CN115017798A - 基于深度学习的土壤耕作层水分温度预测方法 - Google Patents

基于深度学习的土壤耕作层水分温度预测方法 Download PDF

Info

Publication number
CN115017798A
CN115017798A CN202210517758.7A CN202210517758A CN115017798A CN 115017798 A CN115017798 A CN 115017798A CN 202210517758 A CN202210517758 A CN 202210517758A CN 115017798 A CN115017798 A CN 115017798A
Authority
CN
China
Prior art keywords
soil
data
time
layer
lstnet
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
CN202210517758.7A
Other languages
English (en)
Inventor
刘会丹
李鑫芸
吴怡婧
杨义
蒋学芹
海涵
曹誉文
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.)
Donghua University
Original Assignee
Donghua 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 Donghua University filed Critical Donghua University
Priority to CN202210517758.7A priority Critical patent/CN115017798A/zh
Publication of CN115017798A publication Critical patent/CN115017798A/zh
Pending legal-status Critical Current

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
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
    • Y02P60/20—Reduction of greenhouse gas [GHG] emissions in agriculture, e.g. CO2

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Animal Husbandry (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于深度学习的土壤耕作层水分温度预测方法，基于LSTNet模型进行了改进，提出了W‑MA‑LSTNet土壤水分温度预测模型。在W‑MA‑LSTNet土壤水分温度预测模型中：引入小波降噪模块，减少数据集中噪声对模型训练产生的负向影响；其次引入混合注意力模块，加入维度与时间步混合注意力机制。通过实验表明，相较于LSTNet模型，W‑MA‑LSTNet模型在RMSE、MAE、MAPE、R2等指标上均更优，且在壤土的预测效果要优于砂土。本发明可有效完成对耕作层土壤未来时刻水分温度的精准预测，有助于实现精细化农作物种植管理，为现代化农业种植提供支撑。

