CN115659868A - 水热耦合的土壤水深度学习方法和土壤水热运移监测系统 - Google Patents

水热耦合的土壤水深度学习方法和土壤水热运移监测系统 Download PDF

Info

Publication number
CN115659868A
CN115659868A CN202211357017.3A CN202211357017A CN115659868A CN 115659868 A CN115659868 A CN 115659868A CN 202211357017 A CN202211357017 A CN 202211357017A CN 115659868 A CN115659868 A CN 115659868A
Authority
CN
China
Prior art keywords
soil
network
water
temperature
representing
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
Application number
CN202211357017.3A
Other languages
English (en)
Other versions
CN115659868B (zh
Inventor
史良胜
汪彦伶
查元源
胡小龙
宋文翔
王丽君
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202211357017.3A priority Critical patent/CN115659868B/zh
Publication of CN115659868A publication Critical patent/CN115659868A/zh
Application granted granted Critical
Publication of CN115659868B publication Critical patent/CN115659868B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本发明提供水热耦合的土壤水深度学习方法和土壤水热运移监测系统，能够有效避免参数过多、求解复杂等问题，并能够无监督反演土壤导热率与具有强非线性的土壤导水率，实现土壤水分与温度状态及土壤水通量的精确计算；该方法包括：步骤1，土壤水与土壤温度固定深度的时间序列数据获取；步骤2，基于土壤水动力学及本构关系构建土壤水状态网络与参数子网络；步骤3，针对土壤热运移过程构建土壤温度状态网络与热导率子网络；步骤4，训练步骤2中的土壤水神经网络，得到土壤水与通量时空分布；步骤5，联合步骤4土壤水网络的输出耦合训练土壤温度状态网络与参数子网络，得到温度时空分布，并无监督反演出热导率关系或强非线性的导水率关系。

