CN114723149A - 土壤墒情预测方法、装置、电子设备及存储介质 - Google Patents

土壤墒情预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114723149A
CN114723149A CN202210395312.1A CN202210395312A CN114723149A CN 114723149 A CN114723149 A CN 114723149A CN 202210395312 A CN202210395312 A CN 202210395312A CN 114723149 A CN114723149 A CN 114723149A
Authority
CN
China
Prior art keywords
soil moisture
moisture content
prediction
prediction model
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.)
Pending
Application number
CN202210395312.1A
Other languages
English (en)
Inventor
郑文刚
徐林林
于景鑫
李作麟
岳焕芳
史凯丽
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.)
Research Center of Information Technology of Beijing Academy of Agriculture and Forestry Sciences
Original Assignee
Research Center of Information Technology of Beijing Academy of Agriculture and Forestry Sciences
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 Research Center of Information Technology of Beijing Academy of Agriculture and Forestry Sciences filed Critical Research Center of Information Technology of Beijing Academy of Agriculture and Forestry Sciences
Priority to CN202210395312.1A priority Critical patent/CN114723149A/zh
Publication of CN114723149A publication Critical patent/CN114723149A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Animal Husbandry (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Development Economics (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种土壤墒情预测方法、装置、电子设备及存储介质，包括：将待预测的土壤墒情数据输入训练好的梯度提升树预测模型，输出所述待预测的土壤墒情数据对应的土壤墒情预测信息；所述训练好的梯度提升树预测模型是根据携带土壤墒情信息标签的土壤墒情数据样本集训练后得到的，所述梯度提升树预测模型的目标超参数的数值是基于粒子群优化算法求解得到的。本发明实现了模型对复杂非线性关系的高精度拟合能力，通过将待预测的土壤墒情数据输入训练好的梯度提升树预测模型，可以实现高精度的土壤墒情实时预测，同时还避免了对农田土壤环境的破坏，节省了大量人力物力。

Description

土壤墒情预测方法、装置、电子设备及存储介质
技术领域
本发明涉及农业技术领域，尤其涉及一种土壤墒情预测方法、装置、电子设备及存储介质。
背景技术
土壤墒情直观反映了农田土壤含水量的状态，准确地预测土壤墒情能够有效地指导农业生产及宏观决策。
现有技术中，从土壤墒情预测尺度看，通常可以分为面向田块原位点的点尺度以及面向大范围区域的面尺度。然而，对于面向点尺度的预测，通常依靠传统的土壤烘干法测量，即通过对土壤加热烘干后称重损失水分的质量换算出土壤含水率，这种方式需要人工量较高，且具有明显的破坏性和延迟性；对于面向面尺度的预测，提供一种基于传统的遗传神经网络算法的预测方法，由于其全局寻优能力较差，导致土壤墒情的预测精度并不高。
因此，如何更好地进行土壤墒情的预测已经成为业界亟待解决的问题。
发明内容
本发明提供一种土壤墒情预测方法、装置、电子设备及存储介质，用以更好地进行土壤墒情的预测。
本发明提供一种土壤墒情预测方法，包括：
将待预测的土壤墒情数据输入训练好的梯度提升树预测模型，输出所述待预测的土壤墒情数据对应的土壤墒情预测信息；
所述训练好的梯度提升树预测模型是根据携带土壤墒情信息标签的土壤墒情数据样本集训练后得到的，所述梯度提升树预测模型的目标超参数的数值是基于粒子群优化算法求解得到的。
根据本发明提供的一种土壤墒情预测方法，在输出所述待预测的土壤墒情数据对应的土壤墒情预测信息之后，还包括：
基于所述待预测的土壤墒情数据对应的土壤墒情预测信息与预设土壤墒情分级渲染标准，生成目标土壤墒情预测图。
根据本发明提供的一种土壤墒情预测方法，在所述将待预测的土壤墒情数据输入训练好的梯度提升树预测模型之前，还包括：
按照预设尺寸，将目标预测区域进行网格划分，得到多个网格区域；
获取每个所述网格区域中M类土壤墒情影响因子的历史数据；
基于每个所述网格区域中M类土壤墒情影响因子的历史数据，确定土壤墒情数据样本集；M为正整数；
利用所述土壤墒情数据样本集，对梯度提升树预测模型进行训练。
根据本发明提供的一种土壤墒情预测方法，基于粒子群优化算法求解得到所述目标超参数的数值的方法，包括：
基于所述梯度提升树预测模型的目标超参数，确定粒子群；所述梯度提升树预测模型是基于XGBoost模型构建的，所述目标超参数至少包括：学习率、树的最大深度、子节点的权重阈值、最小划分损失、样本采样率和特征采样率；
基于粒子群优化算法，对所述粒子群中的各个粒子的速度和位置进行迭代分析，确定适应度值最小的目标粒子；