Description

基于深度学习的土壤耕作层水分温度预测方法
技术领域
本发明涉及一种土壤耕作层水分温度预测方法。
背景技术
农业土壤一般由耕作层、犁底层、心土层和底土层等层位组成。耕作层指经长期耕种已经熟化的表土层，深度大约为15-20cm。耕作层易受周围环境气候条件的影响，该层往往有机质含量高、养分丰富、土体疏松，农作物的根系主要分布在耕作层中。犁底层位于耕作层之下，厚度约6-8cm，是由于大型农业机械重压作用形成的结构致密的层位。犁底层的土壤特点是紧实，一般多为片状、大块状或层状结构。犁底层总孔隙度较小且通气性差，农作物的根系下扎困难。心土层通常指犁底层下至50cm深度的土层，一般较差且养分含量较低。底土层是不受耕作影响并保持母质特性的一层土壤。底土层在心土层以下，一般位于土壤表面下50-60cm。这一层很少受到地表气候的影响，而且相对致密、物质转化较慢、有效养分较少同时根系分布较少。在农业种植中，农作物的根系主要依赖耕作层的土壤环境而很少分布在其他层位，因此需要对土壤耕作层给予更多的关注。
在土壤的众多参数中，土壤温度与水分两个参数具有重要作用。土壤水分是保证植物生长的关键，土壤水分过低或过高都不利于田间耕作措施和播种质量，保持适宜的土壤水分和良好的土壤通气性对农作物优质栽培具有重要意义。土壤水分过低，形成土壤干旱；土壤水分过高，恶化土壤通气性，影响田间作物生长，土壤水分已成为农业生态、环境气候等领域的关键研究内容。
土壤温度是土壤各种化学、物理学和生物学过程和植物生长的基本条件之一，耕作层土壤温度的高低对农作物的生长发育有着重要影响。土壤温度是影响农业活动，灌溉计划和土壤排水的最重要变量。耕作层拥有丰富的养分，农作物根系也主要分布在该层，注重保护与培肥耕作层是获得作物高产的前提。因此对耕作层土壤水分及温度进行的高质量时序预测对科学研究和农业生产实际都有重要意义。
目前土壤温度与水分等参数的获取主要通过卫星遥感与现场传感器测量两种途径获取。相对于卫星遥感，通过现场传感器采集土壤参数具有实时性更强以及简单便捷的特点。随着无线通信与物联网技术的高速发展，现场土壤参数采集适用于布局较为分散的农业种植区域，并且有助于在现场进行实时的土壤灌溉工作。为了加强农业种植能力，需要进一步预测未来的土壤水分温度参数。针对土壤耕作层水分温度时间序列数据预测，研究者提出了不同预测方法包括物理学方法、统计学方法和人工智能方法等，在不同的土壤环境下有其适用的方法。
近年来随着计算机运算能力的提升，国内外许多学者开始采用机器学习方法对土壤水分温度预测进行研究。薛晓萍等利用支持向量机方法建立土壤水分预测模型，构建的模型预测精度较高，但利用传统方法预测的数据具有滞后性且较难找到最优参数(参考：薛晓萍,王新,张丽娟,等.基于支持向量机方法建立土壤湿度预测模型的探讨[J].土壤通报,2007,38(3):427-433.)。聂红梅等提出了一种基于主成分分析的支持向量机模型，选择对于土壤水分影响较大的输入变量以实现对不同深度土层的土壤水分预测(参考：聂红梅,杨联安,李新尧,等.基于PCA-SVR的冬小麦土壤水分预测[J].土壤,2018,50(4):812-818.)，该方法利用主成分分析来减少用来预测土壤水分的变量数，一定程度上提高了预测精度，但改进有限。Wu等采用人工神经网络(Artificial Neural Network，ANN)较为精确地估算了在10cm深度下的月平均土壤温度数据(参考：[41]Wu W,Tang X P,Guo N J,etal.Spatiotemporal modeling of monthly soil temperature using artificialneural networks[J].Theoretical and applied climatology,2013,113(3):481-494.)，但该方法预测仅能预测月维度的土壤温度，难以适用于日常的农业生产中。
深度学习技术目前在飞速发展阶段，其中循环神经网络(Recurrent NeuralNetwork，RNN)是一种特殊的神经网络，可以有意义地保留关于先前时间步中事件的数据，基于长短期记忆(Long Short-Term Memory，LSTM)网络的时间序列预测模型已在各个领域得到广泛应用。Dae-HyunJung等人测试了三种基于深度学习的神经网络模型来预测温室中温度、湿度和CO2的环境变化，依次为ANN、具有外源输入的非线性自回归网络(NonlinearAutoregressive Network with Exogenous Inputs，NARX)以及LSTM，通过实验发现LSTM的总体精度最高(参考：Jung D H,Kim H S,Jhin C,et al.Time-serial analysis of deepneural network models for prediction of climatic conditions inside agreenhouse[J].Computers and Electronics in Agriculture,2020,173:105402.)。
但是，传统的深度学习模型通常对样本的质量和数量有更多的限制，因此需要在数据预处理和特征提取方面付出更多的努力。另外，由于不同地区的土壤差异很大，因此还需要更具普适性的土壤预测方法。
发明内容
本发明的目的是：设计一种土壤水分温度预测模型，该模型拥有较好预测性能同时占用较少的系统资源，可以部署在本地设备上，以克服传统机器学习模型在预测土壤水分温度上的不足。
为了达到上述目的，本发明的技术方案是提供了一种基于深度学习的土壤耕作层水分温度预测方法，其特征在于，包括以下步骤：
步骤1、建立等间隔时间序列数据采集的NB-IoT物联网数据采集系统，用于获得参考点位置上的空气温度、空气湿度、土壤温度与土壤水分数据的等间隔时间观测值序列数据；
步骤2、基于LSTNet网络建立W-MA-LSTNet土壤水分温度预测模型，将W-MA-LSTNet土壤水分温度预测模型部署于本地设备中，本地设备获得等间隔时间观测值序列数据后，利用W-MA-LSTNet土壤水分温度预测模型提供预测服务，其中，W-MA-LSTNet土壤水分温度预测模型使用等间隔时间观测值序列数据提供预测服务进一步包括以下步骤：
步骤201、通过NB-IoT物联网数据采集系统获得的原始等间隔时间观测值序列数据被送入小波降噪模块，由小波降噪模块对采集的数据集进行降噪处理，通过降噪方法来去除数据集中的冗余噪声数据，得到降噪后的多维多步时间序列；
步骤202、小波降噪模块输出的多维多步时间序列分别输入AR自回归模块以及卷积层，其中：卷积层用于提取输入的短期局部信息特征；通过AR自回归模型引入线性成分；
步骤203、卷积层输出的短期局部信息特征输入时间步与维度混合注意力模块；在时间步与维度混合注意力模块中，采用了两个并行的Dense全连接层，分别用于计算时间步注意力权重矩阵WT与维度注意力权重矩阵WD；
设输入时间步与维度混合注意力模块的时间步长为m，维度长度为n，则计算WT的Dense全连接层神经元个数为m个，计算WD的Dense全连接层神经元个数为n个，且激活函数均使用Sigmoid函数；
时间步与维度混合注意力模块的输入x表示为下式：
Figure BDA0003642020440000041
式中，
Figure BDA0003642020440000042
1≤i≤m,1≤j≤n，表示第i个时间步长的第j个输入维度；
时间步注意力权重矩阵WT中的子元素
Figure BDA0003642020440000043
1≤i≤m计算如下式所示：
Figure BDA0003642020440000044
式中，wi为权重系数，b为偏置系数；
维度注意力权重矩阵WD中的子元素
Figure BDA0003642020440000045
1≤i≤n的计算如下式所示：
Figure BDA0003642020440000046
式中，w′i为权重系数，b′为偏置系数；
对时间步注意力权重矩阵WT与维度注意力权重矩阵WD进行填充得到行数为m、列数为n的两个矩阵下式所示：
Figure BDA0003642020440000047
Figure BDA0003642020440000048
通过下式计算得到时间步与维度混合注意力模块的输出
Figure BDA0003642020440000049
Figure BDA00036420204400000410
式中，
Figure BDA00036420204400000411
表示哈达玛积；
步骤204、时间步与维度混合注意力模块的输出
Figure BDA00036420204400000412
分别输入循环层以及skip-RNN，其中：循环层采用GRU单元结构，使用ReLU作为激活函数，其输出为每个时间步的隐藏状态；skip-RNN是一种带跳跃步数的RNN，利用了现实时间序列存在的固定周期，来获取时间序列中存在的重复周期模式；
步骤205、循环层以及skip-RNN的输出经过输出Dense层进行组合；
步骤206、将输出Dense层的输出与AR自回归模型的输出融合得到预测结果，其中，利用AR自回归模型将线性成份添加到模型最终的预测结果中。
优选地，所述NB-IoT物联网数据采集系统由现场终端节点与云端数据管理平台组成，现场终端节点获得各项监测参数的等间隔时间观测值序列数据，并通过NB-IoT数据通道送往云端数据管理平台。
优选地，所述现场终端节点包括MCU、土壤水分温度传感器以及空气温湿度传感器，通过MCU中定时器将对空气温湿度传感器与土壤传感器的数据获取间隔精确设定为5min，到达对应的时间参考点后，MCU从空气温湿度传感器以及土壤传感器读取观测值，MCU获得数据后加以CRC校验，随后将数据加以对应的时间标后封装成帧通过NB-IoT数据通道发出。
优选地，步骤201中，设原始等间隔准确观测值时间序列数据为离散时间序列x(kΔt)，则小波降噪模块对离散时间序列x(kΔt)的处理具体包括以下步骤：
步骤2011、采用Mallat算法对离散时间序列x(kΔt)进行信号多尺度分解；
步骤2012、利用小波系数阈值处理方法对分解后得到的高频小波系数dJ,k进行处理，去除噪声的高频小波系数；
步骤2013、对经过小波系数阈值处理方法处理的信号进行逆离散小波变换后得到降噪后的多维多步时间序列。
优选地，步骤2012中，所述小波系数阈值处理方法为硬阈值法或者软阈值法，其中：
硬阈值法将dJ,k小于阈值th部分置零，其余保留，如下式所示：
Figure BDA0003642020440000051
式中，
Figure BDA0003642020440000052
表示经过硬阈值法处理后的高频小波系数；
软阈值法将dJ,k小于阈值th部分置零，将dJ,k大于阈值th部分向零偏移th个单位，如下式所示：
Figure BDA0003642020440000053
式中，sgn(dJ,k)为符号函数，且有：
Figure BDA0003642020440000054
与现有技术相比，本发明的优点是：本发明提出了一种基于LSTNet网络改进的模型W-MA-LSTNet(Wavelet-Mixed Attention-LSTNet)。通过引入小波降噪模块降低数据集中的噪声对于模型训练的负面效果，以此提高预测的精准性。同时，本发明构建了时间步与维度混合注意力模块，来提取预测结果与不同时间步不同维度的隐含信息，进一步提升模型的预测精度。
附图说明
图1为本实施例中的NB-IoT物联网数据采集系统的系统框图；
图2为本实施例中的W-MA-LSTNet土壤水分温度预测模型的结构图；
图3为小波降噪流程图；
图4A示意了硬阈值法函数；
图4B示意了软阈值法函数；
图5示意了土壤温度时间序列小波降噪结果。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明设计了一种等间隔时间序列数据采集的NB-IoT物联网数据采集系统，用于获得参考点位置上的空气温度、空气湿度、土壤温度与土壤水分数据的等间隔时间序列观测值，可以实现对环境空气温湿度数据与耕作层土壤水分温度数据的可靠采集与集中管理。
如图1所示，本实施例中，NB-IoT物联网数据采集系统由现场终端节点与云端数据管理平台组成。现场终端节点获得各项监测参数的观测值，并通过NB-IoT数据通道送往云端数据管理平台。现场终端节点可稳定获取等间隔准确观测值序列并上传至云端管理平台。云端数据管理平台结合服务器MySQL数据库实现NB-IoT数据接口、数据存储、数据交互等管理功能。
现场终端节点由STM32微控制器(Microcontroller Unit，MCU)、土壤水分温度传感器、空气温湿度传感器、隔离型总线接口模块、NB-IoT低功耗广域网通信模块及节点供电部分组成。其中，土壤水分温度感知模块使用SM3002B传感器，土壤温度感知范围为-30℃～80℃，误差在±0.5℃之间，水分测量范围为0～24％，误差在±3％之间。空气温湿度感知模块采用AM2306传感器，AM2306传感器与STM32微控制器通过单总线进行连接，温度测量范围为-40～125℃，误差在±0.3℃之间，湿度测量范围为0～99.9％，误差在±2％之间。为防止外部电磁干扰经由总线对节点工作造成影响，使用隔离耐压可达2500VDC的RSM3485收发器模块隔离总线上的电磁干扰。
节点通信选用WH-NB75-B5 NB-IoT无线通信模块。现场终端节点获得的观测数据由WH-NB75-B5模块基于MQTT协议发往构建在电信运营商服务平台上的第三方NB-IoT服务器，并由云端数据管理平台通过对应NB-IoT数据接口获取。充分发挥NB-IoT远距离数据传输所具有的可靠低耗、无需额外组网操作、有利于在较大空间范围上布设节点以及可支撑较大节点数量等优势。在供电部分中，UGREEN-20379基于市电产生的5.0V供电通过符合USB供电协议的接口接入节点，作为节点主电源。LM1117线性稳压器基于该供电为节点提供高稳定性的3.3V工作电压。节点上USB供电接口亦可兼容充电宝等辅助应急供电方案。此外系统还经由YWSMPS D-30A为土壤传感器提供12V工作电压。
为准确获得环境及土壤各项参数的等间隔准确观测值时间序列数据，现场终端节点采用基于其内部时序的采集逻辑。与基于远程云端的轮询等方案相比，内部时序避免了由于NB-IoT数据通道及云平台信息延迟带来的时基误差。STM32微控制器工作频率参考其上的8M高精度晶振，通过STM32中高级定时器(TIM1)将对空气温湿度传感器与土壤传感器的数据获取间隔精确设定为5min。到达对应的时间参考点后，STM32微控制器从空气温湿度传感器以及土壤传感器读取观测值。STM32微控制器获得数据后加以CRC校验，随后将数据加以对应的时间标后封装成帧通过NB-IoT数据通道发出。现场终端节点与云端数据管理平台通过回传确认信息的方式确认数据传输是否成功，保证云端数据管理平台至少接收到一次正确的数据。STM32微控制器将观测数据一直缓存在其数据空间中，直到收到云端数据管理平台发来的确认信息。
云端数据管理平台由云平台、前端管理、数据管理以及NB-IoT数据接口等各部分组成。云平台使用基于Java语言的Spring Boot、Spring MVC和MyBatis框架实现，其中：Spring Boot负责快速集成各功能组件，Spring MVC负责云平台与前端管理应用的请求与响应，MyBatis用以支持云平台与数据库之间的数据管理操作。前端管理使用基于JavaScript语言的VUE框架实现，以网页的形式提供便捷的数据管理操作，通过HTTP协议实现与云服务器的数据交互。数据管理使用MySQL关系型数据库实现，按表存储现场终端节点信息与其采集的环境土壤参数。
为了提高环境数据的查询效率，避免慢查询现象，云端数据管理平台按月分区存储现场终端节点采集的环境数据。存储在数据库表中的每条环境数据包括主键ID、终端节点ID、数据采集时间、空气温度、空气湿度、土壤温度、土壤水分以及分区键等信息，其中主键ID与分区键采用int类型存储，终端节点ID采用varchar类型存储，数据采集时间采用timestamp类型存储，环境土壤参数数据使用float类型存储。NB-IoT数据接口使用基于Java语言的MQTT客户端实现，云平台监听第三方服务商提供的NB-IoT数据通道。一个完整的数据包中包括包头、数据包长度、终端节点ID、环境土壤参数和包尾等信息，当云平台接收到了一个完整的数据包时，对数据包中各个字节进行多项式计算得到CRC校验码，若该校验码与接收数据包中的循环冗余校码验证一致，服务器程序就会通过MyBatis数据接口将接收数据包中的数据存储至服务器中的MySQL数据库中。服务器在验证数据包完整性与正确性无误时，云平台会向终端节点发送传输无误的响应信号，否则就会请求终端节点重新发送数据包。终端节点采集得到的数据都会存储至云服务器中的MySQL数据库，因此在数据存储后即可通过sql指令批量查询节点采集到的数据，将查询到的数据进行处理后即可得到可以用于机器学习的数据集。
本发明建立了部署于本地设备中的W-MA-LSTNet土壤水分温度预测模型，用于提供预测服务。现场终端节点采集的土壤水分温度数据在一定程度上会受到土壤特性影响，导致采集到的数据受到噪声干扰从而影响预测效果。因此，本发明提供的W-MA-LSTNet土壤水分温度预测模型引入小波分析通过降噪来去除数据集中的冗余噪声数据。土壤水分温度的预测输入为多时间步与多维的时间序列，不同时间步与不同维度对于预测结果的影响各不相同。W-MA-LSTNet土壤水分温度预测模型通过引入时间步与维度混合注意力机制来提取多时间步与多维度变量和预测结果之间的隐含信息，进一步优化预测结果。因此，本发明提供的W-MA-LSTNet模型将小波降噪(Wavelet Denoising)模块、时间步与维度混合注意力模块以及LSTNet网络相结合，用于更好地对土壤水分温度进行预测。
具体而言，如图2所示，本发明提供的W-MA-LSTNet土壤水分温度预测模型基于LSTNet网络实现。
在W-MA-LSTNet土壤水分温度预测模型中，通过NB-IoT物联网数据采集系统获得的原始等间隔准确观测值时间序列数据被送入小波降噪模块，由小波降噪模块对采集的数据集进行降噪处理，通过降噪方法来去除数据集中的冗余噪声数据。设原始等间隔准确观测值时间序列数据为离散时间序列x(kΔt)，则如图3所示，小波降噪模块对离散时间序列x(kΔt)的处理具体包括以下步骤：
步骤101、采用Mallat算法对离散时间序列x(kΔt)进行信号多尺度分解，其中，用ψ(t)表示Mallat算法中的母小波，则第J分解层的母小波ψ(t)表示为ψj,k，则离散时间序列x(kΔt)完成信号多尺度分解后，其有效信号f(t)以及噪声e(t)的高频小波系数
Figure BDA0003642020440000091
和
Figure BDA0003642020440000092
分别表示为：
Figure BDA0003642020440000093
Figure BDA0003642020440000094
步骤102、由于有效信号f(t)一般是幅值较大的低频连续信号，而噪声e(t)通常是幅值较小的高频离散信号，因此，噪声e(t)分解后的小波系数也会小于f(t)分解后的小波系数，且主要存在于高频部分。因此，利用硬阈值法或者软阈值法对步骤101获得的分解后的信号的高频小波系数dJ,k进行处理。
如图4A所示，硬阈值法将dJ,k小于阈值th部分置零，其余保留，如下式所示：
Figure BDA0003642020440000095
式中，
Figure BDA0003642020440000096
表示经过硬阈值法处理后的高频小波系数。
如图4B所示，软阈值法将dJ,k小于阈值th部分置零，将dJ,k大于阈值th部分向零偏移th个单位，如下式所示：
Figure BDA0003642020440000097
式中，sgn(dJ,k)为符号函数，其定义下式所示：
Figure BDA0003642020440000101
步骤103、对经过硬阈值法或者软阈值法处理的信号进行逆离散小波变换后得到降噪后的多维多步时间序列。
本实施例中，信号多尺度分解以及逆离散小波变换所采用的小波基函数为coif5，采用软阈值法进行小波系数阈值处理，获得的小波降噪结果如图5所示。对比原始数据曲线和去噪后曲线，可以发现降噪后序列更能体现其趋势特征。
