一种基于深度学习的作物根层土壤含水量模拟方法与流程

本发明属于地球物理下遥感水文应用，具体涉及一种基于深度学习的作物根层土壤含水量模拟方法。

背景技术：

1、土壤水影响着从区域到全球范围的水循环过程，获取实时准确的土壤水时空分布信息在干旱监测、农业灌溉和水资源管理等方面具有重要意义。传统的站点监测土壤水数据精度高，但获取成本大且不连续，而卫星遥感技术虽然可以获取连续实时的数据，但只能提供0-10cm深度的土壤水信息，阻碍了其在现代农业中的应用和推广。研究浅层与根层土壤含水量之间的关系，结合地面监测和遥感土壤水信息模拟实时连续的根层土壤含水量资料是完善土壤水信息的关键技术手段。

2、目前主要利用统计分析、物理模型和数据同化等方法由浅层土壤含水量推求根层土壤含水量数据。pan ff等在文献application of a soil moisture diagnosticequation for estimating root-zone soil moisture in arid and semi-arid regions[j].journal of hydrology,2015,524:296-310(该文献sci的doi号为10.1016/j.jhydrol.2015.02.044)中提出的干旱和半干旱土壤水分诊断方程受限于参数的区域代表性。clark mp等在文献hydrological data assimilation with the ensemble kalmanfilter:use of streamflow observations to update states in a distributedhydrological model[j].advances in water resources,2008,31(10):1309-1324(该文献sci的doi号为10.1016/j.advwatres.2008.06.005)中提出的卡尔曼滤波同化算法无法很好地提取和分析浅层土壤含水量和根层土壤含水量之间的非线性关系。baldwin d等在文献estimating root zone soil moisture across the eastern united states withpassive microwave satellite data and a simple hydrologic model[j].remotesensing,2019,11(17)(该文献sci的doi号为10.3390/rs11172013)提出的物理模型在估算根层土壤含水量时只考虑了土壤特性，而缺少对根层土壤含水量有着显著影响的气候、下垫面等因素的考虑。

3、为此，亟需发展不受参数区域限制、实时连续，且综合考虑多种影响因素作用并准确反应其非线性关系的根层土壤含水量模拟方法，为现代化农业水资源管理和维系生态系统良性循环提供数据支撑。

技术实现思路

1、本发明的目的在于克服现有技术受限于参数的区域代表性、站点实测土壤水数据不适用于大范围研究、遥感反演产品精度较低等不足，而提供一种将实时连续的全球尺度产品、高精度的站点观测数据以及气候、下垫面因子时空变化特征结合起来，利用lstm深度学习算法构建区域模型推求根层土壤含水量数据的方法。

2、本发明采用如下技术方案：

3、一种基于深度学习的作物根层土壤含水量模拟方法，包括以下步骤：

4、步骤一：收集研究区土壤水监测站点土壤水含量数据、气候和下垫面资料作为影响因子，土壤水含量数据包括0-10cm浅层土壤含水量和30-40cm根层土壤含水量，站点数据按时间序列整理，空间数据按研究区矢量边界裁剪；

5、步骤二：将步骤一收集的浅层土壤含水量、气候和下垫面影响因子按是否随时间显著变化分为动态因子和静态因子，动态因子、静态因子都和根层土壤含水量分别进行时间和空间上的相关性分析，并计算各影响因子对根层土壤含水量模拟的重要度，确定模型最终的输入因子；

6、步骤三：构建区域根层土壤含水量模型，在步骤一的土壤水监测站点随机抽取一部分作为训练集，一部分作为测试集，将训练集中经步骤2确定的输入因子作为lstm深度学习算法的输入，对应的30-40cm根层土壤含水量作为输出，训练lstm深度学习算法，训练时是采用统计指标来定量评价模型对根层土壤水模拟的精度；测试时，将测试集中经步骤2确定的输入因子作为lstm深度学习算法的输入，输出30-40cm根层土壤含水量的模拟值，将输出的根层土壤含水量模拟值与测试站点的实测数据进行对比，采用统计指标来定量评价模型对根层土壤含水量模拟的精度；

7、对不同的研究区域，模型的输入因子会不同，需要先进行重要度和相关性分析进行筛选。

8、步骤四：获取研究区逐日era5全球土壤水再分析数据集，根据土壤层深度比例将era5再分析数据集转化为0-10cm的土壤水数据作为era5原始数据集；

9、步骤五：将步骤四era5原始数据集0-10cm浅层土壤含水量数据和对应的气候、下垫面影响因子资料输入到步骤三的区域根层土壤含水量模型中逐栅格进行模拟，模拟获得研究区era5 30-40cm根层土壤含水量数据集。

10、卡尔曼滤波虽然在推求根层土壤水研究中应用较多，但在非线性系统和高计算需求中存在缺陷，申请号为202111548225.7的发明专利主要是针对卡尔曼滤波法计算量较大、处理更新慢的缺陷，通过era5率定参数t，根据实时更新的smap l3表层水数据模拟得到根层土壤水，参数t物理含义不明确，需要通过经验法获取，而且地形、植被和土壤空间异质性的体现不够明显和确切，本发明将地形、植被和土壤的影响量化，量化各影响因子对根层土壤水的影响，并在构建模型时考虑了这些因子，本发明构建的深度学习模型可以有效处理非线性关系。