根据所述目标粒子，得到所述梯度提升树预测模型的目标超参数的数值。
根据本发明提供的一种土壤墒情预测方法，所述基于每个所述网格区域中M类土壤墒情影响因子的历史数据，确定土壤墒情数据样本集，包括：
将每个所述网格区域中M类土壤墒情影响因子的历史数据输入预设预测模型，得到每个所述网格区域中各类所述土壤墒情影响因子对应的预测值，以根据所述预测值，确定每个所述网格区域中各类所述土壤墒情影响因子对应的SHAP值；
基于每个所述网格区域中各类所述土壤墒情影响因子对应的SHAP值，从所述M类土壤墒情影响因子中确定N类目标土壤墒情影响因子；N≤M，M和N均为正整数；
根据所述N类目标土壤墒情影响因子的历史数据，得到土壤墒情数据样本集。
根据本发明提供的一种土壤墒情预测方法，利用所述土壤墒情数据样本集，对梯度提升树预测模型进行训练，包括：
采取交叉验证的方法，从所述土壤墒情数据样本集中得到训练样本集；
将所述训练样本集中的土壤墒情数据样本和所述土壤墒情数据样本携带的土壤墒情信息标签作为一组训练样本，获取多组训练样本；
利用所述多组训练样本，对梯度提升树预测模型进行训练。
根据本发明提供的一种土壤墒情预测方法，利用所述多组训练样本，对梯度提升树预测模型进行训练，包括：
对于任意一组训练样本，将所述训练样本输入梯度提升树预测模型，输出所述训练样本对应的土壤墒情预测信息；
利用预设损失函数，根据所述训练样本对应的土壤墒情预测信息和所述训练样本中的土壤墒情信息标签计算损失值；
若所述损失值小于预设阈值或当前迭代次数达到预设最大迭代次数，则所述梯度提升树预测模型训练完成。
本发明还提供一种土壤墒情预测装置，包括：
预测模块，用于将待预测的土壤墒情数据输入训练好的梯度提升树预测模型，输出所述待预测的土壤墒情数据对应的土壤墒情预测信息；
所述训练好的梯度提升树预测模型是根据携带土壤墒情信息标签的土壤墒情数据样本集训练后得到的，所述梯度提升树预测模型的目标超参数的数值是基于粒子群优化算法求解得到的。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述土壤墒情预测方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述土壤墒情预测方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述土壤墒情预测方法。
本发明提供的土壤墒情预测方法、装置、电子设备及存储介质，通过采用梯度提升树模型，并利用粒子群优化算法对梯度提升树模型的目标超参数进行优化，获得具有最佳超参数的梯度提升树预测模型，从而提高梯度提升树预测模型的预测精度，同时通过携带土壤墒情信息标签的土壤墒情数据样本集对梯度提升树预测模型进行训练，获得训练好的梯度提升树预测模型，实现了模型对复杂非线性关系的高精度拟合能力，通过将待预测的土壤墒情数据输入训练好的梯度提升树预测模型，可以实现高精度的土壤墒情实时预测，同时还避免了对农田土壤环境的破坏，节省了大量人力物力。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的土壤墒情预测方法的流程示意图；
图2是本发明提供的土壤墒情预测装置的结构示意图；
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1-图3描述本发明的土壤墒情预测方法、装置、电子设备及存储介质。
随着信息技术和传感器技术的发展，现有技术中，基于频域反射(FrequencyDomain Reflectometry，FDR)、时域反射(Time Domain Reflector，TDR)等技术，经由土壤介电系数的转换能够远程、快速、准确地采集土壤的体积含水量。然而，受制于土壤理化性质等空间变异性的影响，农田的原位点尺度监测仅能代表附近田块尺度甚至仅能代表传感器采集点的10cm范围区域，难以有效应用于区域指导。此外，针对区域的空间插值，传统的反距离加权插值(Inverse Distance Weighted，IDW)、克里金等方法，通常只考虑估算点的空间距离特征，难以获得较高的测量精度。随着遥感技术的快速发展，利用卫星能够获取大范围的多光谱数据，海量的公开遥感数据使得土壤墒情反演研究得到了高速发展，大量的研究分别利用光学遥感数据、主被动微波雷达数据等与地面监测点建立关系，实现区域的土壤水分反演。然而，遥感反演的弊端在于其重返周期长，难以获得实时数据，此外，受限于非接触的测量方式，仅能测量地表(0-10cm)的土壤水分含量，无法反映更深层次作物根区水分状况，难以用于农业生产实践。
为此，为解决现有技术中的上述技术缺陷，本发明提供一种土壤墒情预测方法。
图1是本发明提供的土壤墒情预测方法的流程示意图，如图1所示，包括：
步骤110，将待预测的土壤墒情数据输入训练好的梯度提升树预测模型，输出待预测的土壤墒情数据对应的土壤墒情预测信息；
该训练好的梯度提升树预测模型是根据携带土壤墒情信息标签的土壤墒情数据样本集训练后得到的，梯度提升树预测模型的目标超参数的数值是基于粒子群优化算法求解得到的。
具体地，本发明实施例所描述的待预测的土壤墒情数据可以是从预设网格数据库中获取的多类土壤墒情影响因子的数据。其中，为减小模型处理的数据量，提高模型运行效率，待预测的土壤墒情数据还可以是从多类土壤墒情影响因子中筛选出的一定数量类别且起着关键作用的土壤墒情影响因子的数据。
可以理解的是，土壤墒情影响因子指的是影响土壤墒情变化的因子。
本发明实施例所描述的土壤墒情预测信息指的是针对待预测的土壤墒情数据预测得到的土壤含水量信息，其可以使用土壤含水量百分比形式表示。
在本发明的实施例中，预设网格数据库的数据源为多尺度协同数据融合得到的，其具体可以是以地面原位墒情监测数据为基准，地形地貌数据、土壤质地养分数据、遥感监测数据等多源数据融合的方式获得的，其中，数据源可以包括墒情原位数据、静态空间数据以及多时相遥感融合数据三大类。
在本实施例中，原位监测数据指的是利用固定监测站点所采集的土壤墒情数据。在该类数据源中，多类土壤墒情影响因子的数据可以为多深度土壤体积含水量数据，其具体可以包括0-20cm、20-40cm、40-60cm和60-80cm四个深度的土壤体积含水量(单位：％)，该数据以小时为单位频率进行采集，以及站点坐标经纬度坐标数据(十进制度)属于典型的结构化数据，存储于数据库中，便于与站点信息对应；