Description

水热耦合的土壤水深度学习方法和土壤水热运移监测系统
技术领域
本发明属于物理信息深度学习、土壤水热计算技术领域，具体涉及水热耦合的土壤水深度学习方法和土壤水热运移监测系统。
背景技术
土壤水分状况在水文模拟、水资源管理、气候预测和旱涝灾害监测中起着至关重要的作用。土壤温度是生态环境中的另一个重要因素，对作物生长和土壤微生物活性有很大影响。对土壤水分、温度及其分布状态进行精准的模拟和预测对于生态环境修复和农业水土资源高效利用具有重要的应用价值。在传统模拟中，基于物理过程的方程是主要工具，土壤水分过程用Richardson-Richards(RRE)方程描述，而非饱和土壤热传递可用对流色散形式的方程进行描述。然而物理方程存在着参数多、求解困难以及难以应用于复杂环境的问题，传统水热运移模型多以有限差分法进行数值模拟，此类模型往往需要已有的实验数据对模型参数进行优化与调整。但由于已知边界条件的误差，模拟结果往往存在着一定的误差。此外，土壤参数关系在实际环境中测量困难，这也是传统模型难以准确估计的，亟需效率更高、适用性更强的方法应对这类问题。
发明内容
本发明是为了解决上述问题而进行的，目的在于提供水热耦合的土壤水深度学习方法和土壤水热运移监测系统，能够在考虑土壤水热耦合作用的基础上，为数据驱动的土壤物理信息预测提供更具解释性和普适性的解决方案。
为了实现以上目的，本发明采用了以下方案：
<方法>
本发明提供水热耦合的土壤水深度学习方法，其特征在于，包括以下步骤：
步骤1，土壤水与土壤温度固定深度的时间序列数据获取；
步骤2，基于土壤水动力学及本构关系构建土壤水状态网络与参数子网络；
土壤水神经网络包括一个近似土壤基质势时空状态的网络
Figure BDA0003920332650000011
与描述土壤水本构关系的两个参数子网络
Figure BDA0003920332650000012
与
Figure BDA0003920332650000013
土壤水动力学系统表示为：
Figure BDA0003920332650000021
Figure BDA0003920332650000022
Figure BDA0003920332650000023
Figure BDA0003920332650000024
式中，W与B表示待训练的网络参数，右下角的角标表示参数所属的神经网络；t表示时间；z表示土壤深度；
Figure BDA0003920332650000025
对应土壤导水率；
Figure BDA0003920332650000026
对应土壤含水率；
步骤3，针对土壤热运移过程构建土壤温度状态网络与热导率子网络；
采用近似土壤温度时空状态的网络
Figure BDA0003920332650000027
描述土壤温度状态网络，土壤热参数热导率采用参数子网络
Figure BDA0003920332650000028
描述，表示为：
Figure BDA0003920332650000029
Figure BDA00039203326500000210
步骤4，训练步骤2中的土壤水神经网络，得到土壤水与通量时空分布；
步骤5，联合步骤4土壤水网络的输出耦合训练土壤温度状态网络与参数子网络，得到温度时空分布，并无监督反演出热导率关系或强非线性的导水率关系。
优选地，本发明提供的水热耦合的土壤水深度学习方法，还可以具有这样的特征：在步骤4中，根据Richardson-Richards方程与时间序列的含水率测量数据设定损失函数，训练步骤2中的土壤水神经网络；损失函数为：
Figure BDA00039203326500000211
Figure BDA00039203326500000212
Figure BDA00039203326500000213
Figure BDA00039203326500000214
式中，
Figure BDA00039203326500000215
表示神经网络近似土壤含水率的数据损失函数
Figure BDA00039203326500000216
与θi分别为第i个估测值与观测值；Nθ表示土壤含水样本数；
Figure BDA00039203326500000217
表示由该土壤水神经网络计算出的RRE方程残差，
Figure BDA0003920332650000031
表示第i个配点上的RRE方程残差；Nre表示RRE方程配点数；
Figure BDA0003920332650000032
表示
Figure BDA0003920332650000033
正则化项，用以防止网络过拟合；ωψ、ωK与ωθ分别表示三个神经网络的训练参数；括号中代表待训练的网络参数；γθ、γr-与
Figure BDA00039203326500000314
分别表示控制各项损失重要性的超参数；
通过训练，时空域上的含水率与土壤水通量能够由该组土壤水神经网络得到：
Figure BDA0003920332650000034
Figure BDA0003920332650000035
优选地，本发明提供的水热耦合的土壤水深度学习方法，还可以具有这样的特征：步骤5采用如下子步骤反演土壤水热参数，顺序训练；
步骤5-1、无监督反演土壤热导率；
根据土壤热运移方程与温度测量数据设定损失函数训练步骤3中的土壤热神经网络，完成时空域上温度分布的学习以及土壤热导率的反演：
Figure BDA0003920332650000036
Figure BDA0003920332650000037
Figure BDA0003920332650000038
式中，
Figure BDA0003920332650000039
表示神经网络近似土壤温度的数据损失函数，
Figure BDA00039203326500000310
与Ti分别表示第i个估测值与观测值；NT表示土壤温度样本数；
Figure BDA00039203326500000311
表示热运移方程残差，
Figure BDA00039203326500000312
表示第i个配点上的热运移方程残差；Nh-at表示方程配点数；ωT与
Figure BDA00039203326500000313
分别表示两个神经网络的训练参数；γT与γh-at分别表示控制各项损失重要性的超参数；
用该损失函数训练土壤温度状态网络与热导率参数子网络，得到土壤温度时空分布，并无监督反演热导率；
步骤5-2、无监督反演土壤导水率强非线性端：
根据土壤水热耦合约束设定损失函数训练步骤2中的土壤导水率参数子网络与步骤3中的土壤热神经网络，完成非线性较强的导水率的无监督反演，从而提高对土壤水通量的估计精度；损失函数的设定如下：
Figure BDA0003920332650000041
Figure BDA0003920332650000042
式中，
Figure BDA0003920332650000043
与步骤5-1中一样，是神经网络近似土壤温度的数据损失函数；
Figure BDA0003920332650000044
与步骤4中一样，表示RRE方程残差；
Figure BDA0003920332650000045
表示热运移方程与RRE方程残差；
Figure BDA0003920332650000046
表示第i个配点上的热运移RRE方程残差；Nheat表示方程配点数；ωT与ωK分别表示两个神经网络的训练参数；γT与γa分别表示控制各项损失重要性的超参数，γa是利用梯度产生的自适应权重系数；
用该损失函数训练土壤温度状态网络与导水率参数子网络，得到土壤温度时空分布，并无监督反演具有强非线性的导水率湿润端。
