一种基于深度学习元胞自动机模型的土壤含水量预测方法
【技术领域】
[0001 ] 本发明涉及一种基于深度学习元胞自动机模型的土壤含水量预测方法，属于土壤 表层含水量预测技术领域。
【背景技术】
[0002] 土壤含水量是地表植被吸收水分的主要来源，直接影响着生态植被的生长。准确 估算土壤表层含水量已成为农业水资源监测的热点问题。土壤含水量的测定方法主要包括 接触式的直接测量和非接触式的遥感监测。用遥感反演手段获取土壤含水量，具有范围大、 时间分辨率高的特点。该方法在植被覆盖度较高的区域效果却并不理想，如果传感器受到 外界因素影响后也不能实时地反演土壤含水量。除遥感监测方法之外，常规的土壤含水量 预测方法还包括经验公式法、水量平衡法、消退指数法、土壤水动力学法、时间序列法、机器 学习法等。机器学习法常用来模拟与处理影响因素多、关系复杂的系统，能够灵活处理高度 非线性动态关系的时间序列问题，因其固有的学习能力与适应能力，使其在土壤水分预测 中得到了广泛的应用。
[0003] 土壤含水量的空间变异主要是由温度、降雨、相对湿度、雾、土壤、植被、人为活动 等诸多因素综合作用所影响。除此之外，土壤含水量与土壤的理化性质也密切相关，如土壤 孔隙度、土壤质地等。传统方法，如最小二乘法建立多元回归方程，经常会出现高误差、低稳 健等问题。究其原因是土壤含水量的影响因子间存在多重相关性，普通模拟方法很容易影 响参数估计，进而增大模型误差。
[0004] 既然土壤含水量空间变异的内在规律是人类难以掌握和定量描述的，对这种复杂 行为进行分析和模拟在农业生产、干旱区生态管理中具有重要应用价值。为了分析与模拟 这种内在规律，可将其视为"黑箱"，进而通过分析原始、结束时系统状态间相互关系获取其 演变规律。之后，基于这种演变规律的知识对土壤含水量进行时空预测，实现更加客观的模 拟。
[0005] 自1950年代计算机之父JohnVonNeumann建立第一个生物自我复制的元胞自动 机雏形后，元胞自动机（cellularautomata，CA)已成为非数值计算中的常用方法，基于元 胞自动机的地理模拟研究也已获得国内外的广泛关注。元胞自动机是一种时间、空间、状态 都离散的模型，具有强大的空间建模和计算能力，能够模拟具有时空特征的复杂动态系统。 元胞自动机模型赋予每个空间单元在外界刺激或者相互作用下的变化规则，这与地理学第 一定律相似性定律非常相似，因此该模型非常适宜描述地理现象。元胞自动机模型模拟的 核心是定义元胞状态的转换规则，至今尚未有完善、稳健的规则定义方法，国内外专家普遍 采用启发式的方法，但该方法受主观因素影响很大，尤其是在反映复杂关系时具有较为显 著的局限性。改善的方法是采用数据挖掘技术，该技术能够从海量的地理信息数据中发现 知识，并能够将知识应用到元胞自动机模型中状态的转换规则，进而显著改善了模拟效果。
[0006] 作为一类新兴的多层神经网络学习算法，深度学习能够缓解传统训练算法的局部 最小性，进而提升了处理复杂分类问题时的泛化能力。鉴于该技术在工业界的重要性及其 性能优越性，将该技术与地理现象模拟相结合具有十分广阔的工业化应用前景。然而，根据 深度学习算法的结构特征，众多应用领域在深度学习的实践过程中也发现了一系列亟待探 索解决的问题，如无标记数据的特征学习、网络模型规模与训练速度精度之间的权衡、与其 他方法的融合等。这些缺点已经严重制约了深度学习在元胞自动机模型规则训练中的应 用，归纳起来有一下几个局限性：
[0007] (1)缺乏有效的扩展解决方案。现有元胞自动机模型主要集中在分类问题，对连续 回归的数字模拟缺乏有效的认知，无法解决无限状态的自然地理现象模拟。有别于传统基 于方程的自上而下的建模方法，元胞自动机模型主要通过微观层面元胞的相互作用来模拟 全局系统的复杂性，在此过程中，元胞自动机在地理计算中的不足逐步体现。例如，元胞只 能把信息传递给邻域元胞，且元胞在整个模拟空间的位置相对固定，导致元胞只能模拟地 理基层环境却不能模拟自由活动的实体对象。
[0008] (2)不同方法体系缺少融合技术指导。单一的深度学习方法，往往并不能带来最 好的计算效果，亟需融合一种甚至多种方法形成更为有效且有理论依据的学习模型进行应 用，进而解决更为复杂的应用问题。探索基于深度学习的新特征提取模型也将是值得深入 探讨的应用课题。另外，深度学习训练困难的潜在原因包括监督训练准则存在大量局部极 值、过于复杂的训练准则。如何同时训练所有的深度结构神经网络层，也将是影响深度学习 在土壤含水量不同时空模拟的重要影响因素。
【发明内容】