静态空间数据指的是长期相对稳定的协同数据源，在该类数据源中，多类土壤墒情影响因子的数据可以包括数字地形模型(DEM)、坡度、坡向等地形数据以及多深度土壤田间持水量(％)、pH值(无单位)、有机碳含量(g/kg)、有机碳密度(kg/m2)、阳离子交换量(cmol(+)/kg)、全氮含量(g/kg)、全氮密度(kg/m2)、全磷含量(g/kg)、全磷密度(kg/m2)、全钾含量(g/kg)、全钾密度(kg/m2)、容重(g/cm3)、砾石含量(>2mm)(％)、砂粒(g/kg)、粉粒(g/kg)、粘粒(g/kg)等数值型土壤参数数据；
多时相遥感融合数据为本发明的创新性设计，在以Google Earth Engine(GEE)等遥感大数据云计算平台为基础，在线获得多时相的遥感融合数据，在该类数据源中，多类土壤墒情影响因子的数据可以包括历年逐月多深度土壤含水量聚合数据、逐月平均降雨量、气温、风速、蒸散发数据等。针对所选择时相范围内的数据，采用“叠加平均”的方式构建新的栅格数据集，即针对每一个像素点计算历史上所有时间范围内数据的平均值，形成新的聚合数据，以体现长时间尺度下特定时间段区域所展现的空间分布特征，其中，气象数据不体现土壤深度特征。
在本发明的实施例中，可以通过采用区域网格划分的方式来建立目标预测区域的预设网格数据库。在地心坐标系WGS84坐标系下，以目标预测区域最小经度x0与最小纬度y0所组成的坐标点(x0,y0)为起点，在目标预测区域投影坐标系下，可以采用90m为单位边长依次建立正方形面状网格数据，网格间无缝隙且覆盖全部预测区域，逐次为所建立的网格赋予唯一且独立的编号；
进一步地，提取每个网格的中心点，建立新的点状图层数据集，点的编号与所在网格的唯一编号一致。利用地理信息系统(Geographic Information System，GIS)空间提取的方式，逐次提取每个网格所在的同区域多源数据的平均值作为特征值，如：起始点(x0,y0)的数字高程模型的(Digital Elevation Model，DEM)高程数据对应的特征值为该网格所在区域内DEM栅格影像高程值的平均值，以此类推，为每个网格赋予不同类型的属性数据，生成属性表数据集，该属性表数据集可以是二维表格形式，即每行数据表示空间网格点，每列数据表示网格区域内不同土壤墒情影响因子的特征值，进一步将网格内所采集的数据赋予中心点的属性表内，实现数据的转移赋值，由此构建目标预测区域的预设网格数据库，作为后续模型预测的底层数据库。
需要说明的是，以极限梯度提升(eXtreme Gradient Boosting，XGBoost)模型等AI算法为代表的基于树结构的算法结构，在拟合复杂非线性关系上具有明显的优势，相比于基于神经网络的深度学习(Deep Learning)模型，基于树的集成学习模型具有更好的稳定性和极佳的训练效率，在获得相同高精度的训练结果的同时，模型训练时间大大缩短，适合于墒情预测及墒情空间制图等动态模型拟合运算服务。
本发明实施例所描述的梯度提升树预测模型指的是基于梯度提升树模型构建的土壤墒情预测模型。在本实施例中，可以采用的梯度提升树模型包括梯度提升决策树(Gradient Boosting Decision Tree，GBDT)模型、XGBoost模型、LightGBM模型等。其中，XGBoost模型是经过优化的分布式梯度提升库，旨在高效、灵活且可移植。
需要说明的是，梯度提升树模型进行参数的选择时使用的方法一般是随机梯度法，用该方法进行网络超参数的调整过程中，很容易陷入局部最优的情况，而无法找到最优解。因此，在本发明的实施例中，可以通过采用粒子群优化(Particle SwarmOptimization，PSO)算法对粒子速度及位置进行更新优化，对梯度提升树预测模型进行参数训练，不断迭代优化，寻找最优超参数，以获得最佳的梯度提升树预测模型，以此可以极大地提高模型的预测精度。
本发明实施例所描述的训练好的梯度提升树预测模型是根据携带土壤墒情信息标签的土壤墒情数据样本集对梯度提升树预测模型进行训练后得到的，用于对待预测的土壤墒情数据进行预测，学习土壤墒情影响因子数据对土壤墒情影响的内在规律，从而输出准确的土壤墒情预测信息。
可以理解的是，本发明实施例所描述的根据携带土壤墒情信息标签的土壤墒情数据样本集可以从预设网格数据库中获取得到。
在本发明实施例中，通过采用多元数据融合的方式，协同开展多深度土壤墒情空间预测，在结合DEM、坡度坡向等常规手段的基础上，整合了土壤质地、土壤容重、土壤养分等十余种土壤指标数据，进一步利用高性能的云计算平台，协同多时相融合的多深度土壤含水量数据、气象数据等，扩展了协同因子维度，可以形成丰富的土壤墒情数据样本集，为后续梯度提升树预测模型的训练和分析提供数据支撑。
其中，梯度提升树预测模型的训练样本是由多组携带土壤墒情信息标签的土壤墒情数据样本组成的。
其中，本发明所描述的土壤墒情信息标签是根据土壤墒情数据样本预先确定的，并与土壤墒情数据样本是一一对应的。也就是说，训练样本中的每一个土壤墒情数据样本，都预先设定好携带一个与之对应的土壤墒情信息标签。
基于上述实施例的内容，作为一种可选的实施例，基于粒子群优化算法求解得到目标超参数的数值的方法，包括：
基于梯度提升树预测模型的目标超参数，确定粒子群；梯度提升树预测模型是基于XGBoost模型构建的，目标超参数至少包括：学习率、树的最大深度、子节点的权重阈值、最小划分损失、样本采样率和特征采样率；
基于粒子群优化算法，对粒子群中的各个粒子的速度和位置进行迭代分析，确定适应度值最小的目标粒子；
根据目标粒子，得到梯度提升树预测模型的目标超参数的数值。
需要说明的是，PSO算法是基于群智能活动的演化算法，每个潜在解都被当成一个点或粒子，所有潜在解组成粒子群，每个粒子在N维搜索空间中单独搜寻最优解，并将其记为当前个体极值，将个体极值与整个粒子群里的其他粒子共享，找到最优个体极值作为整个粒子群的当前全局最优解，粒子群中的所有粒子根据当前个体极值和整个粒子群共享的当前全局最优解来调整自己的速度和位置。
具体地，在本发明的实施例中，梯度提升树预测模型是基于XGBoost模型构建的，PSO算法优化的XGBoost模型的目标超参数至少可以包括：学习率learning rate(eta)，树的最大深度max_depth，子节点的权重阈值min_child_weight，最小划分损失min_split_loss(gamma)，样本采样率subsample以及特征采样率colsample_bytree。
进一步地，可以根据上述各个目标超参数的组合，构造出PSO算法中的粒子群，进而基于PSO算法，对该粒子群中的各个粒子的速度和位置进行迭代分析，即：随机初始化粒子群中各个粒子在搜索空间中的速度和位置，通过定义拟合方程，根据每个粒子的个体最优解生成全局最优解，然后比较当前的全局最优是与历史全局最优相比来决定是否更新全局最优。其中，每个粒子速度和位置的可以通过下述策略进行更新，该策略表示为：
