D的参数WD的梯度ΔWD,最后根据WD=WD-ηΔWD对鉴别器D进行梯度更新,其中η为学习率;
S3.3)判断yg与x5是否是对应匹配的,预测的概率值与数值标签1求均方差损失,得到生成器G的对抗性损失,将生成器G的对抗性损失和生成器G的监督损失相加可得生成器G的损失,对损失函数进行反向求导执行梯度下降算法得到生成器G的参数WG的梯度ΔWG,最后根据WG=WG-ηΔWG更新生成器G,其中η为学习率;
S3.4)判断生成器G预测得到的被预测位置对应的基岩深度数据yg与真实基岩深度数据y之间的误差稳定在一个数值附近不变,则判定模型训练收敛、生成对抗网络训练完成,否则跳转执行步骤S3.1)。
8.根据权利要求7所述的基于生成对抗网络和环境要素数据的基岩深度预测方法,其特征在于,步骤S5)判定生成器G训练完成并保存训练好的生成器G后,还包括减小学习率η,然后跳转执行步骤S3)以采用新的学习率η重新训练生成对抗网络的步骤。
9.一种基于生成对抗网络和环境要素数据的基岩深度预测系统,包括相互连接的微处理器和存储器,其特征在于,所述微处理器被编程或配置以执行权利要求1~8中任意一项所述基于生成对抗网络和环境要素数据的基岩深度预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有被编程或配置以执行权利要求1~8中任意一项所述基于生成对抗网络和环境要素数据的基岩深度预测方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110276703.7A CN113094972B (zh) | 2021-03-15 | 2021-03-15 | 基于生成对抗网络和环境要素数据的基岩深度预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110276703.7A CN113094972B (zh) | 2021-03-15 | 2021-03-15 | 基于生成对抗网络和环境要素数据的基岩深度预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113094972A true CN113094972A (zh) | 2021-07-09 |
CN113094972B CN113094972B (zh) | 2022-08-02 |
Family
ID=76667578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110276703.7A Active CN113094972B (zh) | 2021-03-15 | 2021-03-15 | 基于生成对抗网络和环境要素数据的基岩深度预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113094972B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564611A (zh) * | 2018-03-09 | 2018-09-21 | 天津大学 | 一种基于条件生成对抗网络的单目图像深度估计方法 |
CN108805188A (zh) * | 2018-05-29 | 2018-11-13 | 徐州工程学院 | 一种基于特征重标定生成对抗网络的图像分类方法 |
CN109146784A (zh) * | 2018-07-27 | 2019-01-04 | 徐州工程学院 | 一种基于多尺度生成对抗网络的图像超分辨率重建方法 |
US20190266501A1 (en) * | 2018-02-27 | 2019-08-29 | Cgg Services Sas | System and method for predicting mineralogical, textural, petrophysical and elastic properties at locations without rock samples |
US20190325597A1 (en) * | 2018-04-24 | 2019-10-24 | Ford Global Technologies, Llc | Simultaneous Localization And Mapping Constraints In Generative Adversarial Networks For Monocular Depth Estimation |
CN110472597A (zh) * | 2019-07-31 | 2019-11-19 | 中铁二院工程集团有限责任公司 | 基于深度学习的岩石图像风化程度检测方法及系统 |
CN111861880A (zh) * | 2020-06-05 | 2020-10-30 | 昆明理工大学 | 基于区域信息增强与块自注意力的图像超分与融合方法 |
CN112381916A (zh) * | 2020-12-08 | 2021-02-19 | 西南石油大学 | 一种利用二维薄片图像的数字岩心三维结构重建方法 |
US20210073630A1 (en) * | 2019-09-10 | 2021-03-11 | Robert Bosch Gmbh | Training a class-conditional generative adversarial network |
CN113344050A (zh) * | 2021-05-28 | 2021-09-03 | 中国石油天然气股份有限公司 | 一种基于深度学习的岩性智能化识别方法及系统 |
-
2021
- 2021-03-15 CN CN202110276703.7A patent/CN113094972B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190266501A1 (en) * | 2018-02-27 | 2019-08-29 | Cgg Services Sas | System and method for predicting mineralogical, textural, petrophysical and elastic properties at locations without rock samples |
CN108564611A (zh) * | 2018-03-09 | 2018-09-21 | 天津大学 | 一种基于条件生成对抗网络的单目图像深度估计方法 |
US20190325597A1 (en) * | 2018-04-24 | 2019-10-24 | Ford Global Technologies, Llc | Simultaneous Localization And Mapping Constraints In Generative Adversarial Networks For Monocular Depth Estimation |
CN108805188A (zh) * | 2018-05-29 | 2018-11-13 | 徐州工程学院 | 一种基于特征重标定生成对抗网络的图像分类方法 |
CN109146784A (zh) * | 2018-07-27 | 2019-01-04 | 徐州工程学院 | 一种基于多尺度生成对抗网络的图像超分辨率重建方法 |
CN110472597A (zh) * | 2019-07-31 | 2019-11-19 | 中铁二院工程集团有限责任公司 | 基于深度学习的岩石图像风化程度检测方法及系统 |
US20210073630A1 (en) * | 2019-09-10 | 2021-03-11 | Robert Bosch Gmbh | Training a class-conditional generative adversarial network |
CN111861880A (zh) * | 2020-06-05 | 2020-10-30 | 昆明理工大学 | 基于区域信息增强与块自注意力的图像超分与融合方法 |
