CN114154401A - 基于机器学习和观测数据的土壤侵蚀模数计算方法及系统 - Google Patents
基于机器学习和观测数据的土壤侵蚀模数计算方法及系统 Download PDFInfo
- Publication number
- CN114154401A CN114154401A CN202111352247.6A CN202111352247A CN114154401A CN 114154401 A CN114154401 A CN 114154401A CN 202111352247 A CN202111352247 A CN 202111352247A CN 114154401 A CN114154401 A CN 114154401A
- Authority
- CN
- China
- Prior art keywords
- soil
- soil erosion
- factor
- layer
- data
- 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
- 238000004162 soil erosion Methods 0.000 title claims abstract description 160
- 238000004364 calculation method Methods 0.000 title claims abstract description 45
- 238000010801 machine learning Methods 0.000 title claims abstract description 25
- 239000002689 soil Substances 0.000 claims abstract description 83
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 14
- 210000002569 neuron Anatomy 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000003628 erosive effect Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000009313 farming Methods 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 19
- 241000287127 Passeridae Species 0.000 description 13
- 230000005284 excitation Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06N20/00—Machine learning
-
- 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
- G06N3/048—Activation functions
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明公开了一种基于机器学习和观测数据的土壤侵蚀模数计算方法及系统，方法包括：1)收集数据；2)计算因子；3)计算模数；4)训练模型；5)使用模型；6)验证精度。本发明采用机器学习方法，利用野外水土流失的观测值和土壤侵蚀模数，进行模型训练；分别对土壤侵蚀因子和土壤侵蚀模数进行校正，进而获取高精度的土壤侵蚀模数。该方法能提高土壤侵蚀模数的精度，使土壤侵蚀估算更精准。
Description
技术领域
本发明属于水土保持和生态环境监测领域，涉及一种土壤侵蚀模数计算方法及系统，具体涉及一种基于机器学习和野外观测数据的土壤侵蚀模数高精度计算方法及系统。
背景技术
精确模拟区域的水土流失量，对监测并控制水土流失有重要的科学价值。基于土壤侵蚀方程(Soil Loss Equation,SLE)和GIS、RS技术，获取各土壤侵蚀因子，研究土壤侵蚀模数、侵蚀量、侵蚀强度的时空演变特征是土壤侵蚀常用的研究方法。但SLE算得的土壤侵蚀模数严格来说，仅是一个模拟值，不能充分表征土壤侵蚀对生态环境的胁迫性，特别是不能精准地对土壤侵蚀的风险进行有效评估，精确度仍有提高的空间。
在机器学习领域，人工神经网络技术(artificial neural network,ANN)具有并行处理、自组织学习能力、高度映射分类和计算能力，特别适用于地理模式识别、地理过程模拟与预测、复杂地理系统的优化计算等问题的研究，其中BP网络模型(back-propagationnetwork)技术成熟，应用广泛；随机森林回归算法(random forest regression,RFR)对解决回归问题有极强的优势，可基于使用训练集的估计模型来预测响应变量。同时，RFR算法提供了回归精度(out-of-bag error,OOB误差)和各变量相对重要性的内部度量，支持变量贡献的定性分析，为理解模型复杂关系提供了有用的信息。
发明内容
本发明的目的在于提供一种基于机器学习与野外观测数据的土壤侵蚀模数高精度计算方法及系统，旨在提高土壤侵蚀模数的精度。
本发明的方法所采用的技术方案是：一种基于机器学习和观测数据的土壤侵蚀模数计算方法，包括以下步骤：
步骤1：获取、预处理土壤侵蚀因子有关数据；获取野外水土流失影响因子的观测值和野外水土流失观测值。
步骤2：利用步骤1中预处理后的土壤侵蚀因子有关数据，计算得到各土壤侵蚀因子图层。
步骤3：利用步骤2计算的各土壤侵蚀因子图层，运用土壤侵蚀方程，计算出理论的高分动态土壤侵蚀模数。
步骤4：构建土壤侵蚀模数回归模型；并运用机器学习方法，利用步骤1中获取的野外水土流失影响因子的观测值、野外水土流失观测值和步骤2中计算得到的土壤侵蚀因子图层、步骤3中计算得到的土壤侵蚀模数，进行土壤侵蚀模数回归模型训练，最后得到训练好的土壤侵蚀模数回归模型；
所述土壤侵蚀模数回归模型，由输入层、隐含层和输出层组成，各层之间实行全连接。输入层输入的样本向量为Xk＝(x1,x2,…,xn)，k＝1,2,…,m，m为样本数，n为输入层的神经元数；n＝1时,输入变量分别为土壤侵蚀方程中的因子；n＝7时，输入变量为模拟的土壤侵蚀模数A；隐含层设置三层，每层包括隐含层节点输入与输出，并基于反向传播算法进行网络权值和阈值的更新；输出层输出Yk＝(y1,y2,…,yq),q为输出层的神经元数，这里q＝1；n＝1时，输出变量为与输入变量对应的野外水土流失影响因子的观测值；n＝7时，输出变量为与输入变量对应的野外水土流失观测值；
步骤5：将按步骤2计算得到的土壤侵蚀因子和步骤3计算得到的土壤侵蚀模数，分别代入训练好的土壤侵蚀模数回归模型中进行计算，最终获得高精度的土壤侵蚀模数。
作为优选，步骤1中，所述土壤侵蚀因子有关数据包括：日降水量数据，土壤理化性质资料，DEM，归一化植被指数，土地利用数据，水土保持重点工程资料和生产建设活动扰动资料；
所述预处理土壤侵蚀因子有关数据是指，获取土壤侵蚀因子相关数据后对数据进行重投影，使其具有统一的投影系统和坐标，并对数据进行初运算使其符合模型运算要求。
作为优选，步骤2中，对获取的日降水量数据以预定阀值筛选并计算，通过插值得到降雨侵蚀力图层；根据土壤理化性质资料、DEM数据、归一化植被指数、土地利用数据、水土保持重点工程资料和生产建设活动扰动资料，得到土壤可蚀性因子图层、坡长因子图层、坡度因子图层、生物措施因子图层、工程措施因子图层和耕作措施因子图层。
作为优选，步骤3中，所述土壤侵蚀方程，包括通用土壤流失方程(Universal SoilLoss Equation,USLE)、修正通用土壤流失方程(Revised Universal Soil LossEquation,RUSLE)和中国水土流失方程(Chinese Soil Loss Equation,CSLE)。
作为优选，步骤4中，所述土壤侵蚀模数回归模型训练，是分别对土壤侵蚀因子图层和土壤侵蚀模数进行校正，得到训练好的土壤侵蚀模数回归模型；
基于野外水土流失观测值和野外水土流失影响因子的观测值，采取两种方式进行校正，不同函数对应不同的校正关系：
(1)各因子的校正；
用野外水土流失影响因子的观测值对各土壤侵蚀因子(以CSLE的土壤侵蚀因子为例)R、K、L、S、B、E、T进行校正；野外水土流失影响因子的观测值分别对应记为Y1、Y2、Y3、Y4、Y5、Y6和Y7；
即：
f1(R)＝Y1；
f2(K)＝Y2；
f3(L)＝Y3；
f4(S)＝Y4；
f5(B)＝Y5；
f6(E)＝Y6；
f7(T)＝Y7；
A＝R×K×L×S×B×E×T；
式中：A为年均土壤侵蚀量，单位t hm-2a-1；R为降雨侵蚀力，单位MJ mm hm-2h-1a-1；K为土壤可蚀性因子，单位t hm2 h hm-2MJ-1mm-1；L、S为地形因子，也称坡长、坡度因子；B为生物措施因子；E为工程措施因子；T为耕作措施因子；LS、B、E、T是无量纲。
(2)整体校正；
用野外水土流失观测值Y对土壤侵蚀模数A进行校正；
即：
f(A)＝Y。
本发明的系统所采用的技术方案是：一种基于机器学习和观测数据的土壤侵蚀模数计算系统，包括以下模块：
模块1，用于获取、预处理土壤侵蚀因子有关数据；获取野外水土流失影响因子的观测值和野外水土流失观测值。
模块2，用于利用模块1中预处理后的土壤侵蚀因子有关数据，计算得到各土壤侵蚀因子图层。
模块3，用于利用模块2计算的各土壤侵蚀因子图层，运用土壤侵蚀方程，计算出理论的高分动态土壤侵蚀模数。
模块4：构建土壤侵蚀模数回归模型；并运用机器学习方法，利用模块1中获取的野外水土流失影响因子的观测值、野外水土流失观测值和模块2中计算得到的土壤侵蚀因子图层、模块3中计算得到的土壤侵蚀模数，进行土壤侵蚀模数回归模型训练，最后得到训练好的土壤侵蚀模数回归模型；
所述土壤侵蚀模数回归模型，由输入层、隐含层和输出层组成，各层之间实行全连接。输入层输入的样本向量为Xk＝(x1,x2,…,xn)，k＝1,2,…,m，m为样本数，n为输入层的神经元数；n＝1时,输入变量分别为土壤侵蚀方程中的因子；n＝7时，输入变量为模拟的土壤侵蚀模数A；隐含层设置三层，每层包括隐含层节点输入与输出，并基于反向传播算法进行网络权值和阈值的更新；输出层输出Yk＝(y1,y2,…,yq),q为输出层的神经元数，这里q＝1；n＝1时，输出变量为与输入变量对应的野外水土流失影响因子的观测值；n＝7时，输出变量为与输入变量对应的野外水土流失观测值；
模块5，用于将按模块2计算得到的土壤侵蚀因子和模块3计算得到的土壤侵蚀模数，分别代入训练好的土壤侵蚀模数回归模型中进行计算，最终获得高精度的土壤侵蚀模数。
本发明的有益效果在于：基于机器学习与野外观测数据的土壤侵蚀模数高精度估算方法，可对土壤侵蚀因子和土壤侵蚀模数进行校正，提高土壤侵蚀模数的精度，使得土壤侵蚀估算更精准，对有效监测并控制水土流失有重要科学价值。
附图说明
图1是本发明实施例的方法流程图；
图2是本发明实施例的BP网络结构图；
图3是本发明实施例的SSA优化BP网络流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
本实施例将基于中国水土流失方程(Chinese Soil Loss Equation,CSLE)，对本发明做进一步的阐述。
请见图1，本实施例提供的一种基于机器学习和观测数据的土壤侵蚀模数计算方法，包括以下步骤：
步骤1：获取、预处理土壤侵蚀因子有关数据；获取野外水土流失影响因子的观测值和野外水土流失观测值；
本实施例CSLE中的土壤侵蚀因子有关数据包括：日降水量数据，土壤理化性质资料，数字高程模型(Digital Elevation Model,DEM)，归一化植被指数，土地利用数据，水土保持重点工程资料和生产建设活动扰动资料。收集、整理野外水土流失影响因子的观测值和野外水土流失观测值。
步骤2：利用步骤1中预处理后的土壤侵蚀因子有关数据，计算得到各土壤侵蚀因子图层；
本实施例对获取的日降水量数据以预定阀值筛选并计算，通过插值得到降雨侵蚀力图层；根据土壤理化性质资料、DEM数据、归一化植被指数、土地利用数据、水土保持重点工程资料和生产建设活动扰动资料，得到土壤可蚀性因子图层、坡长因子图层、坡度因子图层、生物措施因子图层、工程措施因子图层和耕作措施因子图层。
步骤3：利用步骤2计算的各土壤侵蚀因子图层，运用土壤侵蚀方程(Soil LossEquation,SLE)，计算出理论的高分(即高时间分辨率、高空间分辨率)动态土壤侵蚀模数；
SLE包括通用土壤流失方程(Universal Soil Loss Equation,USLE)、修正通用土壤流失方程(Revised Universal Soil Loss Equation,RUSLE)和中国水土流失方程(Chinese Soil Loss Equation,CSLE)等。本实施例采用的CSLE是中国应用最广泛的土壤侵蚀预报模型，其数学表达式为：A＝R×K×L×S×B×E×T，式中：A为年均土壤侵蚀量，单位(t hm-2a-1)；R为降雨侵蚀力，单位(MJ mm hm-2h-1a-1)；K为土壤可蚀性因子，单位(t hm2 hhm-2MJ-1mm-1)；L坡长因子、S坡度因子；B为生物措施因子；E为工程措施因子；T为耕作措施因子；LS、B、E、T是无量纲。
步骤4：构建土壤侵蚀模数回归模型；并运用机器学习方法，利用步骤1中获取的野外水土流失影响因子的观测值、野外水土流失观测值和步骤2中计算得到的土壤侵蚀因子图层、步骤3中计算得到的土壤侵蚀模数，进行土壤侵蚀模数回归模型训练，最后得到训练好的土壤侵蚀模数回归模型；
机器学习方法可使用BP网络模型、随机森林回归和支持向量机回归等。以用麻雀算法(sparrow search algorithm,SSA)优化后的BP网络模型为例。BP网络模型是一种误差反向传播的多层前馈式网络，网络学习过程包括正向传播和反向传播。正向传播过程中，输入“土壤侵蚀因子”、“土壤侵蚀模数”从输入层经隐含层加权处理传向输出层；经激活函数运算后得出的输出值与期望值“野外水土流失影响因子的观测值”、“野外水土流失观测值”进行比较；若有误差，则误差反向传播，沿原先的连接通路返回；通过逐层修改各层神经元的加权系数，减少误差，如此循环直至输出满意要求为止。网络权值和阈值的更新是整个过程的关键。SSA能在多维空间中寻找全局最优，从而有效避免陷入局部最优的问题。利用SSA优化BP网络模型，获取BP网络的最优权值。
请见图2，本实施例的土壤侵蚀模数回归模型，由输入层、隐含层和输出层组成，各层之间实行全连接；输入层输入的样本向量为Xk＝(x1,x2,…,xn)，k＝1,2,…,m；m为样本数，n为输入层的神经元数；n＝1时,输入变量分别为CSLE模型中的七因子R、K、L、S、B、E、T，如Xk＝(R)；n＝7时，输入变量为模拟的土壤侵蚀模数A，如Xk＝(R,K,L,S,B,E,T)。隐含层设置三层，每层包括隐含层节点输入与输出，并基于反向传播算法进行网络权值和阈值的更新。输出层输出Yk＝(y1,y2,…,yq),q为输出层的神经元数，这里q＝1；n＝1时，输出变量为与输入变量对应的野外水土流失影响因子(即R、K、L、S、B、E和T)的观测值；n＝7时，输出变量为与输入变量对应的野外水土流失观测值。
请见图3，本实施例采用机器学习方法训练土壤侵蚀模数回归模型。以用麻雀算法(sparrow search algorithm,SSA)优化后的BP网络模型为例。首先，构建BP网络模型。BP网络由输入层、隐含层和输出层组成，各层之间实行全连接，选择ReLu型激励函数记为
然后，初始化BP网络的权值wij、vjl与阈值θj、γl；进而，进行模型训练；接着，使用SSA搜索BP网络的最优权值和阈值。初始化的麻雀种群参数包括麻雀种群数量、发现者比例、预警值、最大迭代次数，SSA的适应度函数设置为优化过程中BP网络的误差函数E(t)；最后，将SSA搜索的最优权值作为网络最终确定的权值，得到土壤侵蚀模数回归模型。
(1)构建BP网络模型：
①输入层：设输入的样本向量为Xk＝(x1,x2,…,xn)，k＝1,2,…,m；m为样本数，n为输入层的神经元数。n＝1时,输入变量分别为CSLE模型中的七因子R、K、L、S、B、E、T，如Xk＝(R)；n＝7时，输入变量为模拟的土壤侵蚀模数A，如Xk＝(R,K,L,S,B,E,T)。关系式如下：
f1(R)＝Y1,n＝1 (1)
F(f(R,K,L,S,B,E,T))＝Y,n＝7 (2)
②隐含层：隐含层设置三层，隐含层节点输入为：
输出为：
输出层节点的输入为：
输出为：
(3)到(6)式中：xj为输入，Sj为隐含层节点的输入，bj为隐含层节点的输出，Ll为输出层节点的输入，Cl为输出层的节点输出；wij为输入层第i个神经元与隐含层第j个神经元之间的连接权值，vjl为隐含层第j个神经元与输出层第l个神经元之间的连接权值；θj为隐含层第j个神经元的节点输入阈值，γl为隐含层第l个神经元的节点输出阈值；
为ReLu型激励函数；p为隐含层神经元数。
激励函数可采用Sigmoid函数、Maxout函数等类型，以ReLu型激励函数为例，其数学形式为：
③输出层：令Yk＝(y1,y2,…,yq),q为输出层的神经元数。这里q＝1，输出变量为与输入变量对应的野外水土流失影响因子(即R、K、L、S、B、E和T)的观测值或野外水土流失观测值。
(2)初始化BP网络：
训练网络可使用梯度下降法、动量优化法和自适应学习率优化算法等方法，以动量法为例，即：
w(t+1)＝w(t)+α[(1-η)D(t)+ηD(t-1)] (8)
w(t)为时刻t的单个权值，α为学习速率，初始学习速率α0设置为0.01；η为动量因子，0≤η<1；
表示时刻t的负梯度；初始权值wij、vjl与阈值θj、Yl随机取值，α的调整方法如下：
w(t+1)＝w(t)+α(t)D(t) (9)
α(t)＝2λα(t-1) (10)
λ＝sign[D(t)D(t-1)] (11)
当两次迭代的梯度方向相同时，表明下降太慢，这时可使步长加倍；反之，当两次迭代的梯度方向相反时，表明下降过头，这时可使步长减半。
设输出层第l个神经元在时刻t的野外水土流失观测值为Yl(t)，网络模型输出值为Yl(t)′，则时刻t网络的误差函数E(t)定义为：
(3)训练BP网络模型：
进行模型训练，当误差函数E(t)≤ε(ε为预先给定的误差)，或学习次数达到设计的最大次数时，网络停止训练，此时的网络模型为初步收敛的网络模型。
(4)SSA优化BP网络模型(即SSA搜索BP网络最优权值)：
①初始化麻雀种数数量并定义其相关参数。包括麻雀种群数量N、发现者比例、警告值和最大迭代次数。设在D维空间中，N个麻雀种群表示为：
②计算麻雀适应值，并确定其个体极值和全局最优极值。SSA的适应度函数可设置为训练集与测试集的误差函数，即式(12)最小。适应度函数表示为：
③使用公式更新发现者和加入者的位置，分别为(15)和(16)。
其中，t表示当前迭代；j＝1,2,3…D；Xij表示第i个麻雀在第j维的位置信息；α∈(0,1]的随机数；itermax为一个常数，表最大迭代次数；R2∈[0,1]表预警值，ST∈[0.5,1]表安全值；Q为正态分布的随机数；L为1×D的矩阵，其元素均为1；Xworst为全局最差位置；
为t+1次迭代全局最优位置；A+＝AT(AAT)-1,A为1×D的矩阵，其元素均为1或-1。
④根据新的适应度值重复更新麻雀的个体极值和全局极值，未满足条件，则返回②。当误差达到所需值或迭代次数达到设定的最大次数，SSA搜索完成。此时输出最优权值。麻雀的初始位置表示为：
其中，
为t次迭代最优位置，
为t次迭代最差位置；β表均值为0，方差为1的正态分布的随机数；K∈[-1,1]的随机数；ε为常数；fi为麻雀个体的适应值，fg为全局最佳适应值，fw为全局最差适应值。
(5)得到回归模型：
将SSA输出的最优权值作为网络最终确定的权值，最终得到土壤侵蚀模数回归模型。
本实施例运用机器学习方法，采用两种方式进行校正，不同函数对应不同的校正关系：
(1)各因子的校正。用野外水土流失影响因子的观测值对各土壤侵蚀因子(以CSLE的土壤侵蚀因子为例)R、K、L、S、B、E和T进行校正，分别记为Y1、Y2、Y3、Y4、Y5、Y6和Y7。即：
f1(R)＝Y1
f2(K)＝Y2
f3(L)＝Y3
f4(S)＝Y4
f5(B)＝Y5
f6(E)＝Y6
f7(T)＝Y7
A＝R×K×L×S×B×E×T；
(2)整体校正。用野外水土流失观测值Y对土壤侵蚀模数A进行校正。即：
f(A)＝Y；
步骤5：将按步骤2计算得到的土壤侵蚀因子和步骤3计算得到的土壤侵蚀模数，分别代入训练好的土壤侵蚀模数回归模型中进行计算，最终获得土壤侵蚀模数。
本实施例将土壤侵蚀模数的历史数据输入已训练好的回归模型中进行计算，将计算结果与对应的野外实测数据做比较，检验模型的可靠性。可采用相对误差的方法来衡量，在时刻t的野外实测水土流失值为Y(t)，网络模型输出值为Y(t)′，即：
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
Claims (6)
1.一种基于机器学习和观测数据的土壤侵蚀模数计算方法，其特征在于，包括以下步骤：
步骤1：获取、预处理土壤侵蚀因子有关数据；获取野外水土流失影响因子的观测值和野外水土流失观测值。
步骤2：利用步骤1中预处理后的土壤侵蚀因子有关数据，计算得到各土壤侵蚀因子图层。
步骤3：利用步骤2计算的各土壤侵蚀因子图层，运用土壤侵蚀方程，计算出理论的高分动态土壤侵蚀模数。
步骤4：构建土壤侵蚀模数回归模型；并运用机器学习方法，利用步骤1中获取的野外水土流失影响因子的观测值、野外水土流失观测值和步骤2中计算得到的土壤侵蚀因子图层、步骤3中计算得到的土壤侵蚀模数，进行土壤侵蚀模数回归模型训练，最后得到训练好的土壤侵蚀模数回归模型；
所述土壤侵蚀模数回归模型，由输入层、隐含层和输出层组成，各层之间实行全连接。输入层输入的样本向量为Xk＝(x1，x2，...，xn)，k＝1，2，...，m，m为样本数，n为输入层的神经元数；n＝1时，输入变量分别为土壤侵蚀方程中的因子；n＝7时，输入变量为模拟的土壤侵蚀模数A；隐含层设置三层，每层包括隐含层节点输入与输出，并基于反向传播算法进行网络权值和阈值的更新；输出层输出Yk＝(y1，y2，...，yq)，q为输出层的神经元数，这里q＝1；n＝1时，输出变量为与输入变量对应的野外水土流失影响因子的观测值；n＝7时，输出变量为与输入变量对应的野外水土流失观测值；
步骤5：将按步骤2计算得到的土壤侵蚀因子和步骤3计算得到的土壤侵蚀模数，分别代入训练好的土壤侵蚀模数回归模型中进行计算，最终获得高精度的土壤侵蚀模数。
2.根据权利要求1所述的基于机器学习和观测数据的土壤侵蚀模数计算方法，其特征在于：步骤1中，所述土壤侵蚀因子有关数据包括：日降水量数据，土壤理化性质资料，DEM，归一化植被指数，土地利用数据，水土保持重点工程资料和生产建设活动扰动资料；
所述预处理土壤侵蚀因子有关数据是指，获取土壤侵蚀因子相关数据后对数据进行重投影，使其具有统一的投影系统和坐标，并对数据进行初运算使其符合模型运算要求。
3.根据权利要求1所述的基于机器学习和观测数据的土壤侵蚀模数计算方法，其特征在于：步骤2中，对获取的日降水量数据以预定阀值筛选并计算，通过插值得到降雨侵蚀力图层；根据土壤理化性质资料、DEM数据、归一化植被指数、土地利用数据、水土保持重点工程资料和生产建设活动扰动资料，得到土壤可蚀性因子图层、坡长因子图层、坡度因子图层、生物措施因子图层、工程措施因子图层和耕作措施因子图层。
4.根据权利要求1所述的基于机器学习和观测数据的土壤侵蚀模数计算方法，其特征在于：步骤3中，所述土壤侵蚀方程，包括通用土壤流失方程USLE、修正通用土壤流失方程RUSLE和中国水土流失方程CSLE。
5.根据权利要求1所述的基于机器学习和观测数据的土壤侵蚀模数计算方法，其特征在于：步骤4中，所述土壤侵蚀模数回归模型训练，是分别对土壤侵蚀因子图层和土壤侵蚀模数进行校正，得到训练好的土壤侵蚀模数回归模型；
基于野外水土流失影响因子的观测值和野外水土流失观测值，采取两种方式进行校正，不同函数对应不同的校正关系：
(1)各因子的校正；
针对中国水土流失方程CSLE，用野外水土流失影响因子的观测值对各土壤侵蚀因子R、K、L、S、B、E、T进行校正；野外水土流失影响因子的观测值分别对应记为Y1、Y2、Y3、Y4、Y5、Y6和Y7；
即：
f1(R)＝Y1；
f2(K)＝Y2；
f3(L)＝Y3；
f4(S)＝Y4；
f5(B)＝Y5；
f6(E)＝Y6；
f7(T)＝V7；
A＝R×K×L×S×B×E×T；
式中：A为年均土壤侵蚀量，单位t hm-2a-1；R为降雨侵蚀力，单位MJ mm hm-2h-1a-1；K为土壤可蚀性因子，单位thm2h hm-2MJ-1mm-1；L坡长因子、S坡度因子；B为生物措施因子；E为工程措施因子；T为耕作措施因子；LS、B、E、T是无量纲。
(2)整体校正；
用野外水土流失观测值Y对土壤侵蚀模数A进行校正；
即：
f(A)＝Y。
6.一种基于机器学习和观测数据的土壤侵蚀模数计算系统，其特征在于，包括以下模块：
模块1，用于获取、预处理土壤侵蚀因子有关数据；获取野外水土流失影响因子的观测值和野外水土流失观测值。
模块2，用于利用模块1中预处理后的土壤侵蚀因子有关数据，计算得到各土壤侵蚀因子图层。
模块3，用于利用模块2计算的各土壤侵蚀因子图层，运用土壤侵蚀方程，计算出理论的高分动态土壤侵蚀模数。
模块4：构建土壤侵蚀模数回归模型；并运用机器学习方法，利用模块1中获取的野外水土流失影响因子的观测值、野外水土流失观测值和模块2中计算得到的土壤侵蚀因子图层、模块3中计算得到的土壤侵蚀模数，进行土壤侵蚀模数回归模型训练，最后得到训练好的土壤侵蚀模数回归模型；
所述土壤侵蚀模数回归模型，由输入层、隐含层和输出层组成，各层之间实行全连接。输入层输入的样本向量为Xk＝(x1，x2，...，xn)，k＝1，2，...，m，m为样本数，n为输入层的神经元数；n＝1时，输入变量分别为土壤侵蚀方程中的因子；n＝7时，输入变量为模拟的土壤侵蚀模数A；隐含层设置三层，每层包括隐含层节点输入与输出，并基于反向传播算法进行网络权值和阈值的更新；输出层输出Yk＝(y1，y2，...，yq)，q为输出层的神经元数，这里q＝1；n＝1时，输出变量为与输入变量对应的野外水土流失影响因子的观测值；n＝7时，输出变量为与输入变量对应的野外水土流失观测值；
模块5，用于将按模块2计算得到的土壤侵蚀因子和模块3计算得到的土壤侵蚀模数，分别代入训练好的土壤侵蚀模数回归模型中进行计算，最终获得高精度的土壤侵蚀模数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111352247.6A CN114154401B (zh) | 2021-11-16 | 2021-11-16 | 基于机器学习和观测数据的土壤侵蚀模数计算方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111352247.6A CN114154401B (zh) | 2021-11-16 | 2021-11-16 | 基于机器学习和观测数据的土壤侵蚀模数计算方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114154401A true CN114154401A (zh) | 2022-03-08 |
| CN114154401B CN114154401B (zh) | 2024-06-18 |
Family
ID=80456616
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111352247.6A Active CN114154401B (zh) | 2021-11-16 | 2021-11-16 | 基于机器学习和观测数据的土壤侵蚀模数计算方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114154401B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115906717A (zh) * | 2023-03-09 | 2023-04-04 | 深圳市睿拓新科技有限公司 | 一种水土保持的侵蚀计算方法及系统 |
| CN116202575A (zh) * | 2023-05-04 | 2023-06-02 | 山东汇杰地理信息科技有限公司 | 一种水土保持土壤流失率监测系统及方法 |
| CN117952321A (zh) * | 2024-03-15 | 2024-04-30 | 日照朝力信息科技有限公司 | 基于土地工程的土壤侵蚀智能监测预警方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180000619A (ko) * | 2016-06-23 | 2018-01-03 | (주)해동기술개발공사 | Ｇｉｓ 기반 토사유실 평가 방법 |
| CN110363322A (zh) * | 2018-04-10 | 2019-10-22 | 重庆师范大学 | 一种土壤侵蚀程度的预测方法 |
| CN111738561A (zh) * | 2020-05-29 | 2020-10-02 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于深度学习的区域水土流失动态监测方法 |
| CN113591572A (zh) * | 2021-06-29 | 2021-11-02 | 福建师范大学 | 基于多源数据和多时相数据的水土流失定量监测方法 |
-
2021
- 2021-11-16 CN CN202111352247.6A patent/CN114154401B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180000619A (ko) * | 2016-06-23 | 2018-01-03 | (주)해동기술개발공사 | Ｇｉｓ 기반 토사유실 평가 방법 |
| CN110363322A (zh) * | 2018-04-10 | 2019-10-22 | 重庆师范大学 | 一种土壤侵蚀程度的预测方法 |
| CN111738561A (zh) * | 2020-05-29 | 2020-10-02 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于深度学习的区域水土流失动态监测方法 |
| CN113591572A (zh) * | 2021-06-29 | 2021-11-02 | 福建师范大学 | 基于多源数据和多时相数据的水土流失定量监测方法 |
Non-Patent Citations (3)
| Title |
|---|
| HOSSEIN SAHOUR: "Machine learning applications for water-induced soil erosion modeling and mapping", 《SOIL AND TILLAGE RESEARCH》, 31 July 2021 (2021-07-31) * |
| 朱青;国佳欣;郭熙;韩逸;刘士余;陈蕾;罗海玲;: "基于随机森林算法的土壤侵蚀影响因子研究――以赣江上游流域为例", 水土保持通报, no. 02, 15 April 2020 (2020-04-15) * |
| 李云开: "强烈侵蚀产沙区小流域土壤侵蚀强度的支持向量机预报模型研究", 《北京林业大学学报》, 15 May 2007 (2007-05-15) * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115906717A (zh) * | 2023-03-09 | 2023-04-04 | 深圳市睿拓新科技有限公司 | 一种水土保持的侵蚀计算方法及系统 |
| CN116202575A (zh) * | 2023-05-04 | 2023-06-02 | 山东汇杰地理信息科技有限公司 | 一种水土保持土壤流失率监测系统及方法 |
| CN116202575B (zh) * | 2023-05-04 | 2023-07-28 | 山东汇杰地理信息科技有限公司 | 一种水土保持土壤流失率监测系统及方法 |
| CN117952321A (zh) * | 2024-03-15 | 2024-04-30 | 日照朝力信息科技有限公司 | 基于土地工程的土壤侵蚀智能监测预警方法及系统 |
| CN117952321B (zh) * | 2024-03-15 | 2024-06-07 | 日照朝力信息科技有限公司 | 基于土地工程的土壤侵蚀智能监测预警方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114154401B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109858647B (zh) | 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法 | |
| CN114154401A (zh) | 基于机器学习和观测数据的土壤侵蚀模数计算方法及系统 | |
| CN111783987A (zh) | 基于改进bp神经网络的农田参考作物蒸散量预测方法 | |
| CN106022954B (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
| CN109214579B (zh) | 基于bp神经网络的盐碱地稳定性预测方法及系统 | |
| CN111310965A (zh) | 一种基于lstm网络的飞行器航迹预测方法 | |
| CN111795761B (zh) | 一种基于强化学习模型的预测机柜进风温度的方法 | |
| Huang et al. | A data-driven method for hybrid data assimilation with multilayer perceptron | |
| CN113255972A (zh) | 基于Attention机制的短临降水预测方法 | |
| CN112903929A (zh) | 一种食品质量检测系统 | |
| CN115128978A (zh) | 物联网环境大数据检测与智能监控系统 | |
| CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
| CN114330815A (zh) | 一种基于改进goa优化lstm的超短期风电功率预测方法与系统 | |
| CN114169502A (zh) | 一种基于神经网络的降水预测方法、装置和计算机设备 | |
| CN109886405A (zh) | 一种抑制噪声的基于人工神经网络结构优化方法 | |
| CN113962819A (zh) | 一种基于极限学习机的工厂化水产养殖溶解氧预测方法 | |
| CN109408896A (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
| CN117370766A (zh) | 一种基于深度学习的卫星任务规划方案评估方法 | |
| CN113255739A (zh) | 一种鱼饲料检测与配方系统 | |
| CN113052373A (zh) | 一种基于改进elm模型的月径流变化趋势预测方法 | |
| CN112348656A (zh) | 一种基于ba-wnn的个人贷款信用评分方法 | |
| CN104899464B (zh) | 一种适应噪声条件下的抽样学习机遥感定量反演方法 | |
| CN111126827A (zh) | 一种基于bp人工神经网络的投入产出核算模型构建方法 | |
| CN116663404A (zh) | 一种耦合人工智能和贝叶斯理论的洪水预报方法及系统 | |
| CN115907204A (zh) | 麻雀搜索算法优化bp神经网络的林木蒸腾耗水预测方法 |
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 | ||
| GR01 | Patent grant |