小波降噪模块输出的多维多步时间序列分别输入AR自回归模块以及卷积层。AR自回归模型以及卷积层沿用自LSTNet网络，其中：卷积层用于提取输入的短期局部信息特征；通过AR自回归模型引入线性成分，并解决神经网络尺度不敏感的问题。
卷积层输出的短期局部信息特征输入时间步与维度混合注意力模块。在时间序列预测任务中，输入变量通常不仅包含以前时刻的多时间步序列，也会包含除预测量外的其他相关变量。如在本文土壤水分温度时间序列预测任务中，当前时刻的土壤温度除了和以前时刻的土壤温度具有强相关关系，也和空气温度、土壤水分的变化趋势有着一定关系。因此，本发明引入时间步与维度混合注意力机制以提取预测量与不同时间步以及与多输入变量的隐含信息。
在时间步与维度混合注意力模块中，采用了两个并行的Dense全连接层，分别用于计算时间步注意力权重矩阵与维度注意力权重矩阵。设时间步注意力权重矩阵为WT，维度注意力权重矩阵为WD。设输入时间步与维度混合注意力模块的时间步长为m，维度长度为n，则计算WT的Dense全连接层神经元个数为m个，计算WD的Dense全连接层神经元个数为n个，且激活函数均使用Sigmoid函数。
时间步与维度混合注意力模块的输入x表示为下式：
Figure BDA0003642020440000102
式中，
Figure BDA0003642020440000103
1≤i≤m,1≤j≤n，表示第i个时间步长的第j个输入维度。
时间步注意力权重矩阵WT中的子元素
Figure BDA0003642020440000104
1≤i≤m计算如下式所示：
Figure BDA0003642020440000105
式中，wi为权重系数，b为偏置系数。
维度注意力权重矩阵WD中的子元素
Figure BDA0003642020440000111
1≤i≤n的计算如下式所示：
Figure BDA0003642020440000112
式中，w′i为权重系数，b′为偏置系数。
对时间步注意力权重矩阵WT与维度注意力权重矩阵WD进行填充得到行数为m、列数为n的两个矩阵下式所示：
Figure BDA0003642020440000113
Figure BDA0003642020440000114
最终通过下式计算得到时间步与维度混合注意力模块的输出
Figure BDA0003642020440000115
Figure BDA0003642020440000116
式中，
Figure BDA0003642020440000117
表示哈达玛积。
时间步与维度混合注意力模块的输出
Figure BDA0003642020440000118
分别输入循环层以及skip-RNN。循环层以及skip-RNN沿用自LSTNet网络，其中：循环层采用GRU单元结构，使用ReLU作为激活函数，其输出为每个时间步的隐藏状态；skip-RNN是一种带跳跃步数的RNN，利用了现实时间序列存在的固定周期，来获取时间序列中存在的重复周期模式。
W-MA-LSTNet土壤水分温度预测模型在循环层与Skip-RNN后使用了一个输出Dense层将两个网络的输出进行组合。
W-MA-LSTNet土壤水分温度预测模型输出预测结果的则由输出Dense层的输出与AR自回归模型的输出融合得到，利用AR自回归模型将线性成份添加到模型最终的预测结果中。
(一)耕作层土壤温度预测结果分析
将W-MA-LSTNet模型与LSTM、GRU、Bi-LSTM以及LSTNet模型进行比较，评价指标RMSE、MAE、MAPE以及R2的比较结果下表1所示，LSTNet相较于目前广泛使用的LSTM、GRU以及Bi-LSTM模型已经有了较大的提升。土壤类型一耕作层土壤温度的预测结果中W-MA-LSTNet相较于LSTNet模型在RMSE上降低了2.8％，MAE降低了5.7％，MAPE降低了5.9％，R2提升了0.4％，各项评价指标均更优。土壤类型二耕作层土壤温度的预测结果中W-MA-LSTNet相较于未改进的LSTNet模型在RMSE上降低了4.8％，MAE降低了4.3％，MAPE降低了5.3％，R2提升了1％，各项评价指标均更优。
表1土壤耕作层温度各模型实验结果对比
Figure BDA0003642020440000121
(二)耕作层土壤水分预测结果分析
将训练好的W-MA-LSTNet模型与经典的LSTM、GRU、Bi-LSTM以及未改进的LSTNet模型进行比较，评价指标RMSE、MAE、MAPE以及R2的比较结果如下表2所示，LSTNet相较于LSTM、GRU以及Bi-LSTM模型已经有了一定的提升。土壤类型一耕作层土壤水分的预测结果中W-MA-LSTNet相较于未改进的LSTNet模型在RMSE上降低了7.2％，MAE降低了11.2％，MAPE降低了19.8％，除R2外有着明显的提升。土壤类型二耕作层土壤水分的预测结果中W-MA-LSTNet相较于未改进的LSTNet模型在RMSE上降低了3.6％，MAE降低了5.8％，MAPE降低了14.6％，除R2外各项评价指标均更优。
表2土壤耕作层水分预测各模型实验结果对比
Figure BDA0003642020440000122
Figure BDA0003642020440000131