CN112381916A (zh) * | 2020-12-08 | 2021-02-19 | 西南石油大学 | 一种利用二维薄片图像的数字岩心三维结构重建方法 |
CN113344050A (zh) * | 2021-05-28 | 2021-09-03 | 中国石油天然气股份有限公司 | 一种基于深度学习的岩性智能化识别方法及系统 |
Non-Patent Citations (4)
Title |
---|
THOMAS BAMFORD等: "A deep learning approach for rock fragmentation analysis", 《INTERNATIONAL JOURNAL OF ROCK MECHANICS AND MINING SCIENCES》 * |
WEI GUO等: "Application of Support Vector Machines in the prediction of broken zone in surrounding rock", 《2011 INTERNATIONAL CONFERENCE ON REMOTE SENSING, ENVIRONMENT AND TRANSPORTATION ENGINEERING》 * |
冉祥金: "区域三维地质建模方法与建模系统研究", 《中国博士学位论文全文数据库 基础科学辑》 * |
管其杰: "基于生成对抗网络的页岩模拟方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113094972B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Migoń et al. | How high-resolution DEM based on airborne LiDAR helped to reinterpret landforms: Examples from the Sudetes, SW Poland | |
CN104063718B (zh) | 在作物识别和面积估算中选择遥感数据和分类算法的方法 | |
Rakhmonov et al. | Land use and land cover change in Khorezm, Uzbekistan | |
CN112465332A (zh) | 一种城市人工湿地公园生态地质环境稳定性的评价方法 | |
Saha et al. | Modeling gully erosion susceptibility in Phuentsholing, Bhutan using deep learning and basic machine learning algorithms | |
Bui et al. | Soil surveyor knowledge in digital soil mapping and assessment in Australia | |
Rahbar Alam Shirazi et al. | Digital assessments of soil organic carbon storage using digital maps provided by static and dynamic environmental covariates | |
Liess et al. | Digital soil mapping in southern Ecuador | |
CN113094972B (zh) | 基于生成对抗网络和环境要素数据的基岩深度预测方法及系统 | |
Singh et al. | Remote sensing and GIS-based watershed prioritization for land and water conservation planning and management | |
Zhou et al. | Automated soil resources mapping based on decision tree and Bayesian predictive modeling | |
CN112966657A (zh) | 一种大尺度水体覆盖的遥感自动分类方法 | |
Kochanski et al. | Deep learning predictions of sand dune migration | |
Siervo et al. | Geomorphic analysis and semi-automated landforms extraction in different natural landscapes | |
Huang et al. | Sustainable groundwater management in coastal cities: Insights from groundwater potential and vulnerability using ensemble learning and knowledge-driven models | |
Boughattas et al. | Improving estimation of water soil erosion by introducing lithological formation for environmental remediation | |
Edwards Jr | Applicability of LiDAR Technology in Saltmarshes: Landscape-Scale Predictive Models to Local-Scale Biomass Estimation | |
Kim et al. | Topographical change in coastal areas arising from soil erosion in the Riparian zone | |
Motarjemi et al. | Predicting tile drainage discharge using machine learning algorithms | |
Foster | Characterizing groundwater-surface water interactions within a mountain to ocean watershed, Lake Cowichan, British Columbia | |
Boakye | Analysis and modelling of suspended sediment concentration of rivers in catchments experiencing land cover degradation | |
Wilson | Classification and use of landform information to increase the accuracy of land condition monitoring in Western Australian pastoral rangelands | |
Thomsen | Integrating field methods, remote sensing and modeling to monitor climate-adapted tidal marsh restoration | |
XIANKUN | Reservoir delineation and cumulative impacts assessment in large river basins: A case study of the Yangtze River Basin | |
Arras | THREE DIMENSIONAL GEOLOGICAL MAPPING AND GROUNDWATER MODEL CALIBRATION FOR MANAGED AQUIFER RECHARGE (MAR) TECHNIQUES IN ARID AND SEMI-ARID ENVIRONMENTS |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |