CN115527125A - 一种基于卫星观测和深层神经网络的农田渗漏量估算方法 - Google Patents
一种基于卫星观测和深层神经网络的农田渗漏量估算方法 Download PDFInfo
- Publication number
- CN115527125A CN115527125A CN202211278029.7A CN202211278029A CN115527125A CN 115527125 A CN115527125 A CN 115527125A CN 202211278029 A CN202211278029 A CN 202211278029A CN 115527125 A CN115527125 A CN 115527125A
- Authority
- CN
- China
- Prior art keywords
- leakage
- farmland
- model
- neural network
- deep neural
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 15
- 239000002689 soil Substances 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 230000008020 evaporation Effects 0.000 claims description 4
- 238000001704 evaporation Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 2
- 230000002262 irrigation Effects 0.000 abstract description 18
- 238000003973 irrigation Methods 0.000 abstract description 18
- 238000004088 simulation Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000003621 irrigation water Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明公开了一种基于卫星观测和深层神经网络的农田渗漏量估算方法，包括以下步骤：S1、ICDD_RS模型的建立：根据计算的天然植被渗漏量及其影响因素建立ICDD_RS模型；S2、灌溉农田渗漏量预测：将训练后的所述ICDD_RS模型应用于灌溉农田区域，以获得高分辨率的灌溉农田渗漏，将上述S1中所述天然植被的影响因素用作输入变量进行预测。本发明采用一种基于卫星观测和深层神经网络的农田渗漏量估算方法，解决针对深层渗漏量在大范围上估算存在的训练数据缺少、遥感技术难以监测等问题，提出了一个基于卫星观测和深度神经网络的灌溉农田遥感深层渗漏模型，有效的解决了灌溉农田深层渗漏量难以量化的问题。
Description
技术领域
本发明涉及卫星观测、深度学习技术领域，尤其是涉及一种基于卫星观测和深层神经网络的农田渗漏量估算方法。
背景技术
深层渗漏被定义为土壤水从根区底部向下输送到不太活跃的区域，是水平衡过程中非常重要且容易被忽视的组成部分。众所周知，全球70％的取水用于灌溉农业。因此，灌溉农田产生了大量的深层渗漏，这导致了灌溉水的大量损失。然而，由于其机理的复杂性，灌溉农田的深层渗漏量很难量化。
到目前为止，估算区域深层渗漏量的方法主要有两种。第一种方法是经验模型：通过构建深层渗漏量与影响因素之间的经验关系来计算排水量。然而，经验模型中的参数必须通过站点实验进行率定。同时，这些方法只考虑了土壤水分对深层渗漏量的贡献，而没有考虑土壤质地、植被覆盖度、地形和其他对深层渗漏也有很大贡献的因子。第二种方法是水文模型：在区域水循环模拟中，可以通过水文模型来估算深层渗漏量，例如土壤-水-空气-植物(SWAP)模型，但由于缺乏灌溉数据，模拟结果的准确性较低。因此，在缺乏地面观测数据和灌溉数据的情况下，如何计算深层渗漏量一直是一个难题。
随着近年来遥感技术的飞速发展，无需地面观测即可获得大量高精度数据，为区域尺度深层渗漏监测提供了一条可能的方法。然而，遥感受限于其穿透性较差，很难对深层渗漏量估算。而机器学习的迅速发展，使得人工神经网络(ANN)在降水，土壤湿度，蒸散，径流，灌溉等一些水文过程研究中获得了更好的性能。近年来，随着人工神经网络的进一步升级，深度神经网络(DNN)大大提高了水文研究的精度。与传统的ANN方法相比，DNN方法具有更多的隐藏层和更强的拟合能力。其模拟效果也得到了很大的提高，被广泛应用。然而，应用深度神经网络在区域尺度上估计灌溉农田深层渗漏的研究仍然很少，主要是因为难以获得区域尺度的训练样本和数据。因此，开发一种基于卫星观测和深度神经网络的深层渗漏模型是非常必要的。
发明内容
本发明的目的是提供一种基于卫星观测和深层神经网络的农田渗漏量估算方法，解决针对深层渗漏量在大范围上估算存在的训练数据缺少、遥感技术难以监测等问题，提出了一个基于卫星观测和深度神经网络的农田遥感渗漏模型，有效的解决了灌溉农田深层渗漏量难以量化的问题。
为实现上述目的，本发明提供了一种基于卫星观测和深层神经网络的农田渗漏量估算方法，包括以下步骤：
S1、ICDD_RS模型的建立
根据计算的天然植被渗漏量及其影响因素建立ICDD_RS模型；
S2、灌溉农田渗漏量预测
将训练后的所述ICDD_RS模型应用于灌溉农田区域，以获得高分辨率的灌溉农田深层渗漏，将上述S1中所述天然植被的影响因素用作输入变量进行预测。
优选的，所述天然植被渗漏量的影响因素为降水、蒸发、土壤水、土壤质地、坡度和覆盖度；所述天然植被渗漏量采用水量平衡法计算。
优选的，所述ICDD_RS模型包括算法模块、样本模块和优化模块。
优选的，所述算法模块是基于遥感数据，利用DNN算法建立草地渗漏与天然植被的影响因素之间的函数关系，在建立遥感渗漏模型之前，对所有数据进行归一化，然后将草地网格分别预先划分为训练集、验证集和测试集，并通过使用一些数据评估其性能来验证预测所述遥感渗漏模型。
优选的，所述训练集占总数的70％，所述验证集占总量的15％，所述测试集占总额的15％。
优选的，所述样本模块是在建立所述ICDD_RS模型时，采用所述水量平衡法计算所述天然植被的渗漏量，并获得了大量样本。
优选的，所述优化模块是在所述ICDD_RS模型训练过程中对一定条件下的草地进行筛选，所述筛选条件包括：
1)草地坡度小于23度，与黑河流域农田坡度一致；
2)草地的月植被覆盖率与耕地变化范围一致。
因此，本发明采用上述结构的一种基于卫星观测和深层神经网络的农田渗漏量估算方法，解决针对深层渗漏量在大范围上估算存在的训练数据缺少、遥感技术难以监测等问题，提出了一个基于卫星观测和深度神经网络的灌溉农田遥感深层渗漏模型，有效的解决了灌溉农田深层渗漏量难以量化的问题。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明一种基于卫星观测和深层神经网络的农田渗漏量估算方法实施例的流程图；
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
实施例
本发明针对灌溉农田的深层渗漏量，设计了基于遥感和深度神经网络的模型，实现了对区域渗漏量的准确估算。
在实际的使用中，计算机将调用基于本发明方法流程的程序完成具体的渗漏量估算工作。
本发明的方法步骤如下：
S1：ICDD_RS模型的建立
根据计算的天然植被渗漏量及其影响因素(降水、蒸发、土壤水、土壤质地、坡度和覆盖度)，建立了ICDD_RS模型。其中天然植被渗漏量采用水量平衡法计算，相比于灌溉农田，天然植被无灌溉，其渗漏主要由降水产生，量值容易计算。同时经过文献调研和模型调试，最终确定了影响因素中的降水、蒸发、土壤水、土壤质地、坡度和覆盖度作为模型输入数据。该模型包括三个模块，即算法、样本和优化模块。
a算法模块
基于遥感数据，利用DNN算法建立草地渗漏与影响因素之间的函数关系。在建立遥感渗漏模型之前，我们对所有数据进行了归一化，以最大限度地提高DNN的效率。然后，将草地网格分别预先划分为训练集(占总数的70％)、验证集(占总量的15％)和测试集(占总额的15％)，并通过使用一些数据评估其性能来验证预测模型
b样本模块
在建立模型时，通常很难获得渗漏量的训练样本，尤其是在缺乏灌溉数据的地区。我们采用水量平衡法计算天然植被的渗漏量，有效避免了缺乏灌溉的问题，并获得了大量样本。
c优化模块
最后，为了使预测结果更加准确，我们在模型训练过程中对一定条件下的草地进行了筛选。具体筛选条件包括：1)草地坡度小于23度，与黑河流域农田坡度一致；2)草地的月植被覆盖率(FVC)与耕地变化范围一致。
S2：灌溉农田深层渗漏量预测
训练后的模型应用于灌溉农田区域，以获得高分辨率灌溉农田深层渗漏量。灌溉农田的降水、蒸散发、土壤水、土壤质地、坡度和覆盖度用作输入变量进行预测。注意，在预测过程中，所有数据都必须规范化。最后，利用一些方法对模型进行了评估和验证。
我们基于卫星观测和深层神经网络建立了灌溉农田遥感深层渗漏模型(ICDD_RS模型)，以估算灌溉农田深层渗漏量。
主要包括以下两个步骤。第一步是建立天然植被的深层渗漏模型，第二步是利用建立的模型同时结合遥感数据预测灌溉农田深层渗漏量。
因此，本发明采用上述一种基于卫星观测和深层神经网络的农田渗漏量估算方法，解决针对深层渗漏量在大范围上估算存在的训练数据缺少、遥感技术难以监测等问题，提出了一个基于卫星观测和深度神经网络的灌溉农田遥感深层渗漏模型，有效的解决了灌溉农田深层渗漏量难以量化的问题。
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进行限制，尽管参照较佳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：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (7)
1.一种基于卫星观测和深层神经网络的农田渗漏量估算方法，其特征在于，包括以下步骤：
S1、ICDD_RS模型的建立
根据计算的天然植被渗漏量及其影响因素建立ICDD_RS模型；
S2、灌溉农田渗漏量预测
将训练后的所述ICDD_RS模型应用于灌溉农田区域，以获得高分辨率的灌溉农田深层渗漏，将上述S1中所述天然植被的影响因素用作输入变量进行预测。
2.根据权利要求1所述的一种基于卫星观测和深层神经网络的农田渗漏量估算方法，其特征在于：所述天然植被渗漏量的影响因素为降水、蒸发、土壤水、土壤质地、坡度和覆盖度，所述天然植被渗漏量采用水量平衡法计算。
3.根据权利要求1所述的一种基于卫星观测和深层神经网络的农田渗漏量估算方法，其特征在于：所述ICDD_RS模型包括算法模块、样本模块和优化模块。
4.根据权利要求3所述的一种基于卫星观测和深层神经网络的农田渗漏量估算方法，其特征在于：所述算法模块是基于遥感数据，利用DNN算法建立草地渗漏与天然植被的影响因素之间的函数关系，在建立遥感渗漏模型之前，对所有数据进行归一化，然后将草地网格分别预先划分为训练集、验证集和测试集，并通过使用一些数据评估其性能来验证预测所述遥感渗漏模型。
5.根据权利要求4所述的一种基于卫星观测和深层神经网络的农田渗漏量估算方法，其特征在于：所述训练集占总数的70％，所述验证集占总量的15％，所述测试集占总额的15％。
6.根据权利要求3所述的一种基于卫星观测和深层神经网络的农田渗漏量估算方法，其特征在于：所述样本模块是在建立所述ICDD_RS模型时，采用所述水量平衡法计算所述天然植被的渗漏量，获得大量样本。
7.根据权利要求3所述的一种基于卫星观测和深层神经网络的农田渗漏量估算方法，其特征在于：所述优化模块是在所述ICDD_RS模型训练过程中对一定条件下的草地进行筛选，所述筛选条件包括：
1)草地坡度小于23度，与黑河流域农田坡度一致；
2)草地的月植被覆盖率与耕地变化范围一致。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211278029.7A CN115527125A (zh) | 2022-10-19 | 2022-10-19 | 一种基于卫星观测和深层神经网络的农田渗漏量估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211278029.7A CN115527125A (zh) | 2022-10-19 | 2022-10-19 | 一种基于卫星观测和深层神经网络的农田渗漏量估算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115527125A true CN115527125A (zh) | 2022-12-27 |
Family
ID=84703998
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211278029.7A Pending CN115527125A (zh) | 2022-10-19 | 2022-10-19 | 一种基于卫星观测和深层神经网络的农田渗漏量估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115527125A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106501148A (zh) * | 2016-10-18 | 2017-03-15 | 中国林业科学研究院林业新技术研究所 | 一种湿地渗漏量的计算方法 |
| CN109190783A (zh) * | 2018-07-03 | 2019-01-11 | 北京交通大学 | 城市水网渗漏空间聚集性检测及关键影响因素识别方法 |
| CN110689173A (zh) * | 2019-09-12 | 2020-01-14 | 黄河水利委员会黄河水利科学研究院 | 一种灌区农业灌溉用水需求决策方法及系统 |
| CN110708948A (zh) * | 2017-06-01 | 2020-01-17 | 瓦尔蒙特工业股份有限公司 | 使用机器学习工作流进行灌溉管理的系统与方法 |
-
2022
- 2022-10-19 CN CN202211278029.7A patent/CN115527125A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106501148A (zh) * | 2016-10-18 | 2017-03-15 | 中国林业科学研究院林业新技术研究所 | 一种湿地渗漏量的计算方法 |
| CN110708948A (zh) * | 2017-06-01 | 2020-01-17 | 瓦尔蒙特工业股份有限公司 | 使用机器学习工作流进行灌溉管理的系统与方法 |
| CN109190783A (zh) * | 2018-07-03 | 2019-01-11 | 北京交通大学 | 城市水网渗漏空间聚集性检测及关键影响因素识别方法 |
| CN110689173A (zh) * | 2019-09-12 | 2020-01-14 | 黄河水利委员会黄河水利科学研究院 | 一种灌区农业灌溉用水需求决策方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 刘婧然 等: "基于深度学习人工神经网络的青椒调亏灌溉水量预测", 《干旱地区农业研究》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hu et al. | Improvement of sugarcane crop simulation by SWAP-WOFOST model via data assimilation | |
| Ren et al. | Modeling and assessing field irrigation water use in a canal system of Hetao, upper Yellow River basin: Application to maize, sunflower and watermelon | |
| Williams et al. | Evolution of the SCS runoff curve number method and its application to continuous runoff simulation | |
| Ma et al. | Application of the SWAP model to simulate the field water cycle under deficit irrigation in Beijing, China | |
| Lai et al. | Responses of soil water percolation to dynamic interactions among rainfall, antecedent moisture and season in a forest site | |
| CN103150615B (zh) | 径流预测方法 | |
| Tu et al. | Water budget components estimation for a mature citrus orchard of southern China based on HYDRUS-1D model | |
| Yoo et al. | Estimation of design water requirement using FAO Penman–Monteith and optimal probability distribution function in South Korea | |
| Zia et al. | Predicting discharge using a low complexity machine learning model | |
| CN109616223A (zh) | 一种基于swat模型模拟流域水文过程的改进与应用方法 | |
| Kumar et al. | Investigating the effect of limited climatic data on evapotranspiration-based numerical modeling of soil moisture dynamics in the unsaturated root zone: a case study for potato crop | |
| Liu et al. | A field-validated surrogate crop model for predicting root-zone moisture and salt content in regions with shallow groundwater | |
| Alavi et al. | A combined model approach to optimize surface irrigation practice: SWAP and WinSRFR | |
| Wang et al. | Significant differences in agro-hydrological processes and water productivity between canal-and well-irrigated areas in an arid region | |
| CN114493011A (zh) | 考虑膜下滴灌与暗管排盐协同调控运行模型的构建方法 | |
| Xun et al. | Modeling heat-water-salt transport, crop growth and water use in arid seasonally frozen regions with an improved coupled SPAC model | |
| CN117517619A (zh) | 一种人工林地植被承载力评价方法 | |
| US20230349880A1 (en) | Method and System for Characterising the Soil Moisture Characteristics of Management Zones in Both Time and Space, Specific to Zone-Based Management for Variable Rate Crop Inputs | |
| Janssens et al. | Numerical calculation of soil water potential in an irrigated ‘conference’pear orchard | |
| Mailhol et al. | Simulation of furrow irrigation practices (SOFIP): A field-scale modelling of water management and crop yield for furrow irrigation | |
| CN115527125A (zh) | 一种基于卫星观测和深层神经网络的农田渗漏量估算方法 | |
| Barnard et al. | Simulating water uptake of irrigated field crops from non-saline water table soils: validation and application of the model SWAMP | |
| Huang et al. | An evaluation of EPIC soil water and yield components in the gully region of Loess Plateau, China | |
| Walker et al. | Estimation of rainfall intensity for potential crop production on clay soil with in-field water harvesting practices in a semi-arid area | |
| Napoli et al. | Modeling soil and nutrient runoff yields from an Italian vineyard using SWAT |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221227 |
|
| RJ01 | Rejection of invention patent application after publication |