Claims (5)

1.一种基于深度学习的土壤耕作层水分温度预测方法，其特征在于，包括以下步骤：
步骤1、建立等间隔时间序列数据采集的NB-IoT物联网数据采集系统，用于获得参考点位置上的空气温度、空气湿度、土壤温度与土壤水分数据的等间隔时间观测值序列数据；
步骤2、基于LSTNet网络建立W-MA-LSTNet土壤水分温度预测模型，将W-MA-LSTNet土壤水分温度预测模型部署于本地设备中，本地设备获得等间隔时间观测值序列数据后，利用W-MA-LSTNet土壤水分温度预测模型提供预测服务，其中，W-MA-LSTNet土壤水分温度预测模型使用等间隔时间观测值序列数据提供预测服务进一步包括以下步骤：
步骤201、通过NB-IoT物联网数据采集系统获得的原始等间隔时间观测值序列数据被送入小波降噪模块，由小波降噪模块对采集的数据集进行降噪处理，通过降噪方法来去除数据集中的冗余噪声数据，得到降噪后的多维多步时间序列；
步骤202、小波降噪模块输出的多维多步时间序列分别输入AR自回归模块以及卷积层，其中：卷积层用于提取输入的短期局部信息特征；通过AR自回归模型引入线性成分；
步骤203、卷积层输出的短期局部信息特征输入时间步与维度混合注意力模块；在时间步与维度混合注意力模块中，采用了两个并行的Dense全连接层，分别用于计算时间步注意力权重矩阵WT与维度注意力权重矩阵WD；
设输入时间步与维度混合注意力模块的时间步长为m，维度长度为n，则计算WT的Dense全连接层神经元个数为m个，计算WD的Dense全连接层神经元个数为n个，且激活函数均使用Sigmoid函数；
时间步与维度混合注意力模块的输入x表示为下式：
Figure FDA0003642020430000011
式中，
Figure FDA0003642020430000012
表示第i个时间步长的第j个输入维度；
时间步注意力权重矩阵WT中的子元素
Figure FDA0003642020430000013
计算如下式所示：
Figure FDA0003642020430000014
式中，wi为权重系数，b为偏置系数；
维度注意力权重矩阵WD中的子元素
Figure FDA0003642020430000021
的计算如下式所示：
Figure FDA0003642020430000022
式中，w′i为权重系数，b′为偏置系数；
对时间步注意力权重矩阵WT与维度注意力权重矩阵WD进行填充得到行数为m、列数为n的两个矩阵下式所示：
Figure FDA0003642020430000023
Figure FDA0003642020430000024
通过下式计算得到时间步与维度混合注意力模块的输出
Figure FDA0003642020430000025
Figure FDA0003642020430000026
式中，
Figure FDA0003642020430000027
表示哈达玛积；
步骤204、时间步与维度混合注意力模块的输出
Figure FDA0003642020430000028
分别输入循环层以及skip-RNN，其中：循环层采用GRU单元结构，使用ReLU作为激活函数，其输出为每个时间步的隐藏状态；skip-RNN是一种带跳跃步数的RNN，利用了现实时间序列存在的固定周期，来获取时间序列中存在的重复周期模式；
步骤205、循环层以及skip-RNN的输出经过输出Dense层进行组合；
步骤206、将输出Dense层的输出与AR自回归模型的输出融合得到预测结果，其中，利用AR自回归模型将线性成份添加到模型最终的预测结果中。
2.如权利要求1所述的一种基于深度学习的土壤耕作层水分温度预测方法，其特征在于，所述NB-IoT物联网数据采集系统由现场终端节点与云端数据管理平台组成，现场终端节点获得各项监测参数的等间隔时间观测值序列数据，并通过NB-IoT数据通道送往云端数据管理平台。
3.如权利要求2所述的一种基于深度学习的土壤耕作层水分温度预测方法，其特征在于，所述现场终端节点包括MCU、土壤水分温度传感器以及空气温湿度传感器，通过MCU中定时器将对空气温湿度传感器与土壤传感器的数据获取间隔精确设定为5min，到达对应的时间参考点后，MCU从空气温湿度传感器以及土壤传感器读取观测值，MCU获得数据后加以CRC校验，随后将数据加以对应的时间标后封装成帧通过NB-IoT数据通道发出。
4.如权利要求1所述的一种基于深度学习的土壤耕作层水分温度预测方法，其特征在于，步骤201中，设原始等间隔准确观测值时间序列数据为离散时间序列x(kΔt)，则小波降噪模块对离散时间序列x(kΔt)的处理具体包括以下步骤：
步骤2011、采用Mallat算法对离散时间序列x(kΔt)进行信号多尺度分解；
步骤2012、利用小波系数阈值处理方法对分解后得到的高频小波系数dJ,k进行处理，去除噪声的高频小波系数；
步骤2013、对经过小波系数阈值处理方法处理的信号进行逆离散小波变换后得到降噪后的多维多步时间序列。
5.如权利要求4所述的一种基于深度学习的土壤耕作层水分温度预测方法，其特征在于，步骤2012中，所述小波系数阈值处理方法为硬阈值法或者软阈值法，其中：
硬阈值法将dJ,k小于阈值th部分置零，其余保留，如下式所示：
Figure FDA0003642020430000031
式中，
Figure FDA0003642020430000032
表示经过硬阈值法处理后的高频小波系数；
软阈值法将dJ,k小于阈值th部分置零，将dJ,k大于阈值th部分向零偏移th个单位，如下式所示：
Figure FDA0003642020430000033
式中，sgn(dJ,k)为符号函数，且有：
Figure FDA0003642020430000034
CN202210517758.7A 2022-05-13 2022-05-13 基于深度学习的土壤耕作层水分温度预测方法 Pending CN115017798A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210517758.7A CN115017798A (zh) 2022-05-13 2022-05-13 基于深度学习的土壤耕作层水分温度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210517758.7A CN115017798A (zh) 2022-05-13 2022-05-13 基于深度学习的土壤耕作层水分温度预测方法