优选地，本发明提供的水热耦合的土壤水深度学习方法，还可以具有这样的特征：在步骤5-2中，γa通过不同损失项作用在神经网络参数上的梯度进行自适应的调节，解决了在神经网络中使用多物理约束难以平衡的问题，γa在训练过程中通过以下方式进行更新：
Figure BDA0003920332650000047
Figure BDA0003920332650000048
式中，
Figure BDA0003920332650000049
和
Figure BDA00039203326500000410
分别表示
Figure BDA00039203326500000411
Figure BDA00039203326500000412
对土壤导水率参数子网络WK的导数；η作为γa更新的超参数；n是γa的更新次数。
<系统>
进一步，本发明还提供了土壤水热运移监测系统，其特征在于，包括：
数据获取部，获取土壤水与土壤温度固定深度的时间序列数据；
土壤水网络构建部，基于土壤水动力学及本构关系构建土壤水状态网络与参数子网络；土壤水神经网络包括一个近似土壤基质势时空状态的网络
Figure BDA00039203326500000413
与描述土壤水本构关系的两个参数子网络
Figure BDA00039203326500000414
与
Figure BDA00039203326500000415
土壤水动力学系统表示为：
Figure BDA00039203326500000416
Figure BDA00039203326500000417
Figure BDA0003920332650000051
Figure BDA0003920332650000052
式中，W与B表示待训练的网络参数，右下角的角标表示参数所属的神经网络；t表示时间；z表示土壤深度；
Figure BDA0003920332650000053
对应土壤导水率；
Figure BDA0003920332650000054
对应土壤含水率；
土壤温度网络构建部，针对土壤热运移过程构建土壤温度状态网络与热导率子网络；采用近似土壤温度时空状态的网络
Figure BDA0003920332650000055
描述土壤温度状态网络，土壤热参数热导率采用参数子网络
Figure BDA0003920332650000056
描述，表示为：
Figure BDA0003920332650000057
Figure BDA0003920332650000058
土壤水与通量时空分布获取部，训练土壤水网络构建部构建的土壤水神经网络，得到土壤水与通量时空分布；
温度时空分布获取部，联合分布情况获取部中土壤水网络的输出耦合训练土壤温度状态网络与参数子网络，得到温度时空分布，并无监督反演出热导率关系或强非线性的导水率关系；
控制部，与数据获取部、土壤水网络构建部、土壤温度网络构建部、土壤水与通量时空分布获取部、温度时空分布获取部均通信相连，控制它们的运行。
优选地，本发明提供的土壤水热运移监测系统，还可以包括：输入显示部，与控制部均通信相连，用于让用户输入操作指令，并进行相应显示。
优选地，本发明提供的土壤水热运移监测系统，还可以具有这样的特征：输入显示部能够根据相应的操作指令，对数据获取部获取的数据进行显示，对土壤水网络构建部构建的土壤水状态网络与参数子网络进行显示，对土壤温度网络构建部构建的土壤温度状态网络与热导率子网络进行显示，对土壤水与通量时空分布获取部得到的土壤水与通量时空分布情况进行显示，对温度时空分布获取部得到的温度时空分布与热导率关系或强非线性的导水率关系进行显示。
优选地，本发明提供的土壤水热运移监测系统，还可以具有这样的特征：在土壤水与通量时空分布获取部中，根据Richardson-Richards方程与时间序列的含水率测量数据设定损失函数，训练土壤水网络构建部中的土壤水神经网络；损失函数为：
Figure BDA0003920332650000059
Figure BDA0003920332650000061
Figure BDA0003920332650000062
Figure BDA0003920332650000063
式中，
Figure BDA0003920332650000064
表示神经网络近似土壤含水率的数据损失函数
Figure BDA0003920332650000065
与θi分别为第i个估测值与观测值；Nθ表示土壤含水样本数；
Figure BDA0003920332650000066
表示由该土壤水神经网络计算出的RRE方程残差，
Figure BDA0003920332650000067
表示第i个配点上的RRE方程残差；Nre表示RRE方程配点数；
Figure BDA0003920332650000068
表示
Figure BDA0003920332650000069
正则化项，用以防止网络过拟合；ωψ、ωK与ωθ分别表示三个神经网络的训练参数；括号中代表待训练的网络参数；γθ、γre与
Figure BDA00039203326500000619
分别表示控制各项损失重要性的超参数；
通过训练，时空域上的含水率与土壤水通量能够由该组土壤水神经网络得到：
Figure BDA00039203326500000610
Figure BDA00039203326500000611
优选地，本发明提供的土壤水热运移监测系统，还可以具有这样的特征：温度时空分布获取部采用如下步骤5-1～5-2反演土壤水热参数；
步骤5-1、无监督反演土壤热导率；
根据土壤热运移方程与温度测量数据设定损失函数训练步骤3中的土壤热神经网络，进行时空域上温度分布的学习以及土壤热导率的反演：
Figure BDA00039203326500000612
Figure BDA00039203326500000613
Figure BDA00039203326500000614
式中，
Figure BDA00039203326500000615
表示神经网络近似土壤温度的数据损失函数，
Figure BDA00039203326500000616
与Ti分别表示第i个估测值与观测值；NT表示土壤温度样本数；
Figure BDA00039203326500000617
表示热运移方程残差，
Figure BDA00039203326500000618
表示第i个配点上的热运移方程残差；Nheat表示方程配点数；ωT与
Figure BDA0003920332650000071
分别表示两个神经网络的训练参数；γT与γheat分别表示控制各项损失重要性的超参数；
用该损失函数训练土壤温度状态网络与热导率参数子网络，得到土壤温度时空分布，并无监督反演热导率；
步骤5-2、无监督反演土壤导水率强非线性端：
根据土壤水热耦合约束设定损失函数训练步骤2中的土壤导水率参数子网络与步骤3中的土壤热神经网络，完成非线性较强的导水率的无监督反演；损失函数的设定如下：
Figure BDA0003920332650000072
Figure BDA0003920332650000073
式中，
Figure BDA0003920332650000074
表示RRE方程残差；
Figure BDA0003920332650000075
表示热运移方程与RRE方程残差；
Figure BDA0003920332650000076
表示第i个配点上的热运移RRE方程残差；Nheat表示方程配点数；ωt与ωK分别表示两个神经网络的训练参数；γT与γa分别表示控制各项损失重要性的超参数，γa是利用梯度产生的自适应权重系数；
用该损失函数训练土壤温度状态网络与导水率参数子网络，得到土壤温度时空分布，并无监督反演具有强非线性的导水率湿润端。
