本申请涉及农情信息获取,更具体的说,是涉及一种土壤含水量预测方法、装置、设备及存储介质。
背景技术:
1、表层土壤水分在水循环中扮演着关键角色,它控制着土壤、植被和大气之间的水通量。准确预测土壤含水量,对于实现高效的农作物种植、科学合理的水资源调配、农业灌溉生产以及水资源管理至关重要。
2、土壤含水量的变化受多种因素影响,如气温、降雨、光照情况等,这些因素之间存在复杂的非线性相互作用。传统的土壤水含量预测方法主要基于经验模型法、统计模型、回归模型等方法,这些统计方法难以准确建模这种复杂的非线性关系,导致预测精度较低。
技术实现思路
1、鉴于上述问题,提出了本申请以便提供一种土壤含水量预测方法、装置、设备及存储介质,以提升土壤含水量预测的准确度。具体方案如下:
2、第一方面,提供了一种土壤含水量预测方法,包括:
3、获取目标土壤区域最近一个历史周期的土壤含水量,以及关联日期的气象因素数据,组成输入数据;
4、按照日期对所述输入数据进行整合,以得到连续时间序列的输入矩阵;
5、将所述输入矩阵送入预训练的土壤含水量预测模型,得到所述模型预测的当前周期内所述目标土壤区域的土壤含水量;
6、其中,所述土壤含水量预测模型被配置为,利用残差神经网络resnet分支提取所述输入矩阵的空间高维局部特征,利用长短时记忆神经网络lstm分支提取所述输入矩阵的时间序列特征,融合所述空间高维局部特征和所述时间序列特征,并基于融合特征预测当前周期内所述目标土壤区域的土壤含水量的内部状态表示。
7、优选地,所述输入数据还包括所述当前周期的气象预报数据。
8、优选地,获取的目标土壤区域最近一个历史周期的土壤含水量包括:最近一个历史周期内多个不同土壤深度的土壤含水量;
9、所述模型预测的当前周期内所述目标土壤区域的土壤含水量包括:当前周期内所述目标土壤区域在所述多个不同土壤深度处的土壤含水量。
10、优选地,所述土壤含水量预测模型所包含的lstm分支包括双向长短期记忆神经网络bilstm。
11、优选地,所述lstm分支还包括串联在所述bilstm之后的attention模块,由所述attention模块和所述bilstm组成bilstm-attention模型结构。
12、优选地,所述土壤含水量预测模型训练过程,利用所述目标土壤区域的历史周期的土壤含水量及关联日期的气象因素数据作为训练样本,并以所述历史周期之后的一个周期的土壤含水量为样本标签训练得到。
13、优选地,所述训练样本及样本标签的获取过程,包括:
14、获取监测站点对所述目标土壤区域实际监测得到的历史土壤含水量,以及历史气象因素数据;
15、对所述历史土壤含水量和所述历史气象因素数据进行预处理,之后按照日期对预处理后的数据进行整合,得到连续时间序列的输入矩阵;
16、采用滑动窗口在所述连续时间序列的输入矩阵上进行滑窗选取数据矩阵,窗口长度为设定的周期时长;
17、以相邻两个滑窗中前一滑窗选取的数据矩阵作为训练样本,以后一滑窗选取的数据矩阵中土壤含水量作为对应的样本标签。
18、优选地,所述训练样本还包括:所述后一滑窗对应时间周期的气象预报数据。
19、优选地,所述预处理操作包括:
20、数据清洗、缺失值填充、数据标准化中的任意一项或多项操作。
21、第二方面,提供了一种土壤含水量预测装置,包括:
22、输入数据获取单元,用于获取目标土壤区域最近一个历史周期的土壤含水量,以及关联日期的气象因素数据,组成输入数据;
23、数据整合单元,用于按照日期对所述输入数据进行整合,以得到连续时间序列的输入矩阵;
24、模型调用单元,用于将所述输入矩阵送入预训练的土壤含水量预测模型,得到所述模型预测的当前周期内所述目标土壤区域的土壤含水量;
25、其中,所述土壤含水量预测模型被配置为,利用残差神经网络resnet分支提取所述输入矩阵的空间高维局部特征,利用长短时记忆神经网络lstm分支提取所述输入矩阵的时间序列特征,融合所述空间高维局部特征和所述时间序列特征,并基于融合特征预测当前周期内所述目标土壤区域的土壤含水量的内部状态表示。
26、第三方面,提供了一种土壤含水量预测设备,包括:存储器和处理器;
27、所述存储器,用于存储程序;
28、所述处理器,用于执行所述程序,实现如前所述的土壤含水量预测方法的各个步骤。
29、第四方面,提供了一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如前所述的土壤含水量预测方法的各个步骤。
30、借由上述技术方案,本申请配置的土壤含水量预测模型,包括resnet分支和lstm分支,进而通过resnet分支可以提取输入数据的空间高维局部特征,通过lstm分支可以提取时间序列特征,进而融合两种特征,基于融合特征来预测当前周期内土壤含水量。此外,对于模型的输入数据,同时考虑了多种维度的因素,如历史周期的土壤含水量及关联日期的气象因素数据,组合成输入数据,并按照日期进行整合,得到连续时间序列的输入矩阵。采用本实施例提供的模型可以处理多种不同影响因素间复杂的非线性关系,提升预测准确度。
31、此外,考虑土壤含水量的变化是一个时间序列的过程,为了有效考虑数据的时空特性,捕捉数据间的时间依赖性,本申请在模型中配置了lstm分支,能够提取时序特征,帮助更准确地预测土壤含水量。进一步,模型还融合了resnet分支,能够提取数据的空间高维局部特征,进一步可以提高土壤含水量预测的准确度和鲁棒性。
32、在模型的输入数据上,本申请解决了传统预测方法仅考虑历史土壤含水量而忽略了气象因素数据,通过添加与历史周期的土壤含水量相关联日期的气象因素数据,克服了传统方法的输入数据稀疏的问题,丰富了输入数据的种类,进而可以辅助更准确的预测土壤含水量。
1.一种土壤含水量预测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述输入数据还包括所述当前周期的气象预报数据。
3.根据权利要求1所述的方法,其特征在于,获取的目标土壤区域最近一个历史周期的土壤含水量包括:最近一个历史周期内多个不同土壤深度的土壤含水量;
4.根据权利要求1所述的方法,其特征在于,所述土壤含水量预测模型所包含的lstm分支包括双向长短期记忆神经网络bilstm。
5.根据权利要求4所述的方法,其特征在于,所述lstm分支还包括串联在所述bilstm之后的attention模块,由所述attention模块和所述bilstm组成bilstm-attention模型结构。
6.根据权利要求1所述的方法,其特征在于,所述土壤含水量预测模型训练过程,利用所述目标土壤区域的历史周期的土壤含水量及关联日期的气象因素数据作为训练样本,并以所述历史周期之后的一个周期的土壤含水量为样本标签训练得到。
7.根据权利要求6所述的方法,其特征在于,所述训练样本及样本标签的获取过程,包括:
8.根据权利要求7所述的方法,其特征在于,所述训练样本还包括:所述后一滑窗对应时间周期的气象预报数据。
9.根据权利要求7所述的方法,其特征在于,所述预处理操作包括:
10.一种土壤含水量预测装置,其特征在于,包括:
11.一种土壤含水量预测设备,其特征在于,包括:存储器和处理器;
12.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1~9中任一项所述的土壤含水量预测方法的各个步骤。