Vid＝ωVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid)；
Xid＝Xid+Vid；
式中，C1、C2表示个体和全局学习因子；Pid表示第i个粒子的个体极值的第d维度；Pgd表示全局最优解的第d维；ω表示惯性因子，用于对全局寻优性能和局部寻优性能进行调整；Xid表示第i个粒子的第d维中的位置；Vid表示第i个粒子的第d维上的速度。
在本发明实施例中，可以使用线性递减策略对惯性因子进行更新，表示为：
Figure BDA0003597131330000111
式中，iter为最大迭代次数，iteri为当前迭代次数，ωmax和ωmin分别表示ω的最大值和最小值。
在本实施例中，通过上述粒子速度和位置更新策略以及惯性因子更新策略，不断地对粒子群中的各个粒子的速度和位置进行迭代分析，若满足预设迭代停止条件，如达到最大迭代次数或全局最优解满足最小界限时，则停止搜索，输出结果，可以最终确定出适应度值最小的目标粒子，从而根据目标粒子，得到梯度提升树预测模型的目标超参数的数值，获取性能最佳的梯度提升树预测模型。
本发明实施例的方法，通过采用PSO算法对基于XGBoost模型构建的梯度提升树预测模型的目标超参数进行参数寻优，获得优化的梯度提升树预测模型，可以极大地提升梯度提升树预测模型的预测精度。
进一步地，在根据携带土壤墒情信息标签的土壤墒情数据样本集对梯度提升树预测模型进行训练，得到训练好的梯度提升树预测模型之后，可以将从预设网格数据库获取的待预测的土壤墒情数据，输入到训练好的梯度提升树预测模型，获取高质量的土壤墒情预测结果，得到待预测的土壤墒情数据对应的土壤墒情预测信息，由此，可以实现对农田预测区域土壤墒情的高精度预测。
本发明实施例的土壤墒情预测方法，通过采用梯度提升树模型，并利用粒子群优化算法对梯度提升树模型的目标超参数进行优化，获得具有最佳超参数的梯度提升树预测模型，从而提高梯度提升树预测模型的预测精度，同时通过携带土壤墒情信息标签的土壤墒情数据样本集对梯度提升树预测模型进行训练，获得训练好的梯度提升树预测模型，实现了模型对复杂非线性关系的高精度拟合能力，通过将待预测的土壤墒情数据输入训练好的梯度提升树预测模型，可以实现高精度的土壤墒情实时预测，同时还避免了对农田土壤环境的破坏，节省了大量人力物力。
基于上述实施例的内容，作为一种可选的实施例，在输出待预测的土壤墒情数据对应的土壤墒情预测信息之后，还包括：
基于待预测的土壤墒情数据对应的土壤墒情预测信息与预设土壤墒情分级渲染标准，生成目标土壤墒情预测图。
需要说明的是，现有针对区域尺度的农田土壤墒情空间制图方法中，多采用基于传统的空间插值算法进行由点到面的空间估算方式，相应的模式偏向于考虑空间尺度上的距离关系，部分方案通过地理统计学的方式获取相应的概率分布进而指导制图，然而，上述方案所结合的协同制图要素较少，且面向更高维度的数据时难以有效拟合复杂的非线性关系，导致空间制图精度不足。
为此，通过本发明提供的土壤墒情预测方法，还可以有效解决上述现有技术中存在的缺陷，提高土壤墒情空间制图的精度。
具体地，本发明实施例所描述的预设土壤墒情分级渲染标准指的是基于农田墒情的分类分级标准确定的色彩渲染标准。
本发明实施例目标土壤墒情预测图指的是基于待预测的土壤墒情数据对应的土壤墒情预测信息，通过分类分级渲染方法，得到的用于展示土壤墒情空间分布预测的动态图。
示例性地，在本实施例中，农田墒情的分类分级标准可以设定为：若土壤墒情预测信息大于100％，可以表示渍涝的程度；土壤墒情预测信息在85％-100％之间，可以表示过多的程度；土壤墒情预测信息在65％-85％之间，可以表示适宜的程度；土壤墒情预测信息在55％-65％之间，可以表示不足的程度；土壤墒情预测信息在35％-55％之间，可以表示干旱的程度；土壤墒情预测信息小于35％，可以表示重旱的程度。
在本发明实施例中，待预测的土壤墒情数据可以是从预设网格数据库中获取的多类土壤墒情影响因子的多源数据，通过训练好的梯度提升树预测模型，实现模型对复杂非线性关系的高精度拟合能力，通过训练好的梯度提升树预测模型输出的待预测的土壤墒情数据对应的土壤墒情预测信息，得到土壤墒情预测的高精度结果，由此，可以根据预设网格数据库，通过训练好的梯度提升树预测模型，依次逐点计算每个网格中待预测的土壤墒情数据对应的土壤墒情预测信息。
进一步地，利用地理信息系统(Geographic Information System，GIS)平台，可以基于每个网格中待预测的土壤墒情数据对应的土壤墒情预测信息，逐点对应到空间栅格，形成单层区域土壤墒情栅格数据，根据上述农田墒情的分类分级标准，对生成的栅格数据进行分类分级渲染，套入版式图进行制图展示，可以极大提升土壤墒情的空间制图精度。
可选地，在本发明的实施例中，预设网格数据库仅需构建一次，形成稳定的协同建模因子数据库；训练好的梯度提升树预测模型是一种动态的模型，参与模型运算的输入项参数、模型的超参数值、模型的训练过程均为动态变化的，其变化取决于所参与预测的土壤墒情数据的特征，即在每个深度土壤墒情空间计算时，均需重复运行，即在每次的运行中需经过关键因子筛选、模型构建、模型训练及制图成图的步骤，依次运行，形成最适合当下数据条件的协同因子和模型参数。
本发明实施例的方法，通过训练好的梯度提升树预测模型实现了模型对复杂非线性关系的高精度拟合能力，通过训练好的梯度提升树预测模型输出的土壤墒情预测信息，结合预设土壤墒情分级渲染标准进行土壤墒情预测制图，得到高质量的目标土壤墒情预测图，极大地提升了土壤墒情预测空间制图的精度。
基于上述实施例的内容，作为一种可选的实施例，在将待预测的土壤墒情数据输入训练好的梯度提升树预测模型之前，还包括：
按照预设尺寸，将目标预测区域进行网格划分，得到多个网格区域；
获取每个网格区域中M类土壤墒情影响因子的历史数据；
基于每个网格区域中M类土壤墒情影响因子的历史数据，确定土壤墒情数据样本集；M为正整数；
利用土壤墒情数据样本集，对梯度提升树预测模型进行训练。
具体地，本发明实施例所描述的目标预测区域指的是需要进行土壤墒情预测的农田区域。
本发明实施例所描述的预设尺寸指的是预先设置的区域划分尺寸，其用于对目标预测区间进行网格划分，得到多个网格区域，与预设网格数据库中各个网格区域相对应。其具体可以根据实际计算需求进行设定，如选取90m为单位边长的尺寸，或者50m为单位边长的尺寸等。
