基于多时空粒度数据融合的林地退化预测推演方法与流程

本发明涉及林地退化预测，特别是涉及一种基于多时空粒度数据融合的林地退化预测推演方法。

背景技术：

1、林地退化是指由于人类活动、气候变化等因素导致森林生态系统的衰退和恶化的过程。林地退化可能包括森林资源的过度采伐、土地的退化和贫瘠化、生物多样性的丧失以及水土流失等问题。通过对历史数据和趋势分析，可以帮助政府和相关机构了解和评估退化问题的严重性，识别退化风险高的地区，并制定相应的管理和保护措施，同时对于保护和管理森林资源、制定可持续发展策略具有重要意义。

2、在预测林地退化方面，研究人员通常采用遥感技术和地理信息系统(gis)等工具，结合历史观测数据和环境变量，分析森林生态系统的动态变化趋势，并建立预测模型。这些模型可以基于统计方法、机器学习或深度学习算法，利用已知的退化指标，如森林覆盖率、土壤侵蚀率、植被指数等，预测未来的林地退化情况。

3、现有技术缺点：影响林地退化的因素较多，现有的林地退化预测模型的预测结果不够精准。

技术实现思路

1、本发明提供的一种基于多时空粒度数据融合的林地退化预测推演方法，结合了多种林地退化影响因素，较大程度的提高了林地退化预测结果的准确度。

2、为达到上述目的，本发明提供的一种基于多时空粒度数据融合的林地退化预测推演方法，其关键是，包括以下步骤：

3、步骤1：数据采集：数据采集模块实时采集具有时间序列属性的各个空间尺度的林地相关数据a，并将所述林地相关数据a传送给预处理模块；

4、步骤2：数据预处理：数据预处理模块对所述林地相关数据a进行预处理操作，得到林地特征数据b，将所述林地特征数据b传递给基于多时空粒度数据融合的林地退化预测模型；

5、步骤3：数据划分：所述基于多时空粒度数据融合的林地退化预测模型的输入层将所述林地特征数据b划分为时间序列数据b1和特征序列数据b2，并将所述时间序列数据b1传递给时间注意力模块，将特征序列数据b2传送给特征注意力模块；

6、步骤4：数据注意力计算：所述时间注意力模块对时间序列数据b1进行注意力计算，得到时间注意权重矩阵c,并将其传递给哈达玛融合模块；所述特征注意力模块对特征序列数据b2进行注意力计算,得到特征注意权重矩阵d,并将其传递给哈达玛融合模块；

7、步骤5：注意权重矩阵融合：所述哈达玛融合模块将所述时间注意权重矩阵c和特征注意权重矩阵d进行哈达玛矩阵融合，得到具有权重的输入序列e，然后将所述输入序列e输入长短期记忆网络模块中；

8、步骤6：林地面积预测：所述长短期记忆网络模块对所述输入序列e进行l1正则化处理，得到林地面积预测结果fi，并传递给输出层；

9、步骤7：输出预测结果：所述输出层将所述林地面积预测结果fi与前一时期的林地面积预测结果fi-1进行比较，若fi<fi-1，则林地退化预测结果为有退化趋势，否则为无退化趋势。

10、通过上述设计，所述林地相关数据a包含了8种林地退化影响因素，同时为了更好的提高所述基于多时空粒度数据融合的林地退化预测模型预测结果的准确性，在长短期记忆网络模块的基础上引进了注意力机制，分别对时间序列数据b1和特征序列数据b2进行处理，提高了林地退化预测结果的准确度。

11、所述时间序列数据b1是指相同林地区域的不同时间点上收集到的数据，而特征序列数据b2是指林地区域在同一时间点上收集到的不同特征数据。通过时间序列的处理，可以考虑到林地变化的趋势和周期性，通过特征序列的处理，可以捕捉到不同特征之间的相关性和权重。

12、对时间序列数据b1和特征序列数据b2分别进行注意力计算，注意力计算是一种机制，用于给不同序列中的元素分配权重，以便更关注与预测结果相关的元素。通过计算注意力矩阵，并将两个注意力矩阵进行融合，可以得到具有权重的输入序列。这样，可以为不同时间点和特征提供不同的重要性，以提高模型的准确性。

