[發(fā)明專利]基于機(jī)器學(xué)習(xí)和觀測(cè)數(shù)據(jù)的土壤侵蝕模數(shù)計(jì)算方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202111352247.6
• 申請(qǐng)日: 2021-11-16
• 公開（公告）號(hào): CN114154401A
• 公開（公告）日: 2022-03-08
• 發(fā)明（設(shè)計(jì)）人: 李暢;黃才潤
• 申請(qǐng)（專利權(quán)）人: 華中師范大學(xué)
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 武漢科皓知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 肖明洲

本發(fā)明公開了一種基于機(jī)器學(xué)習(xí)和觀測(cè)數(shù)據(jù)的土壤侵蝕模數(shù)計(jì)算方法及系統(tǒng)，方法包括：1)收集數(shù)據(jù)；2)計(jì)算因子；3)計(jì)算模數(shù)；4)訓(xùn)練模型；5)使用模型；6)驗(yàn)證精度。本發(fā)明采用機(jī)器學(xué)習(xí)方法，利用野外水土流失的觀測(cè)值和土壤侵蝕模數(shù)，進(jìn)行模型訓(xùn)練；分別對(duì)土壤侵蝕因子和土壤侵蝕模數(shù)進(jìn)行校正，進(jìn)而獲取高精度的土壤侵蝕模數(shù)。該方法能提高土壤侵蝕模數(shù)的精度，使土壤侵蝕估算更精準(zhǔn)。

技術(shù)領(lǐng)域

本發(fā)明屬于水土保持和生態(tài)環(huán)境監(jiān)測(cè)領(lǐng)域，涉及一種土壤侵蝕模數(shù)計(jì)算方法及系統(tǒng)，具體涉及一種基于機(jī)器學(xué)習(xí)和野外觀測(cè)數(shù)據(jù)的土壤侵蝕模數(shù)高精度計(jì)算方法及系統(tǒng)。

背景技術(shù)

精確模擬區(qū)域的水土流失量，對(duì)監(jiān)測(cè)并控制水土流失有重要的科學(xué)價(jià)值。基于土壤侵蝕方程(Soil Loss Equation,SLE)和GIS、RS技術(shù)，獲取各土壤侵蝕因子，研究土壤侵蝕模數(shù)、侵蝕量、侵蝕強(qiáng)度的時(shí)空演變特征是土壤侵蝕常用的研究方法。但SLE算得的土壤侵蝕模數(shù)嚴(yán)格來說，僅是一個(gè)模擬值，不能充分表征土壤侵蝕對(duì)生態(tài)環(huán)境的脅迫性，特別是不能精準(zhǔn)地對(duì)土壤侵蝕的風(fēng)險(xiǎn)進(jìn)行有效評(píng)估，精確度仍有提高的空間。

在機(jī)器學(xué)習(xí)領(lǐng)域，人工神經(jīng)網(wǎng)絡(luò)技術(shù)(artificial neural network,ANN)具有并行處理、自組織學(xué)習(xí)能力、高度映射分類和計(jì)算能力，特別適用于地理模式識(shí)別、地理過程模擬與預(yù)測(cè)、復(fù)雜地理系統(tǒng)的優(yōu)化計(jì)算等問題的研究，其中BP網(wǎng)絡(luò)模型(back-propagationnetwork)技術(shù)成熟，應(yīng)用廣泛；隨機(jī)森林回歸算法(random forest regression,RFR)對(duì)解決回歸問題有極強(qiáng)的優(yōu)勢(shì)，可基于使用訓(xùn)練集的估計(jì)模型來預(yù)測(cè)響應(yīng)變量。同時(shí)，RFR算法提供了回歸精度(out-of-bag error,OOB誤差)和各變量相對(duì)重要性的內(nèi)部度量，支持變量貢獻(xiàn)的定性分析，為理解模型復(fù)雜關(guān)系提供了有用的信息。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于機(jī)器學(xué)習(xí)與野外觀測(cè)數(shù)據(jù)的土壤侵蝕模數(shù)高精度計(jì)算方法及系統(tǒng)，旨在提高土壤侵蝕模數(shù)的精度。

本發(fā)明的方法所采用的技術(shù)方案是：一種基于機(jī)器學(xué)習(xí)和觀測(cè)數(shù)據(jù)的土壤侵蝕模數(shù)計(jì)算方法，包括以下步驟：

步驟1：獲取、預(yù)處理土壤侵蝕因子有關(guān)數(shù)據(jù)；獲取野外水土流失影響因子的觀測(cè)值和野外水土流失觀測(cè)值。

步驟2：利用步驟1中預(yù)處理后的土壤侵蝕因子有關(guān)數(shù)據(jù)，計(jì)算得到各土壤侵蝕因子圖層。

步驟3：利用步驟2計(jì)算的各土壤侵蝕因子圖層，運(yùn)用土壤侵蝕方程，計(jì)算出理論的高分動(dòng)態(tài)土壤侵蝕模數(shù)。

步驟4：構(gòu)建土壤侵蝕模數(shù)回歸模型；并運(yùn)用機(jī)器學(xué)習(xí)方法，利用步驟1中獲取的野外水土流失影響因子的觀測(cè)值、野外水土流失觀測(cè)值和步驟2中計(jì)算得到的土壤侵蝕因子圖層、步驟3中計(jì)算得到的土壤侵蝕模數(shù)，進(jìn)行土壤侵蝕模數(shù)回歸模型訓(xùn)練，最后得到訓(xùn)練好的土壤侵蝕模數(shù)回歸模型；

所述土壤侵蝕模數(shù)回歸模型，由輸入層、隱含層和輸出層組成，各層之間實(shí)行全連接。輸入層輸入的樣本向量為X_k＝(x₁,x₂,…,x_n)，k＝1,2,…,m，m為樣本數(shù)，n為輸入層的神經(jīng)元數(shù)；n＝1時(shí),輸入變量分別為土壤侵蝕方程中的因子；n＝7時(shí)，輸入變量為模擬的土壤侵蝕模數(shù)A；隱含層設(shè)置三層，每層包括隱含層節(jié)點(diǎn)輸入與輸出，并基于反向傳播算法進(jìn)行網(wǎng)絡(luò)權(quán)值和閾值的更新；輸出層輸出Y_k＝(y₁,y₂,…,y_q),q為輸出層的神經(jīng)元數(shù)，這里q＝1；n＝1時(shí)，輸出變量為與輸入變量對(duì)應(yīng)的野外水土流失影響因子的觀測(cè)值；n＝7時(shí)，輸出變量為與輸入變量對(duì)應(yīng)的野外水土流失觀測(cè)值；

步驟5：將按步驟2計(jì)算得到的土壤侵蝕因子和步驟3計(jì)算得到的土壤侵蝕模數(shù)，分別代入訓(xùn)練好的土壤侵蝕模數(shù)回歸模型中進(jìn)行計(jì)算，最終獲得高精度的土壤侵蝕模數(shù)。