本发明实施例所描述的M类土壤墒情影响因子指的是在预设网格数据库中存储的墒情原位数据、静态空间数据以及多时相遥感融合数据三大类数据源中的多类土壤墒情影响因子。
进一步地，在划分网格区域后，基于预设网格数据库，可以获取每个网格区域中M类土壤墒情影响因子的历史数据；基于每个网格区域中M类土壤墒情影响因子的历史数据，可以获取数据源丰富的土壤墒情数据样本集。
可选地，为了提升模型训练的效率，减小数据量的处理，还可以从每类土壤墒情影响因子在土壤墒情预测过程中的贡献进行评价分析，筛选出少数几类起着关键作用的土壤墒情影响因子，从而根据少数几类起着关键作用的土壤墒情影响因子的历史数据，获取土壤墒情数据样本集。
进一步地，在得到土壤墒情数据样本集之后，可以利用土壤墒情数据样本集，对梯度提升树预测模型进行训练，以获得训练好的梯度提升树预测模型。
本发明实施例的方法，通过对预测区域的网格划分，结合预设的网格数据库，获取每个网格区域中多类土壤墒情影响因子的历史数据，确定土壤墒情数据样本集，实现通过多尺度协同数据融合的多源数据对梯度提升树预测模型进行训练，有利于获得高精度的梯度提升树预测模型，提高模型预测土壤墒情的预测精度。
基于上述实施例的内容，作为一种可选的实施例，基于每个网格区域中M类土壤墒情影响因子的历史数据，确定土壤墒情数据样本集，包括：
将每个网格区域中M类土壤墒情影响因子的历史数据输入预设预测模型，得到每个网格区域中各类土壤墒情影响因子对应的预测值，以根据预测值，确定每个网格区域中各类土壤墒情影响因子对应的SHAP值；
基于每个网格区域中各类土壤墒情影响因子对应的SHAP值，从M类土壤墒情影响因子中确定N类目标土壤墒情影响因子；N≤M，M和N均为正整数；
根据N类目标土壤墒情影响因子的历史数据，得到土壤墒情数据样本集。
具体地，本发明实施例所描述的目标土壤墒情影响因子指的是在M类土壤墒情影响因子中，对模型预测所做的贡献大的N类土壤墒情影响因子，其中，N≤M，M和N均为正整数，N的取值根据实际模型计算需求进行设定。
本发明实施例所描述的预设预测模型可以选择支持向量机(Support VectorMachine，SVM)模型、随机森林模型等。
在本发明的实施例中，采用夏普利可加性解释方法(SHapley AdditiveexPlanations，SHAP)对多类土壤墒情影响因子的多源数据在模型拟合与预测中的贡献进行评价分析。
需要说明的是，SHAP算法提升了模型的可解释性，解决AI算法黑箱模型的可解释问题，因此，本发明采用SHAP值对梯度提升树预测模型中影响土壤墒情变化的多类土壤墒情影响因子进行解释分析，用来量化每类土壤墒情影响因子对模型预测所做的贡献，选择当前环境下最具关键作用的N类目标土壤墒情影响因子。
可选地，在本实施例中，将每个网格区域中M类土壤墒情影响因子的历史数据输入预设预测模型，得到每个网格区域中各类土壤墒情影响因子对应的预测值，以根据预测值，确定每个网格区域中各类土壤墒情影响因子对应的SHAP值；
具体地，基于SHAP算法，设定一类土壤墒情影响因子对应一个特征，则首先计算一个特征加入到SVM模型当中时的边际贡献，即计算同一网格区域中一类土壤墒情影响因子在预测的边际贡献，然后计算该特征在所有特征序列中不同的边际贡献，最后计算该特征的SHAP值，即该特征所有边际贡献的均值。
假设第i个样本为xi，第i个样本的第j个特征为xij，这里，xij可以表示预设网格数据库中第i个网格区域内的第j类土壤墒情影响因子，该特征的边际贡献为mcij，权重为wi，其中f(xij)表示xij的SHAP值，例如，第i个样本的第1个特征的SHAP值计算如下：
f(xi1)＝mci1w1+…+mci1wn；
模型对该样本的预测值为
Figure BDA0003597131330000171
整个模型的基线(通常是所有样本的目标变量的均值)为ybase，那么SHAP值服从以下等式：
Figure BDA0003597131330000172
f(xi1)表示第i个样本中第1个特征对最终预测值
Figure BDA0003597131330000173
的贡献值，每个特征的SHAP值表示以该特征为条件时模型预测的变化。对于每个特征，SHAP值都说明了其所做贡献。当f(xi1)>0，说明该特征提升了预测值，反之，说明该特征使得贡献降低。
由此，通过快速计算各类土壤墒情影响因子对空间预测的贡献程度，确定N类目标土壤墒情影响因子，如可以筛选贡献程度最高的5类目标土壤墒情影响因子，该5类目标土壤墒情影响因子为坡度、有机碳密度、阳离子交换量、全氮含量及砾石含量。
进一步地，获取N类目标土壤墒情影响因子的历史数据，并将该N类目标土壤墒情影响因子的历史数据作为土壤墒情数据样本集，可以用于后续模型的建模过程与空间制图。
本发明实施例的方法，通过从M类土壤墒情影响因子中提取N类目标土壤墒情影响因子的数据用于建模，相比于传统的神经网络算法，在保证相同的精度的同时，大幅降低训练时间，提升了训练效率，使得本发明的方法更适用于实际平台系统搭载应用，实现了高效快速的模型构建与应用过程。
基于上述实施例的内容，作为一种可选的实施例，利用土壤墒情数据样本集，对梯度提升树预测模型进行训练，包括：
采取交叉验证的方法，从土壤墒情数据样本集中得到训练样本集；
将训练样本集中的土壤墒情数据样本和土壤墒情数据样本携带的土壤墒情信息标签作为一组训练样本，获取多组训练样本；
利用多组训练样本，对梯度提升树预测模型进行训练。
具体地，本实施例中采取的交叉验证的方法可以是五折交叉验证的方法，也可以是十折交叉验证的方法，从而可以将土壤墒情数据样本集划分成训练样本集和测试样本集，例如，采用五折交叉验证的方法，按照2-8原则，将土壤墒情数据样本集中样本数据的80％作为训练集，20％作为测试集。
进一步地，将训练样本集中的土壤墒情数据样本和土壤墒情数据样本携带的土壤墒情信息标签作为一组训练样本，即将每个带有土壤墒情信息标签的土壤墒情数据样本作为一组训练样本，由此即可获得多组训练样本。
在本发明的实施例中，土壤墒情数据样本与土壤墒情数据样本携带的土壤墒情信息标签是一一对应的。
然后，在获得多组训练样本之后，再将多组训练样本依次输入至梯度提升树预测模型，即将每组训练样本中的土壤墒情数据样本与其携带的土壤墒情信息标签同时输入至梯度提升树预测模型，根据梯度提升树预测模型的每一次输出结果，通过计算损失函数值，对梯度提升树预测模型中的模型参数进行调整，最终完成梯度提升树预测模型的训练过程。