优选地，本发明提供的土壤水热运移监测系统，还可以具有这样的特征：在步骤5-2中，γa通过不同损失项作用在神经网络参数上的梯度进行自适应的调节，γa在训练过程中通过以下方式进行更新：
Figure BDA0003920332650000077
Figure BDA0003920332650000078
式中，
Figure BDA0003920332650000079
和
Figure BDA00039203326500000710
分别表示
Figure BDA00039203326500000711
Figure BDA00039203326500000712
对土壤导水率参数子网络WK的导数；η作为γa更新的超参数；n是γa的更新次数。
发明的作用与效果
与现有技术相比，本发明所提供的水热耦合的土壤水深度学习方法和土壤水热运移监测系统具有如下优点：
(1)本发明通过设计水热状态主干网络与参数子网络的架构完成土壤水热系统的模拟，并基于此架构提出两种顺序训练方法，完成土壤水热信息互补，在物理信息神经网络技术中实现了土壤水热运移过程的耦合，应对复杂的土壤监测环境具有更好的适用性；
(2)本发明避免了传统模型求解过程中参数过多、求解过程复杂等问题，不需要复杂的参数关系作为先验条件，不需要已知边界条件与土壤参数关系，仅需要固定深度土壤水分与温度的时序数据，就能够精确模拟土壤水分温度分布状态。并且，本发明同时完成了土壤水热的正演(时空上的水热动态学习)和反演问题(对相关水热参数进行了无监督反演)。
(3)相比于直接对土壤水热运移物理方程求解，本发明提出的水热计算的深度学习框架训练易收敛，能够获得更好的时空含水率与温度的正演结果。
(4)本发明在无监督的情况下准确反演土壤导热率与具有强非线性的土壤导水率(土壤热导率和土壤导水率的非线性恢复)，实现土壤水通量的精确估计。
综上，本发明在考虑土壤水热耦合作用的基础上，为数据驱动的土壤物理信息预测提供了更具解释性和普适性的解决方案。
附图说明
图1为本发明实施例涉及的方法原理图；
图2为本发明实施例构建的用于计算土壤水热运移的多物理信息神经网络的结构示意图；
图3为本发明实施例涉及的土壤水神经网络含水率和水通量密度随观测深度数量变化的相对误差图；
图4为本发明实施例涉及的温度在时空域与剖面上的正演结果与传统的DNN方法的对比示意图；
图5为本发明实施例涉及的无监督重构的热导率与真值的对比图；其中，(a)、(b)、(c)分别为粘土、壤土和砂壤土下训练数据含水率直方图；(d)、(e)、(f)分别粘土、壤土和砂壤土下本发明估计的热导率与真实热导率的对比；
图6为本发明实施例涉及的利用RRE约束与土壤水热耦合约束下无监督恢复的土壤导水率关系的对比图；其中，(a)、(b)、(c)分别为粘土，壤土和砂壤土下训练数据含水率直方图；(d)、(e)、(f)分别粘土、壤土和砂壤土下本发明重构的导水率与真实土壤导水率的对比；
图7为本发明实施例涉及的利用RRE约束与土壤水热耦合约束下的对时空域上土壤水通量的计算结果对比图；其中，(a)、(b)、(c)分别表示在-1、-9、-17厘米深度处仅利用RRE约束的土壤水通量估计结果；(d)、(e)、(f)表示在-1、-9、-17厘米深度处同时利用水热约束的土壤水通量估计结果。
具体实施方式
以下结合附图对本发明涉及的水热耦合的土壤水深度学习方法(深度学习框架下的土壤水热耦合运移计算方法)和土壤水热运移监测系统的具体实施方案进行详细地说明。
<实施例>
如图1所示，本发明实施例采用的水热耦合的土壤水深度学习方法包括如下步骤：
步骤1，首先获取观测数据，即固定深度的连续时间的土壤含水率观测数据与土壤温度数据。主要采集地表20cm的观测数据，土壤含水率测量采集三个深度(1厘米，9厘米，17厘米处)；土壤温度主要采集五组(即深度为1厘米，5厘米，9厘米，13厘米，17厘米处)或四组(深度为1厘米，7厘米，13厘米，19厘米处)。
步骤2，基于土壤水动力学系统构建土壤水状态网络与参数子网络，如图2所示。土壤水神经网络由一个近似土壤基质势时空状态的网络
Figure BDA0003920332650000091
与描述土壤水本构关系的两个参数子网络
Figure BDA0003920332650000092
与
Figure BDA0003920332650000093
组成。时间与深度坐标作为输入，采用状态网络
Figure BDA0003920332650000094
拟合时空域上的土壤基质势；对状态网络的输出进行对数变化后，输入后面两个子网络，以描述土壤水动力学的本构关系。这样，土壤水动力学系统能以神经网络表示。整个土壤水神经网络仅受到土壤含水率测量约束，不需要其他的本构关系参数测量值。整个神经网络的计算流程如下：
Figure BDA0003920332650000095
Figure BDA0003920332650000096
Figure BDA0003920332650000097
Figure BDA0003920332650000098
式中，W与B代表待训练的网络参数，右下角的角标代表参数所属的神经网络；t代表时间；z是土壤深度。
步骤3，针对土壤热运移过程构造土壤温度状态网络与热导率子网络，如图2所示。土壤温度由一个近似土壤温度时空状态的网络
Figure BDA0003920332650000101
所描述；土壤热导率由一个参数子网络近似，但由于土壤热导率是与土壤含水状况有关的参数，因此土壤热导率的输入仍是土壤水神经网络中的
Figure BDA0003920332650000102
整个土壤热运移系统由神经网络表示如下所示：
Figure BDA0003920332650000103
Figure BDA0003920332650000104
步骤4，训练步骤2中的土壤水神经网络，得到土壤水与通量时空分布。
根据Richardson-Richards方程与时间序列的含水率测量数据设定损失函数训练步骤2中的土壤水神经网络：
Figure BDA0003920332650000105
其中：
Figure BDA0003920332650000106
Figure BDA0003920332650000107
Figure BDA0003920332650000108
式中，
Figure BDA0003920332650000109
是神经网络近似土壤含水率的数据损失函数
Figure BDA00039203326500001010
与θi分别为第i个估测值与观测值；Nθ为土壤含水样本数；
Figure BDA00039203326500001011
表示由该土壤水神经网络计算出的RRE方程残差，
Figure BDA00039203326500001012
为第i个配点上的RRE方程残差；Nre为RRE方程配点数；
Figure BDA00039203326500001013
是
Figure BDA00039203326500001014
正则化项，用以防止网络过拟合；ωψ,ωK与ωθ分别代表三个神经网络的训练参数；括号中代表待训练的网络参数。γθ,γre与
Figure BDA00039203326500001017
分别是控制各项损失重要性的超参数。
通过训练，时空域上的含水率与土壤水通量能够由该组土壤水神经网络得到：
Figure BDA00039203326500001015
Figure BDA00039203326500001016
在网络训练过程中，对于优化器，采用Adam方法进行初级训练，并采用L-BFGS-B(Byrd等人，1995)对每个训练过程的结果进行微调。Adam优化器衰减率设为0.99，衰减步长设为500，为其设置了至少100000步以确保稳定的结果。L-BFGS-B的超参数maxiter、maxfun、maxcor、maxls和ftol分别设置为50000、50000、50、50和2.220446049250313×10-16。训练后对训练结果直接进行测试，以L2相对误差作为衡量指标，网络测试结果如图3所示。
步骤5，联合步骤4土壤水网络的输出耦合训练土壤温度状态网络与参数子网络，得到温度时空分布，并无监督反演出热导率关系或强非线性的导水率关系。步骤5中的反演土壤水热参数，采用顺序训练，其运用包含以下几个子步骤：
步骤5-1、无监督反演土壤热导率：
根据土壤热运移方程与温度测量数据设定损失函数训练步骤3中的土壤热神经网络，完成时空域上温度分布的学习以及土壤热导率的反演：
Figure BDA0003920332650000111
其中，
Figure BDA0003920332650000112
Figure BDA0003920332650000113
式中，
Figure BDA0003920332650000114
是神经网络近似土壤温度的数据损失函数，
Figure BDA0003920332650000115
与Ti分别为第i个估测值与观测值；NT为土壤温度样本数；
Figure BDA0003920332650000116
表示热运移方程残差，
Figure BDA0003920332650000117
为第i个配点上的热运移方程残差；Nheat为方程配点数；ωT与
Figure BDA0003920332650000118
分别代表两个神经网络的训练参数。γT与γheat分别是控制各项损失重要性的超参数。用该损失函数训练土壤温度状态网络与热导率参数子网络，得到土壤温度时空分布，并无监督反演热导率。
图4为本发明实施例温度在时空域与剖面上的正演结果与传统的DNN方法的对比示意图。图5为本发明实施例无监督重构的热导率与真值的对比示意图，其中图5(a)、(b)、(c)分别为粘土、壤土和砂壤土下训练数据含水率直方图；图5(d)、(e)、(f)分别粘土、壤土和砂壤土下本发明估计的热导率与真实热导率的对比。结果表明，在本发明的水热耦合深度学习框架中，土壤温度状态能够得到很好的学习，同时无监督反演的土壤热导率精度较高。
步骤5-2、无监督反演土壤导水率强非线性端：
根据土壤水热耦合约束设定损失函数训练步骤2中的土壤导水率参数子网络与步骤3中的土壤热神经网络，完成非线性较强的导水率的无监督反演，从而提高对土壤水通量的估计精度。损失函数的设定如下：
Figure BDA0003920332650000121
其中，
Figure BDA0003920332650000122
式中，
Figure BDA0003920332650000123
与步骤5-1中一样，是神经网络近似土壤温度的数据损失函数；
Figure BDA0003920332650000124
与步骤4中一样，表示RRE方程残差；
Figure BDA0003920332650000125
表示热运移方程与RRE方程残差，
Figure BDA0003920332650000126
为第i个配点上的热运移RRE方程残差；Nheat为方程配点数；ωT与ωK分别代表两个神经网络的训练参数。γT与γa分别是控制各项损失重要性的超参数，γa是利用梯度产生的自适应权重系数。用该损失函数训练土壤温度状态网络与导水率参数子网络，得到土壤温度时空分布，并无监督反演具有强非线性的导水率湿润端。
在步骤5-2中引入自适应权重系数是为了平衡水热方程在神经网络上的约束作用。γa通过不同损失项作用在神经网络参数上的梯度进行自适应的调节，这解决了在神经网络中使用多物理约束难以平衡的问题。γa在训练过程中通过以下方式进行更新：
Figure BDA0003920332650000127
Figure BDA0003920332650000128
式中，
Figure BDA0003920332650000129
和
Figure BDA00039203326500001210
分别表示
Figure BDA00039203326500001211
Figure BDA00039203326500001212
对土壤导水率参数子网络WK的导数；η作为γa更新的超参数，被选定为0.9。n是γ的更新次数，设定每训练10步更新一次γ。
图6为本发明实施例在利用RRE约束与土壤水热耦合约束下无监督恢复的土壤导水率关系的对比示意图，其中图6(a)、(b)、(c)分别为粘土、壤土和砂壤土下训练数据含水率直方图；图6(d)、(e)、(f)分别粘土、壤土和砂壤土下本发明重构的导水率与真实土壤导水率的对比。图7为本发明实施例在利用RRE约束与土壤水热耦合约束下的对时空域上土壤水通量的计算结果对比示意图，其中图7(a)、(b)、(c)表示在-1、-9、-17厘米深度处仅利用RRE约束的土壤水通量估计结果；图7(d)、(e)、(f)表示在-1、-9、-17厘米深度处同时利用水热约束的土壤水通量估计结果。结果表明，土壤水热耦合约束有助于无监督反演非线性强的土壤导水率。基于精确的土壤导水率的恢复，时空上的土壤水通量的估计精度也大幅上升。
以上不同的测试结果体现了本发明的主要特征与优点。与现有技术模拟水热耦合的模型相比，本发明不需要知道边界条件，也无需利用实验数据对模型调参，仅利用固定深度土壤水分与土壤温度时间序列数据就能够精确拟合时空域上的土壤水分状态，并能无监督反演土壤参数本构关系与土壤热导率。基于此，土壤水分通量能够被有效地估计。本发明有效避免了现有模型求解时所需要的复杂参数关系，求解条件简单，同时又具有较好的可解释性。
进一步，本实施例还提供了能够自动实现上述本发明方法的土壤水热运移监测系统，该系统包括数据获取部、土壤水网络构建部、土壤温度网络构建部、土壤水与通量时空分布获取部、温度时空分布获取部、输入显示部以及控制部。
数据获取部执行上文步骤1所描述的内容，获取土壤水与土壤温度固定深度的时间序列数据。
土壤水网络构建部执行上文步骤2所描述的内容，基于土壤水动力学及本构关系构建土壤水状态网络与参数子网络。
土壤温度网络构建部执行上文步骤3所描述的内容，针对土壤热运移过程构建土壤温度状态网络与热导率子网络。
土壤水与通量时空分布获取部执行上文步骤4所描述的内容，得到土壤水与通量时空分布。
温度时空分布获取部执行上文步骤5所描述的内容，得到温度时空分布，并无监督反演出热导率关系或强非线性的导水率关系。
输入显示部与控制部均通信相连，用于让用户输入操作指令，并进行相应显示。例如，输入显示部能够根据相应的操作指令，对数据获取部获取的数据进行显示，对土壤水网络构建部构建的土壤水状态网络与参数子网络进行显示，对土壤温度网络构建部构建的土壤温度状态网络与热导率子网络进行显示，对土壤水与通量时空分布获取部得到的土壤水与通量时空分布情况进行显示，对温度时空分布获取部得到的温度时空分布与热导率关系或强非线性的导水率关系进行显示。具体显示方式可以为文字(含数据)、列表、静态趋势图或者动态变化过程示意图。
控制部与数据获取部、土壤水网络构建部、土壤温度网络构建部、土壤水与通量时空分布获取部、温度时空分布获取部、输入显示部均通信相连，控制它们的运行。
以上实施例仅仅是对本发明技术方案所做的举例说明。本发明所涉及的水热耦合的土壤水深度学习方法和土壤水热运移监测系统并不仅仅限定于在以上实施例中所描述的内容，而是以权利要求所限定的范围为准。本发明所属领域技术人员在该实施例的基础上所做的任何修改或补充或等效替换，都在本发明的权利要求所要求保护的范围内。

Claims (10)

1.水热耦合的土壤水深度学习方法，其特征在于，包括以下步骤：
步骤1，土壤水与土壤温度固定深度的时间序列数据获取；
步骤2，基于土壤水动力学及本构关系构建土壤水状态网络与参数子网络；
土壤水神经网络包括一个近似土壤基质势时空状态的网络
Figure FDA0003920332640000011
与描述土壤水本构关系的两个参数子网络
Figure FDA0003920332640000012
与
Figure FDA0003920332640000013
土壤水动力学系统表示为：
Figure FDA0003920332640000014
Figure FDA0003920332640000015
Figure FDA0003920332640000016
Figure FDA0003920332640000017
式中，W与B表示待训练的网络参数，右下角的角标表示参数所属的神经网络；t表示时间；z表示土壤深度；
Figure FDA0003920332640000018
对应土壤导水率；
Figure FDA0003920332640000019
对应土壤含水率；
步骤3，针对土壤热运移过程构建土壤温度状态网络与热导率子网络；
采用近似土壤温度时空状态的网络
Figure FDA00039203326400000110
描述土壤温度状态网络，土壤热参数热导率采用参数子网络
Figure FDA00039203326400000111
描述，表示为：
Figure FDA00039203326400000112
Figure FDA00039203326400000113
步骤4，训练步骤2中的土壤水神经网络，得到土壤水与通量时空分布；
步骤5，联合步骤4土壤水网络的输出耦合训练土壤温度状态网络与参数子网络，得到温度时空分布，并无监督反演出热导率关系或强非线性的导水率关系。
2.根据权利要求1所述的水热耦合的土壤水深度学习方法，其特征在于：
其中，在步骤4中，根据Richardson-Richards方程与时间序列的含水率测量数据设定损失函数，训练步骤2中的土壤水神经网络；损失函数为：
Figure FDA00039203326400000114
Figure FDA00039203326400000115
Figure FDA0003920332640000021
Figure FDA0003920332640000022
式中，
Figure FDA0003920332640000023
表示神经网络近似土壤含水率的数据损失函数
Figure FDA0003920332640000024
与θi分别为第i个估测值与观测值；Nθ表示土壤含水样本数；
Figure FDA0003920332640000025
表示由该土壤水神经网络计算出的RRE方程残差，
Figure FDA0003920332640000026
表示第i个配点上的RRE方程残差；Nre表示RRE方程配点数；
Figure FDA0003920332640000027
表示
Figure FDA0003920332640000028
正则化项；ωψ、ωK与ωθ分别表示三个神经网络的训练参数；γθ、γre与
Figure FDA0003920332640000029
分别表示控制各项损失重要性的超参数；
通过训练，时空域上的含水率与土壤水通量能够由该组土壤水神经网络得到：
Figure FDA00039203326400000210
Figure FDA00039203326400000211
3.根据权利要求1所述的水热耦合的土壤水深度学习方法，其特征在于：
其中，步骤5采用如下子步骤反演土壤水热参数：
步骤5-1、无监督反演土壤热导率；
根据土壤热运移方程与温度测量数据设定损失函数训练步骤3中的土壤热神经网络，进行时空域上温度分布的学习以及土壤热导率的反演：
Figure FDA00039203326400000212
Figure FDA00039203326400000213
Figure FDA00039203326400000214
式中，
Figure FDA00039203326400000215
表示神经网络近似土壤温度的数据损失函数，
Figure FDA00039203326400000216
与Ti分别表示第i个估测值与观测值；NT表示土壤温度样本数；
Figure FDA00039203326400000217
表示热运移方程残差，
Figure FDA00039203326400000218
表示第i个配点上的热运移方程残差；Nheat表示方程配点数；ωT与
Figure FDA00039203326400000219
分别表示两个神经网络的训练参数；γT与γheat分别表示控制各项损失重要性的超参数；
用该损失函数训练土壤温度状态网络与热导率参数子网络，得到土壤温度时空分布，并无监督反演热导率；
步骤5-2、无监督反演土壤导水率强非线性端：
根据土壤水热耦合约束设定损失函数训练步骤2中的土壤导水率参数子网络与步骤3中的土壤热神经网络，完成非线性较强的导水率的无监督反演；损失函数的设定如下：
Figure FDA0003920332640000031
Figure FDA0003920332640000032
式中，
Figure FDA0003920332640000033
表示RRE方程残差；
Figure FDA0003920332640000034
表示热运移方程与RRE方程残差；
Figure FDA0003920332640000035
表示第i个配点上的热运移RRE方程残差；Nheat表示方程配点数；ωT与ωK分别表示两个神经网络的训练参数；γT与γa分别表示控制各项损失重要性的超参数，γa是利用梯度产生的自适应权重系数；
用该损失函数训练土壤温度状态网络与导水率参数子网络，得到土壤温度时空分布，并无监督反演具有强非线性的导水率湿润端。
4.根据权利要求3所述的水热耦合的土壤水深度学习方法，其特征在于：
其中，在步骤5-2中，γa通过不同损失项作用在神经网络参数上的梯度进行自适应的调节，γa在训练过程中通过以下方式进行更新：
Figure FDA0003920332640000036
Figure FDA0003920332640000037
式中，
Figure FDA0003920332640000038
和
Figure FDA0003920332640000039
分别表示
Figure FDA00039203326400000310
Figure FDA00039203326400000311
对土壤导水率参数子网络WK的导数；η作为γa更新的超参数；n是γa的更新次数。
5.土壤水热运移监测系统，其特征在于，包括：
数据获取部，获取土壤水与土壤温度固定深度的时间序列数据；
土壤水网络构建部，基于土壤水动力学及本构关系构建土壤水状态网络与参数子网络；土壤水神经网络包括一个近似土壤基质势时空状态的网络
Figure FDA0003920332640000041
与描述土壤水本构关系的两个参数子网络
Figure FDA0003920332640000042
与
Figure FDA0003920332640000043
土壤水动力学系统表示为：
Figure FDA0003920332640000044
Figure FDA0003920332640000045
Figure FDA0003920332640000046
Figure FDA0003920332640000047