Publications (1)

Publication Number Publication Date
CN115017798A true CN115017798A (zh) 2022-09-06

Family

ID=83069162

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210517758.7A Pending CN115017798A (zh) 2022-05-13 2022-05-13 基于深度学习的土壤耕作层水分温度预测方法

Country Status (1)

Country Link
CN (1) CN115017798A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116881664A (zh) * 2023-07-31 2023-10-13 长春师范大学 一种基于局部-全局依存关系的土壤质地预测方法
CN118261198A (zh) * 2024-05-27 2024-06-28 北京市农林科学院智能装备技术研究中心 温室土壤温湿度预测模型构建方法、预测方法、装置、电子设备、存储介质和程序产品
CN118522377A (zh) * 2024-07-22 2024-08-20 江汉大学 一种面向地理空间传感网的土壤水分时空预测方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116881664A (zh) * 2023-07-31 2023-10-13 长春师范大学 一种基于局部-全局依存关系的土壤质地预测方法
CN116881664B (zh) * 2023-07-31 2024-02-02 长春师范大学 一种基于局部-全局依存关系的土壤质地预测方法
CN118261198A (zh) * 2024-05-27 2024-06-28 北京市农林科学院智能装备技术研究中心 温室土壤温湿度预测模型构建方法、预测方法、装置、电子设备、存储介质和程序产品
CN118261198B (zh) * 2024-05-27 2024-07-30 北京市农林科学院智能装备技术研究中心 温室土壤温湿度预测模型构建方法、预测方法、装置、电子设备、存储介质和程序产品
CN118522377A (zh) * 2024-07-22 2024-08-20 江汉大学 一种面向地理空间传感网的土壤水分时空预测方法及装置

Similar Documents

Publication Publication Date Title
CN111727443B (zh) 一种基于深度神经网络的土壤速效养分反演方法
US10634817B2 (en) Statistical blending of weather data sets
CN115017798A (zh) 基于深度学习的土壤耕作层水分温度预测方法
CN117036088A (zh) 一种ai识别绿化植物生长态势的数据采集分析方法
CN110069032A (zh) 一种基于小波神经网络的茄子温室环境智能检测系统
CN110119767A (zh) 一种基于lvq神经网络的黄瓜温室温度智能化检测装置
Wen et al. Application of ARIMA and SVM mixed model in agricultural management under the background of intellectual agriculture
CN118364975B (zh) 多源数据驱动混合机理学习模型的小麦产量预测方法
CN118072178B (zh) 基于分类后百分比数据同化的玉米产量估算方法及系统
CN116681169A (zh) 极端气候对作物产量影响的评估方法
CN115661674A (zh) 一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法
CN117688404A (zh) 智能施肥配方决策方法、装置、设备、介质及程序产品
Nithya et al. Machine Learning and IoT based Seed Suggestion: To Increase Agriculture Harvesting and Development
CN117520783A (zh) 作物产量的预测方法
Voutos et al. An IoT-based insular monitoring architecture for smart viticulture
CN112949182B (zh) 耦合地表土壤含水量的区域尺度最大气孔导度的计算方法
Bobade et al. Design of Smart Irrigation System Based on MLA
Jihua et al. Design, development and application of a satellite-based field monitoring system to support precision farming
Liu et al. An approach for multi-depth soil moisture prediction in alfalfa based on a dual-branch combined model
Nyéki et al. Application possiblities and benefits of IOT (internet of things) in agricultural practice. Quo vadis IOT?
CN115753625B (zh) 区域作物的产量估测方法、装置、电子设备及存储介质
LU501248B1 (en) Inversion method for readily available nutrients of soil based on deep neural network
CN117807501B (zh) 一种基于大数据的农作物生长环境监控方法及系统
Kaur Artificial intelligence and internet of things in agriculture–A survey
Hakkoz et al. Performance Improvement of Regional Agricultural Forecasts with PECNET and State-Space Model

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