通过本发明实施例的方法，将训练样本集中的土壤墒情数据样本及其携带的土壤墒情信息标签作为一组训练样本，获取多组训练样本，利用多组训练样本，可以有效地对梯度提升树预测模型进行训练。
基于上述实施例的内容，作为一种可选的实施例，利用多组训练样本，对梯度提升树预测模型进行训练，包括：
对于任意一组训练样本，将训练样本输入梯度提升树预测模型，输出训练样本对应的土壤墒情预测信息；
利用预设损失函数，根据训练样本对应的土壤墒情预测信息和训练样本中的土壤墒情信息标签计算损失值；
若损失值小于预设阈值或当前迭代次数达到预设最大迭代次数，则梯度提升树预测模型训练完成。
具体地，本发明实施例所描述的预设损失函数指的是预先设置在梯度提升树预测模型里的损失函数，用于模型评估。
本发明实施例所描述的预设阈值指的是模型预先设置的阈值，用于获得最小损失值，完成模型训练。
在获得多组训练样本之后，对于任意一个训练样本，将该训练样本中的土壤墒情数据样本和该土壤墒情数据样本携带的土壤墒情信息标签同时输入梯度提升树预测模型，输出该训练样本对应的土壤墒情预测信息。
在此基础上，利用预设损失函数根据训练样本对应的土壤墒情预测信息和训练样本中土壤墒情信息标签计算损失值。
在本发明的实施例中，梯度提升树预测模型可以基于XGBoost集模型构建，XGBoost模型集成算法借助梯度提升技术，其基分类器是分类与回归树(ClassificaionAnd Regression Tree，CART)，将多个CART进行组合，形成树集成模型，以迭代添加树的方式建立，假设第t次迭代时，第i个样本的预测值可以表示为：
Figure BDA0003597131330000191
迭代添加树以最小化目标函数为目标，目标函数式可以表示为：
Figure BDA0003597131330000192
式中，L表示损失函数，Ω(ft)表示模型复杂度，yi表示真实值，即土壤墒情信息标签。
为了快速优化目标，对目标函数式使用二阶泰勒展开，可以表示为：
Figure BDA0003597131330000193
其中，
Figure BDA0003597131330000194
分别表示损失函数项的一阶和二阶导数。
在添加第t棵树时，前面t-1棵树已经完成训练，即
Figure BDA0003597131330000195
为常数项，移除该项获得第t步的简化目标函数，可以表示为：
Figure BDA0003597131330000196
定义Ij＝{i|q(Xi)＝j}为叶结点j的样本集，通过展开正则项Ω可以将上式写为：
Figure BDA0003597131330000201
其中，ωj表示叶结点j的权重。
最终，目标函数得以优化，获取最优解可以表示为：
Figure BDA0003597131330000202
Figure BDA0003597131330000203
基于上述最小化目标函数，在计算得到当前迭代过程的损失值之后，本次训练过程结束，更新梯度提升树预测模型中的网络参数之后，再进行下一次训练。在训练的过程中，若针对某个训练样本计算的损失值小于预设阈值或者当前迭代次数达到预设最大迭代次数，则梯度提升树预测模型训练完成，由此可以获得训练好的梯度提升树预测模型。
此外，在本实施例中，为了提升模型训练的精度和拟合速度，将数据进行归一化处理，使用Min-Max归一化方法来对各特征值进行处理，数据归一化公式为：
Figure BDA0003597131330000204
为了充分利用数据价值，提出采用K折交叉验证用于模型调优，通过使用无重复抽样技术，每次迭代过程中每个样本点只有一次被划入训练集或测试集的机会，使得模型获得泛化性能最优的超参值。训练集全部用于模型训练，而测试集用于对训练好的梯度提升树预测模型进行误差检验，分别生成5份用于训练和验证的数据组，针对交叉验证的每份数据，XGBoost模型分别建立树模型、寻找最优分裂点、构建XGBoost和计算目标函数。
在本实施例中，采用MSE指标对训练好的梯度提升树预测模型进行误差评定，选取最佳的模型预测精度的模型权重参数作为最终的模型参数。将测试集带入最终模型以评估模型对未参与建模数据的预测精度。更新后的模型采用均绝对误差(Mean AbsoluteError，MAE)，均方误差(Mean Square Error，MSE)，均方根误差(Root Mean SquaredError，RMSE)等指标进行衡量：
Figure BDA0003597131330000211
Figure BDA0003597131330000212
Figure BDA0003597131330000213
Figure BDA0003597131330000214
式中，
Figure BDA0003597131330000215
表示预测值，yi表示真实值，
Figure BDA0003597131330000216
表示平均值。
可选地，在本实施例中，当模型训练集验证结果满足MAE，MSE，RMSE均小于0.2％且R2>0.90时梯度提升树预测模型生效。如模型未达到精度要求，则重新训练。
本发明实施例的方法，通过对梯度提升树预测模型进行训练，将梯度提升树预测模型的损失值控制在预设范围内，并通过多项指标对训练好的梯度提升树预测模型进行误差评定，确保获取高精度的梯度提升树预测模型，从而有利于提升模型预测土壤墒情的精度。
下面对本发明提供的土壤墒情预测装置进行描述，下文描述的土壤墒情预测装置与上文描述的土壤墒情预测方法可相互对应参照。
图2是本发明提供的土壤墒情预测装置的结构示意图，如图2所示，包括：
预测模块210，用于将待预测的土壤墒情数据输入训练好的梯度提升树预测模型，输出待预测的土壤墒情数据对应的土壤墒情预测信息；
训练好的梯度提升树预测模型是根据携带土壤墒情信息标签的土壤墒情数据样本集训练后得到的，梯度提升树预测模型的目标超参数的数值是基于粒子群优化算法求解得到的。
本实施例所述的土壤墒情预测装置可以用于执行上述土壤墒情预测方法实施例，其原理和技术效果类似，此处不再赘述。
本发明提供的土壤墒情预测装置，通过采用梯度提升树模型，并利用粒子群优化算法对梯度提升树模型的目标超参数进行优化，获得具有最佳超参数的梯度提升树预测模型，从而提高梯度提升树预测模型的预测精度，同时通过携带土壤墒情信息标签的土壤墒情数据样本集对梯度提升树预测模型进行训练，获得训练好的梯度提升树预测模型，实现了模型对复杂非线性关系的高精度拟合能力，通过将待预测的土壤墒情数据输入训练好的梯度提升树预测模型，可以实现高精度的土壤墒情实时预测，同时还避免了对农田土壤环境的破坏，节省了大量人力物力。