式中，W与B表示待训练的网络参数，右下角的角标表示参数所属的神经网络；t表示时间；z表示土壤深度；
Figure FDA0003920332640000048
对应土壤导水率；
Figure FDA0003920332640000049
对应土壤含水率；
土壤温度网络构建部，针对土壤热运移过程构建土壤温度状态网络与热导率子网络；采用近似土壤温度时空状态的网络
Figure FDA00039203326400000410
描述土壤温度状态网络，土壤热参数热导率采用参数子网络
Figure FDA00039203326400000411
描述，表示为：
Figure FDA00039203326400000412
Figure FDA00039203326400000413
土壤水与通量时空分布获取部，训练所述土壤水网络构建部构建的土壤水神经网络，得到土壤水与通量时空分布；
温度时空分布获取部，联合所述分布情况获取部中土壤水网络的输出耦合训练土壤温度状态网络与参数子网络，得到温度时空分布，并无监督反演出热导率关系或强非线性的导水率关系；
控制部，与所述数据获取部、所述土壤水网络构建部、所述土壤温度网络构建部、所述土壤水与通量时空分布获取部、所述温度时空分布获取部均通信相连，控制它们的运行。
6.根据权利要求5所述的土壤水热运移监测系统，其特征在于，还包括：
输入显示部，与所述控制部均通信相连，用于让用户输入操作指令，并进行相应显示。
7.根据权利要求6所述的土壤水热运移监测系统，其特征在于：
其中，所述输入显示部能够根据相应的操作指令，对所述数据获取部获取的数据进行显示，对所述土壤水网络构建部构建的土壤水状态网络与参数子网络进行显示，对所述土壤温度网络构建部构建的土壤温度状态网络与热导率子网络进行显示，对所述土壤水与通量时空分布获取部得到的土壤水与通量时空分布情况进行显示，对所述温度时空分布获取部得到的温度时空分布与热导率关系或强非线性的导水率关系进行显示。
8.根据权利要求5所述的土壤水热运移监测系统，其特征在于：
其中，在所述土壤水与通量时空分布获取部中，根据Richardson-Richards方程与时间序列的含水率测量数据设定损失函数，训练所述土壤水网络构建部中的土壤水神经网络；损失函数为：
Figure FDA0003920332640000051
Figure FDA0003920332640000052
Figure FDA0003920332640000053
Figure FDA0003920332640000054
式中，
Figure FDA0003920332640000055
表示神经网络近似土壤含水率的数据损失函数
Figure FDA0003920332640000056
与θi分别为第i个估测值与观测值；Nθ表示土壤含水样本数；
Figure FDA0003920332640000057
表示由该土壤水神经网络计算出的RRE方程残差，
Figure FDA0003920332640000058
表示第i个配点上的RRE方程残差；Nre表示RRE方程配点数；
Figure FDA0003920332640000059
表示
Figure FDA00039203326400000510
正则化项；ωψ、ωK与ωθ分别表示三个神经网络的训练参数；γθ、γre与
Figure FDA00039203326400000511
分别表示控制各项损失重要性的超参数；
通过训练，时空域上的含水率与土壤水通量能够由该组土壤水神经网络得到：
Figure FDA00039203326400000512
Figure FDA00039203326400000513
9.根据权利要求5所述的土壤水热运移监测系统，其特征在于：
其中，所述温度时空分布获取部采用如下步骤5-1～5-2反演土壤水热参数：
步骤5-1、无监督反演土壤热导率；
根据土壤热运移方程与温度测量数据设定损失函数训练步骤3中的土壤热神经网络，进行时空域上温度分布的学习以及土壤热导率的反演：
Figure FDA0003920332640000061
Figure FDA0003920332640000062
Figure FDA0003920332640000063
式中，
Figure FDA0003920332640000064
表示神经网络近似土壤温度的数据损失函数，
Figure FDA0003920332640000065
与Ti分别表示第i个估测值与观测值；NT表示土壤温度样本数；
Figure FDA0003920332640000066
表示热运移方程残差，
Figure FDA0003920332640000067
表示第i个配点上的热运移方程残差；Nheat表示方程配点数；ωT与
Figure FDA0003920332640000068
分别表示两个神经网络的训练参数；γT与γheat分别表示控制各项损失重要性的超参数；
用该损失函数训练土壤温度状态网络与热导率参数子网络，得到土壤温度时空分布，并无监督反演热导率；
步骤5-2、无监督反演土壤导水率强非线性端：
根据土壤水热耦合约束设定损失函数训练步骤2中的土壤导水率参数子网络与步骤3中的土壤热神经网络，完成非线性较强的导水率的无监督反演；损失函数的设定如下：
Figure FDA0003920332640000069
Figure FDA00039203326400000610
式中，
Figure FDA00039203326400000611
表示RRE方程残差；
Figure FDA00039203326400000612
表示热运移方程与RRE方程残差；
Figure FDA00039203326400000613
表示第i个配点上的热运移RRE方程残差；Nheat表示方程配点数；ωT与ωK分别表示两个神经网络的训练参数；γT与γa分别表示控制各项损失重要性的超参数，γa是利用梯度产生的自适应权重系数；
用该损失函数训练土壤温度状态网络与导水率参数子网络，得到土壤温度时空分布，并无监督反演具有强非线性的导水率湿润端。
10.根据权利要求9所述的土壤水热运移监测系统，其特征在于：
其中，在步骤5-2中，γa通过不同损失项作用在神经网络参数上的梯度进行自适应的调节，γa在训练过程中通过以下方式进行更新：
Figure FDA0003920332640000071
Figure FDA0003920332640000072
式中，
Figure FDA0003920332640000073
和
Figure FDA0003920332640000074
分别表示
Figure FDA0003920332640000075
Figure FDA0003920332640000076
对土壤导水率参数子网络WK的导数；η作为γa更新的超参数；n是γa的更新次数。
CN202211357017.3A 2022-11-01 2022-11-01 水热耦合的土壤水深度学习方法和土壤水热运移监测系统 Active CN115659868B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211357017.3A CN115659868B (zh) 2022-11-01 2022-11-01 水热耦合的土壤水深度学习方法和土壤水热运移监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211357017.3A CN115659868B (zh) 2022-11-01 2022-11-01 水热耦合的土壤水深度学习方法和土壤水热运移监测系统