11、站点尺度上的实测数据在时间和空间上都是不连续的，只靠站点监测无法获取面上的土壤水分布信息，因此需要借助遥感产品。在站点尺度上建立根层土壤水和浅层土壤水之间的联系，再由遥感再分析产品的浅层土壤水去模拟推求区域尺度上的根层土壤水，可以获取精度相对较高的根层土壤水数据。本发明实施例通过利用反距离加权法idw，将步骤四era5原始根层土壤含水量数据和步骤五era5模拟根层土壤含水量数据插值到步骤三的测试站点上，将插值到测试站点的era5原始根层土壤含水量数据和era5模拟根层土壤含水量数据与测试站点实测数据序列进行对比，验证了本方法的模拟精度。

12、优选地，步骤一中影响因子包括：土壤水监测站点0-10cm土壤含水量、降水、气温、相对湿度、风速、日照时数、大气压、土壤容重、砂粒含量、粘粒含量、粉粒含量、数字高程、坡度、坡向、纬度、植被指数和土地利用/土地覆盖类型，降水包括当日降水量和多日累积降水量。

13、本发明充分考虑区域气候变化特征和下垫面空间异质性，利用浅层土壤含水量和构建的区域模型反演根层土壤含水量信息，得到区域实时连续的高精度根层土壤含水量序列。

14、进一步地，步骤一中地面监测站土壤水数据的单位是重量含水率(g/g)，为了和era5再分析产品的体积含水率单位(cm3/cm3)保持一致，因此需要进行单位转换，计算公式如下：

15、smv＝smg×ρ

16、其中，smv为体积含水率(cm3/cm3)，smg为重量含水率(g/g)；ρ为土壤容重(g/cm3)。

17、进一步地，步骤二中对步骤一收集的浅层土壤含水量(0-10cm)、气候和下垫面影响因子，动态因子和根层土壤含水量进行时间上的相关性分析，静态因子和根层土壤含水量进行空间上的相关性分析，并利用随机森林法计算各影响因子对根层土壤含水量模拟的重要度(feature importance,fi)，确定模型最终的输入因子。其核心算法是随机对袋外数据(oob)所有样本的特征x加入噪声干扰，然后计算加入干扰前后的袋外数据误差的差值。特征x的重要性计算公式如下：

18、fi＝(obb_eer2-obb_eer1)/n

19、其中，obb_eer1和obb_eer2分别为样本特征加入噪声干扰前后的袋外数据误差，n为树的总棵数。当给某个特征x随机加入噪声后，袋外的准确率大幅度下降，则说明该特征对根层土壤含水量模拟的影响较大，特征重要度较高。

20、优选地，步骤三中所述统计指标为相关系数(correlation coefficient，cc)、平均绝对误差(mean absolute error，mae)、均方根误差(root mean square error，rmse)和无偏均方根误差(unbiased root mean square error，ubrmse)4个统计指标来定量评价模型对根层土壤水模拟的精度。计算公式分别如下：

21、

22、

23、

24、

25、其中，yi和分别表示第i时刻观实测和模拟的根层土壤含水量(m3/m3)；和分别表示实测观测和模拟的根层土壤含水量平均值(m3/m3)；n为数据序列长度。

26、进一步地，步骤四中获取逐日era5全球土壤水再分析数据集，空间分辨率为10km，根据土壤层深度比例将era5再分析数据集0-7cm、7-28cm和28-100cm的土壤湿度数据转化为0-10cm的土壤水数据作为era5原始数据集，用于根层土壤含水量模型的输入(0-10cm)，era5原始数据集0-10cm浅层土壤含水量计算公式如下：

27、

28、式中，era50～10cm为ear5原始数据集0-10cm土壤含水量(m3/m3)，sm0～7cm为era5产品的第一层土壤含水量数据(m3/m3)，sm7～28cm为era5产品的第二层土壤含水量数据(m3/m3)，z1为第一层土壤深度(7cm)，z为待计算土层的最大深度(10cm)。

29、本发明的有益效果在于：

30、本发明基于lstm深度学习算法构建的区域根层土壤含水量模型可以有效捕捉输入序列中的非线性关系，对内部气候、干湿条件、土地利用类型等具有显著差异的地区有很好的适用性，对研究区复杂的气候变化特征和下垫面空间异质性具有很好的包容性，可以灵活地增加自变量，不受限于参数区域代表性的同时可以很好地反应整个研究区的根层土壤含水量运动特征，从而获取精度较高且实时连续的区域根层土壤含水量信息。

31、本发明方法针对站点实测数据非实时、不连续且成本高、遥感反演产品根层土壤含水量数据精度较低的局限性，将站点监测和遥感反演的优势相结合模拟根层土壤含水量数据，对不同尺度的输入数据具有较好的适应性，保证精度的同时节约了数据获取的成本。利用实时更新的era5再分析产品浅层土壤含水量数据作为输入模拟大范围的根层土壤含水量数据，有效解决了根层土壤含水量信息获取慢的不足，提高了数据获取的时效性，同时区域根层土壤含水量模型可用于反演无资料区域的根层土壤含水量数据，克服了传统参数移植法精度下降的局限性，对于农业规划和管理均具有一定的理论价值和实践意义。