图3是本发明提供的电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行上述各方法所提供的土壤墒情预测方法，该方法包括：将待预测的土壤墒情数据输入训练好的梯度提升树预测模型，输出所述待预测的土壤墒情数据对应的土壤墒情预测信息；所述训练好的梯度提升树预测模型是根据携带土壤墒情信息标签的土壤墒情数据样本集训练后得到的，所述梯度提升树预测模型的目标超参数的数值是基于粒子群优化算法求解得到的。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的土壤墒情预测方法，该方法包括：将待预测的土壤墒情数据输入训练好的梯度提升树预测模型，输出所述待预测的土壤墒情数据对应的土壤墒情预测信息；所述训练好的梯度提升树预测模型是根据携带土壤墒情信息标签的土壤墒情数据样本集训练后得到的，所述梯度提升树预测模型的目标超参数的数值是基于粒子群优化算法求解得到的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的土壤墒情预测方法，该方法包括：将待预测的土壤墒情数据输入训练好的梯度提升树预测模型，输出所述待预测的土壤墒情数据对应的土壤墒情预测信息；所述训练好的梯度提升树预测模型是根据携带土壤墒情信息标签的土壤墒情数据样本集训练后得到的，所述梯度提升树预测模型的目标超参数的数值是基于粒子群优化算法求解得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种土壤墒情预测方法，其特征在于，包括：
将待预测的土壤墒情数据输入训练好的梯度提升树预测模型，输出所述待预测的土壤墒情数据对应的土壤墒情预测信息；
所述训练好的梯度提升树预测模型是根据携带土壤墒情信息标签的土壤墒情数据样本集训练后得到的，所述梯度提升树预测模型的目标超参数的数值是基于粒子群优化算法求解得到的。
2.根据权利要求1所述的土壤墒情预测方法，其特征在于，在输出所述待预测的土壤墒情数据对应的土壤墒情预测信息之后，还包括：
基于所述待预测的土壤墒情数据对应的土壤墒情预测信息与预设土壤墒情分级渲染标准，生成目标土壤墒情预测图。
3.根据权利要求1所述的土壤墒情预测方法，其特征在于，在所述将待预测的土壤墒情数据输入训练好的梯度提升树预测模型之前，还包括：
按照预设尺寸，将目标预测区域进行网格划分，得到多个网格区域；
获取每个所述网格区域中M类土壤墒情影响因子的历史数据；
基于每个所述网格区域中M类土壤墒情影响因子的历史数据，确定土壤墒情数据样本集；M为正整数；
利用所述土壤墒情数据样本集，对梯度提升树预测模型进行训练。
4.根据权利要求1所述的土壤墒情预测方法，其特征在于，基于粒子群优化算法求解得到所述目标超参数的数值的方法，包括：
基于所述梯度提升树预测模型的目标超参数，确定粒子群；所述梯度提升树预测模型是基于XGBoost模型构建的，所述目标超参数至少包括：学习率、树的最大深度、子节点的权重阈值、最小划分损失、样本采样率和特征采样率；
基于粒子群优化算法，对所述粒子群中的各个粒子的速度和位置进行迭代分析，确定适应度值最小的目标粒子；
根据所述目标粒子，得到所述梯度提升树预测模型的目标超参数的数值。
5.根据权利要求3所述的土壤墒情预测方法，其特征在于，所述基于每个所述网格区域中M类土壤墒情影响因子的历史数据，确定土壤墒情数据样本集，包括：
将每个所述网格区域中M类土壤墒情影响因子的历史数据输入预设预测模型，得到每个所述网格区域中各类所述土壤墒情影响因子对应的预测值，以根据所述预测值，确定每个所述网格区域中各类所述土壤墒情影响因子对应的SHAP值；
基于每个所述网格区域中各类所述土壤墒情影响因子对应的SHAP值，从所述M类土壤墒情影响因子中确定N类目标土壤墒情影响因子；N≤M，M和N均为正整数；
根据所述N类目标土壤墒情影响因子的历史数据，得到土壤墒情数据样本集。
6.根据权利要求3所述的土壤墒情预测方法，其特征在于，利用所述土壤墒情数据样本集，对梯度提升树预测模型进行训练，包括：
采取交叉验证的方法，从所述土壤墒情数据样本集中得到训练样本集；
将所述训练样本集中的土壤墒情数据样本和所述土壤墒情数据样本携带的土壤墒情信息标签作为一组训练样本，获取多组训练样本；
利用所述多组训练样本，对梯度提升树预测模型进行训练。
7.根据权利要求6所述的土壤墒情预测方法，其特征在于，利用所述多组训练样本，对梯度提升树预测模型进行训练，包括：
对于任意一组训练样本，将所述训练样本输入梯度提升树预测模型，输出所述训练样本对应的土壤墒情预测信息；
利用预设损失函数，根据所述训练样本对应的土壤墒情预测信息和所述训练样本中的土壤墒情信息标签计算损失值；
若所述损失值小于预设阈值或当前迭代次数达到预设最大迭代次数，则所述梯度提升树预测模型训练完成。
8.一种土壤墒情预测装置，其特征在于，包括：
预测模块，用于将待预测的土壤墒情数据输入训练好的梯度提升树预测模型，输出所述待预测的土壤墒情数据对应的土壤墒情预测信息；
所述训练好的梯度提升树预测模型是根据携带土壤墒情信息标签的土壤墒情数据样本集训练后得到的，所述梯度提升树预测模型的目标超参数的数值是基于粒子群优化算法求解得到的。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述土壤墒情预测方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述土壤墒情预测方法。
CN202210395312.1A 2022-04-14 2022-04-14 土壤墒情预测方法、装置、电子设备及存储介质 Pending CN114723149A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210395312.1A CN114723149A (zh) 2022-04-14 2022-04-14 土壤墒情预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210395312.1A CN114723149A (zh) 2022-04-14 2022-04-14 土壤墒情预测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114723149A true CN114723149A (zh) 2022-07-08

Family