[0009] 针对上述技术问题，本发明所要解决的技术问题是提供一种基于深度学习元胞自 动机模型的土壤含水量预测方法，基于深度学习网络获取元胞状态转换规则，并结合元胞 自动机泛化能力定量评估操作，能够解决现有可视域算法在分布式并行计算环境下数据管 理效率低下与并行化调度困难的问题，有效提高了土壤含水量预测的准确性。
[0010] 本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于深度学 习元胞自动机模型的土壤含水量预测方法，包括如下步骤：
[0011] 步骤001.针对目标土壤区域，按预设样本点选择要求，选择预设数量的训练样本 点和预设数量的验证样本点，并且针对训练样本点设定对应的训练检测期，以及针对验证 样本点设定对应的验证检测期，同时，针对目标土壤区域，设定各类环境变量，并进入步骤 002；
[0012] 步骤002.获得各个训练样本点分别对应训练检测期中各个单位检测期的土壤含 水量数据，构成分别与训练检测期中各个单位检测期相对应的各训练样本点土壤含水量数 据集，同时，获得目标土壤区域分别对应训练检测期中各个单位检测期的各类环境变量数 据，并针对环境变量数据进行归一化处理，并进入步骤003 ;
[0013] 步骤003.分别针对不同单位检测期各训练样本点土壤含水量数据集进行插值数 据处理，获得空间上与目标土壤区域相对应、且时间上分别与训练检测期中各个单位检测 期相对应的各个训练目标土壤区域土壤含水量空间分布栅格图层，并进入步骤004 ;
[0014] 步骤004.针对各个训练目标土壤区域土壤含水量空间分布栅格图层，分别建立 与之对应、相同大小、相同空间分辨率的副本栅格图层，并进入步骤005 ;
[0015] 步骤005.分别针对各个训练目标土壤区域土壤含水量空间分布栅格图层，遍历 栅格图层中各个栅格所对应的元胞单元，分别针对各个元胞单元，在元胞单元的8个相邻 元胞单元中，统计对应土壤含水量大于该元胞单元所对应土壤含水量的相邻元胞单元的数 量，并将该数量填入所属训练目标土壤区域土壤含水量空间分布栅格图层对应副本栅格图 层中、与该元胞单元位置相对应的栅格位置；基于上述操作，更新获得分别与各个训练目标 土壤区域土壤含水量空间分布栅格图层相对应的各个副本栅格图层，即获得目标土壤区域 所对应的各个土壤含水量元胞间邻域作用变量，并进入步骤006 ;
[0016] 步骤006.采用受限玻尔兹曼机构建深度信念网络，并且根据不同单位检测期各 训练样本点土壤含水量数据集、各个土壤含水量元胞间邻域作用变量，以及目标土壤区域 分别对应训练检测期中各个单位检测期的各类环境变量数据，通过深度信念网络获得目标 土壤区域所对应的元胞状态转换规则，并进入步骤007 ;
[0017] 步骤007.获得各个验证样本点分别对应验证检测期中各个单位检测期的土壤含 水量数据，构成分别与验证检测期中各个单位检测期相对应的各验证样本点土壤含水量数 据集，同时，获得目标土壤区域分别对应验证检测期中各个单位检测期的各类环境变量数 据，并针对环境变量数据进行归一化处理，进入步骤008 ;
[0018] 步骤008.根据目标土壤区域分别对应验证检测期中各个单位检测期的各类环境 变量数据，采用元胞自动机模型，结合目标土壤区域所对应的元胞状态转换规则，分别获得 对应验证检测期中各个单位检测期的土壤含水量验证数据，并进入步骤009 ;
[0019] 步骤009.将各验证样本点土壤含水量数据集分别按时间对应关系与目标土壤区 域土壤含水量验证数据进行比较检验，判断目标土壤区域所对应的元胞状态转换规则是否 准确，是则进入步骤010,否则进入步骤011 ;
[0020] 步骤010.获得目标土壤区域对应预测时间的各类环境变量数据，并采用元胞自 动机模型，结合目标土壤区域所对应的元胞状态转换规则，获得目标土壤区域土壤预测时 间含水量预测数据；
[0021] 步骤011.获得目标土壤区域对应预测时间的各类环境变量数据，并采用元胞自 动机模型，结合目标土壤区域所对应的元胞状态转换规则，获得目标土壤区域土壤预测时 间含水量预测数据，并针对该目标土壤区域土壤预测时间含水量预测数据的不确定性进行 评估。
[0022] 作为本发明的一种优选技术方案：所述步骤001中，针对所述目标土壤区域，按预 设样本点选择要求，采用保留方法选择设定预设数量的训练样本点和预设数量的验证样本 点。
[0023] 作为本发明的一种优选技术方案：所述步骤002中，采用无线土壤水分传感器测 定获得各个训练样本点分别对应训练检测期中各个单位检测期的土壤含水量数据；以及所 述步骤007中，采用无线土壤水分传感器测定获得各个验证样本点分别对应验证检测期中 各个单位检测期的土壤含水量数据。
[0024] 作为本发明的一种优选技术方案：所述步骤003中，分别针对各训练样本点土壤 含水量数据集，采用地统计普通克里格方法进行插值