[發明專利]一種基于深度學習元胞自動機模型的土壤含水量預測方法

有效

• 申請號: 201510587554.0
• 申請日: 2015-09-15
• 公開（公告）號: CN105243435B
• 公開（公告）日: 2018-10-26
• 發明（設計）人: 宋效東;劉峰;張甘霖;趙玉國;李德成;楊金玲
• 申請（專利權）人: 中國科學院南京土壤研究所
• 主分類號: G06F17/00
• 分類號: G06F17/00;G06Q10/04;G06N3/00
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 唐循文

本發明涉及一種基于深度學習元胞自動機模型的土壤含水量預測方法，結合了機器學習和地理現象模擬的方法，就土壤含水量的不同時空預測方面進行了改進，能夠借助深度學習的方法獲取土壤含水量預測函數局部最優解；并且本發明結合模型檢驗機制對模型的泛化能力進行了定量檢驗，提出了元胞自動機的自我改善機制，更加確保了模型的健壯性，這種混合技術的突破有望為復雜區域的土壤水分實時監測提供技術支撐，不僅能夠降低土壤水分的預測成本，也顯著提升了土壤含水量的預測精度，具有廣闊的工業化應用前景。

技術領域

本發明涉及一種基于深度學習元胞自動機模型的土壤含水量預測方法，屬于土壤表層含水量預測技術領域。

背景技術

土壤含水量是地表植被吸收水分的主要來源，直接影響著生態植被的生長。準確估算土壤表層含水量已成為農業水資源監測的熱點問題。土壤含水量的測定方法主要包括接觸式的直接測量和非接觸式的遙感監測。用遙感反演手段獲取土壤含水量，具有范圍大、時間分辨率高的特點。該方法在植被覆蓋度較高的區域效果卻并不理想，如果傳感器受到外界因素影響后也不能實時地反演土壤含水量。除遙感監測方法之外，常規的土壤含水量預測方法還包括經驗公式法、水量平衡法、消退指數法、土壤水動力學法、時間序列法、機器學習法等。機器學習法常用來模擬與處理影響因素多、關系復雜的系統，能夠靈活處理高度非線性動態關系的時間序列問題，因其固有的學習能力與適應能力，使其在土壤水分預測中得到了廣泛的應用。

土壤含水量的空間變異主要是由溫度、降雨、相對濕度、霧、土壤、植被、人為活動等諸多因素綜合作用所影響。除此之外，土壤含水量與土壤的理化性質也密切相關，如土壤孔隙度、土壤質地等。傳統方法，如最小二乘法建立多元回歸方程，經常會出現高誤差、低穩健等問題。究其原因是土壤含水量的影響因子間存在多重相關性，普通模擬方法很容易影響參數估計，進而增大模型誤差。

既然土壤含水量空間變異的內在規律是人類難以掌握和定量描述的，對這種復雜行為進行分析和模擬在農業生產、干旱區生態管理中具有重要應用價值。為了分析與模擬這種內在規律，可將其視為“黑箱”，進而通過分析原始、結束時系統狀態間相互關系獲取其演變規律。之后，基于這種演變規律的知識對土壤含水量進行時空預測，實現更加客觀的模擬。

自1950年代計算機之父John Von Neumann建立第一個生物自我復制的元胞自動機雛形后，元胞自動機(cellular automata，CA)已成為非數值計算中的常用方法，基于元胞自動機的地理模擬研究也已獲得國內外的廣泛關注。元胞自動機是一種時間、空間、狀態都離散的模型，具有強大的空間建模和計算能力，能夠模擬具有時空特征的復雜動態系統。元胞自動機模型賦予每個空間單元在外界刺激或者相互作用下的變化規則，這與地理學第一定律相似性定律非常相似，因此該模型非常適宜描述地理現象。元胞自動機模型模擬的核心是定義元胞狀態的轉換規則，至今尚未有完善、穩健的規則定義方法，國內外專家普遍采用啟發式的方法，但該方法受主觀因素影響很大，尤其是在反映復雜關系時具有較為顯著的局限性。改善的方法是采用數據挖掘技術，該技術能夠從海量的地理信息數據中發現知識，并能夠將知識應用到元胞自動機模型中狀態的轉換規則，進而顯著改善了模擬效果。

作為一類新興的多層神經網絡學習算法，深度學習能夠緩解傳統訓練算法的局部最小性，進而提升了處理復雜分類問題時的泛化能力。鑒于該技術在工業界的重要性及其性能優越性，將該技術與地理現象模擬相結合具有十分廣闊的工業化應用前景。然而，根據深度學習算法的結構特征，眾多應用領域在深度學習的實踐過程中也發現了一系列亟待探索解決的問題，如無標記數據的特征學習、網絡模型規模與訓練速度精度之間的權衡、與其他方法的融合等。這些缺點已經嚴重制約了深度學習在元胞自動機模型規則訓練中的應用，歸納起來有一下幾個局限性：