ID=82244519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210395312.1A Pending CN114723149A (zh) 2022-04-14 2022-04-14 土壤墒情预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114723149A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114971097A (zh) * 2022-08-03 2022-08-30 北京市农林科学院智能装备技术研究中心 土壤墒情数据重建方法及预报方法
CN115859765A (zh) * 2022-09-29 2023-03-28 中山大学 城市扩张的预测方法、装置、设备及存储介质
CN115952339A (zh) * 2023-03-14 2023-04-11 南京师范大学 基于NGBoost的地理时空知识抽取和图谱表示方法
CN116205310A (zh) * 2023-02-14 2023-06-02 中国水利水电科学研究院 一种基于可解释集成学习模型的土壤含水量影响因素敏感区间判定方法
CN116776095A (zh) * 2023-08-25 2023-09-19 湘江实验室 空气质量数据标准化方法、装置、计算机设备及介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114971097A (zh) * 2022-08-03 2022-08-30 北京市农林科学院智能装备技术研究中心 土壤墒情数据重建方法及预报方法
CN114971097B (zh) * 2022-08-03 2022-11-29 北京市农林科学院智能装备技术研究中心 土壤墒情数据重建方法及预报方法
CN115859765A (zh) * 2022-09-29 2023-03-28 中山大学 城市扩张的预测方法、装置、设备及存储介质
CN115859765B (zh) * 2022-09-29 2023-12-08 中山大学 城市扩张的预测方法、装置、设备及存储介质
CN116205310A (zh) * 2023-02-14 2023-06-02 中国水利水电科学研究院 一种基于可解释集成学习模型的土壤含水量影响因素敏感区间判定方法
CN116205310B (zh) * 2023-02-14 2023-08-15 中国水利水电科学研究院 一种基于可解释集成学习模型的土壤含水量影响因素敏感区间判定方法
CN115952339A (zh) * 2023-03-14 2023-04-11 南京师范大学 基于NGBoost的地理时空知识抽取和图谱表示方法
CN116776095A (zh) * 2023-08-25 2023-09-19 湘江实验室 空气质量数据标准化方法、装置、计算机设备及介质

Similar Documents

Publication Publication Date Title
CN114723149A (zh) 土壤墒情预测方法、装置、电子设备及存储介质
CN109142679B (zh) 基于人工神经网络克里金插值的森林土壤养分的空间预测方法
CN110751094B (zh) 一种基于gee综合遥感影像和深度学习方法的作物估产方法
Roodposhti et al. Towards automatic calibration of neighbourhood influence in cellular automata land-use models
CN105243435B (zh) 一种基于深度学习元胞自动机模型的土壤含水量预测方法
CN112699959B (zh) 基于能量泛函模型的多源多尺度降水数据融合方法和装置
CN110232471B (zh) 一种降水传感网节点布局优化方法及装置
CN112446559B (zh) 一种基于深度学习的大范围地面沉降时空预测方法和系统
CN114861277B (zh) 一种长时序国土空间功能与结构模拟方法
Wieland et al. Using Shapley additive explanations to interpret extreme gradient boosting predictions of grassland degradation in Xilingol, China
CN108733952B (zh) 一种基于序贯模拟的土壤含水量空间变异性三维表征方法
CN108764527B (zh) 一种土壤有机碳库时空动态预测最优环境变量筛选方法
CN111611960B (zh) 一种基于多层感知神经网络大区域地表覆盖分类方法
CN115630567A (zh) 一种海岸带土壤有机碳储量模拟及预测方法
CN115775634A (zh) 一种基于多变量核密度估计的虫媒疾病预测方法及系统
CN110826764A (zh) 基于随机森林算法的植被指数预测方法、系统及设备
Chen et al. A high speed method of SMTS
González‐Abad et al. Using explainability to inform statistical downscaling based on deep learning beyond standard validation approaches
CN111275072B (zh) 一种基于聚类采样的山区土壤厚度预测方法
Guan et al. HGAT-VCA: Integrating high-order graph attention network with vector cellular automata for urban growth simulation
CN112285808B (zh) 一种aphrodite降水数据的降尺度方法
CN116796291A (zh) 一种基于lstm-mea-svr空气质量预报的系统
CN114971097B (zh) 土壤墒情数据重建方法及预报方法
Shafeeva et al. Creating a soil map using digital soil mapping on the example of the Diurtiulinsky Municipal District
CN115620171B (zh) 树林蓄积量评估方法、装置、设备及存储介质

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