Publications (2)

Publication Number Publication Date
CN115659868A true CN115659868A (zh) 2023-01-31
CN115659868B CN115659868B (zh) 2023-06-16

Family

ID=84995827

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211357017.3A Active CN115659868B (zh) 2022-11-01 2022-11-01 水热耦合的土壤水深度学习方法和土壤水热运移监测系统

Country Status (1)

Country Link
CN (1) CN115659868B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117390968A (zh) * 2023-11-30 2024-01-12 中国水利水电科学研究院 一种基于物理信息神经网络的土壤水运动模型构建方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180348714A1 (en) * 2017-06-01 2018-12-06 Valmont Industries, Inc. System and method for irrigation management using machine learning workflows
CN110414145A (zh) * 2019-07-30 2019-11-05 中国水利水电科学研究院 一种雪被-土壤连续体水热耦合计算模拟方法
JP2020041801A (ja) * 2018-09-06 2020-03-19 株式会社安藤・間 土壌改質判定装置、及び異物除去方法
CN114462518A (zh) * 2022-01-24 2022-05-10 中国科学院地理科学与资源研究所 考虑多要素空间依赖性的区域蒸散发变化归因分析方法
CN114638093A (zh) * 2022-03-04 2022-06-17 中国长江三峡集团有限公司 冻土区冻融径流模拟方法、装置及计算机设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180348714A1 (en) * 2017-06-01 2018-12-06 Valmont Industries, Inc. System and method for irrigation management using machine learning workflows
JP2020041801A (ja) * 2018-09-06 2020-03-19 株式会社安藤・間 土壌改質判定装置、及び異物除去方法
CN110414145A (zh) * 2019-07-30 2019-11-05 中国水利水电科学研究院 一种雪被-土壤连续体水热耦合计算模拟方法
CN114462518A (zh) * 2022-01-24 2022-05-10 中国科学院地理科学与资源研究所 考虑多要素空间依赖性的区域蒸散发变化归因分析方法
CN114638093A (zh) * 2022-03-04 2022-06-17 中国长江三峡集团有限公司 冻土区冻融径流模拟方法、装置及计算机设备

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A. A. MASRUR AHMED 等: "eep Learning Forecasts of Soil Moisture: Convolutional Neural Network and Gated Recurrent Unit Models Coupled with Satellite-Derived MODIS, Observations and Synoptic-Scale Climate Index Data", SPECIAL ISSUE SMART DATA ASSIMILATIONS, CROP MODELLING AND REMOTE SENSING IN AGRICULTURE MONITORING *
QIZHI HEA 等: "Physics-Informed Neural Networks for Multiphysics Data Assimilation with Application to Subsurface Transport", ADVANCES IN WATER RESOURCES *
TAO ZHANGA 等: "Assessment of soil thermal conduction using artificial neural network models", COLD REGIONS SCIENCE AND TECHNOLOGY *
YUANYUAN ZHA 等: "Review of numerical solution of Richardson–Richards equation for variably saturated flow in soils", WILEY INTERDISCIPLINARY REVIEWS: WATER *
王宏宇;马娟娟;孙西欢;郭向红;雷涛;冯;: "基于BP神经网络的土壤水热动态预测模型研究", 节水灌溉, no. 07 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117390968A (zh) * 2023-11-30 2024-01-12 中国水利水电科学研究院 一种基于物理信息神经网络的土壤水运动模型构建方法及系统
CN117390968B (zh) * 2023-11-30 2024-04-16 中国水利水电科学研究院 一种基于物理信息神经网络的土壤水运动模型构建方法及系统

Also Published As

Publication number Publication date
CN115659868B (zh) 2023-06-16

Similar Documents

Publication Publication Date Title
Ehteram et al. An improved model based on the support vector machine and cuckoo algorithm for simulating reference evapotranspiration
Huo et al. Artificial neural network models for reference evapotranspiration in an arid area of northwest China
CN111027752A (zh) 一种深度时空特征联合学习的农作物产量估测方法
CN109685743A (zh) 基于噪声学习神经网络模型的图像混合噪声消除方法
CN112541584B (zh) 深度神经网络模型并行模式选择方法
CN115659868A (zh) 水热耦合的土壤水深度学习方法和土壤水热运移监测系统
Ping et al. History matching of channelized reservoirs with vector-based level-set parameterization
CN106022471A (zh) 基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法
CN109145399B (zh) 一种基于改进的粒子滤波算法的疲劳裂纹扩展预测方法
CN113468466B (zh) 基于神经网络的一维波动方程求解方法
Rajaram et al. Recursive parameter estimation of hydrologic models
Tsai et al. From parameter calibration to parameter learning: Revolutionizing large-scale geoscientific modeling with big data
CN116842621A (zh) 一种建筑物理机理数字孪生模型演化方法
CN116663395A (zh) 基于参数优化的支持向量机回归的降雨量等值面生成方法
CN115481554A (zh) 炸药熔铸固化过程热扩散数字孪生模型、温度场实时优化控制模型及方法
KR20200028801A (ko) 뉴럴 네트워크를 이용한 변분 추론 학습 방법 및 학습 장치, 그리고 이를 이용한 변분 추론 방법 및 장치
Jahanbakhshi et al. Joint estimation of facies boundaries and petrophysical properties in multi-facies channelized reservoirs through ensemble-based Kalman filter and level set parametrization
Jahromi et al. Application of the HBMO approach to predict the total sediment discharge
CN110414146B (zh) 一种基于深度学习的水环境治理项目设计参数优化方法
CN110780604B (zh) 一种基于空时平滑性和时间相关性的空时信号恢复方法
CN114398819A (zh) 一种基于深度学习的非结构网格有效波高预测方法与系统
Kuttubekova Emulator for Water Erosion Prediction Project computer model using Gaussian Processes with functional inputs
Zhang et al. A refined rank set pair analysis model based on wavelet analysis for predicting temperature series
CN113468471A (zh) 基于张量型加权Schatten-p范数的交通数据修复方法
CN113535510B (zh) 一种大规模数据中心数据采集的自适应抽样模型优化方法

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
GR01 Patent grant