13、作为优选：在所述步骤1中，所述林地相关数据a包括区域林地树木密度数据、区域林地树木种类数据、温度数据、月降雨量数据、归一化植被指数、植被覆盖率数据、土壤湿度数据、区域是否发生过干旱，若发生过干旱记为1，未发生过干旱记为0。

14、林地相关数据a收集的多样性可以提供丰富的信息，以便更准确地预测林地面积的变化。

15、作为优选：在所述步骤2中，所述预处理操作包括但不限于去除噪声、数据清洗、填补缺失值和标准化数据。

16、所述数据清洗为清除明显偏离正常范围的异常数据，所述填补缺失值为使用前后的均值对缺失值进行补充。所述林地相关数据a为8类输入参数，这8类输入参数的单位不同，数据量纲也不同，因此需要将各类输入参数分别进行归一化处理，以消除量纲影响，确保数据质量和可用性，即标准化数据。

17、作为优选：在所述步骤6中，所述长短期记忆网络模块包含依次连接的三层长短期记忆网络lstm，每层长短期记忆网络lstm对输入数据进行l1正则化处理。

18、所述长短期记忆网络lstm能够根据重要程度自适应的选择最重要的输入特征，并且能够捕捉到较长时间跨度的时间序列之间的依赖关系，并输出林地面积预测结果。

19、作为优选：所述基于多时空粒度数据融合的林地退化预测模型通过以下训练得到：

20、步骤s1：数据采集模块采集具有时间序列属性的各个空间尺度的林地相关数据a，并数据预处理模块对采集到的林地相关数据a进行预处理操作，得到林地特征数据b，将所述林地特征数据b划分为训练集数据和测试集数据，并对所述训练集数据和测试集数据分别进行归一化处理；

21、步骤s2：构建基于多时空粒度数据融合的林地退化预测模型，所述基于多时空粒度数据融合的林地退化预测模型包括输入层，和与输入层相连接的时间注意力模块和特征注意力模块，所述时间注意力模块和特征注意力模块的输出端连接哈达玛融合模块的输入端，所述哈达玛融合模块的输出端依次连接长短期记忆网络模块和输出层，所述输出层输出林地退化预测结果；

22、步骤s3：使用训练集数据对所述基于多时空粒度数据融合的林地退化预测模型进行训练，优化模型权重参数；

23、步骤s4：使用测试集数据测试所述基于多时空粒度数据融合的林地退化预测模型的训练结果，并采用性能指标评估模型性能。

24、在所述步骤s1中，由于选取的8类输入参数的单位不同，数据量纲也不同，因此在将数据输入基于多时空粒度数据融合的林地退化预测模型前，首先要对各类输入参数分别进行归一化处理，以消除量纲影响，确保数据质量和可用性。本数据集采用的归一化策略为min-max归一化。本文在对训练集数据进行归一化之后，使用训练集数据的max参数和min参数对测试集数据进行归一化，以防止基于多时空粒度数据融合的林地退化预测模型获取到测试集数据的分布信息。

25、通过上述设计，使用训练集数据训练优化模型权重参数，使用验证集数据验证模型训练结果，并采用性能指标评估模型性能，确保基于多时空粒度数据融合的林地退化预测模型预测结果的精准度。

26、作为优选：在所述步骤s3中，使用训练集数据对所述基于多时空粒度数据融合的林地退化预测模型进行训练的过程中，使用adam算法作为优化器，以均方误差作为林地退化预测模型的损失函数。

27、使用adam算法作为优化器能够快速、准确地最小化损失函数，提高深度神经网络的训练效果和泛化能力。

28、作为优选：在所述步骤s4中，使用平均绝对误差mae、均方根误差rmse、决定系数r2这3种指标作为性能指标评估标准。

29、所述平均绝对误差mae、均方根误差rmse和决定系数r 2的计算公式如下：

30、

31、

32、

33、其中yi表示真实数据值，表示模型预测值，表示真实数据值的均值，n表示样本个数，i表示第i个样本。

34、所述平均绝对误差mae和均方根误差rmse的值越小，表明模型的性能越好，所述决定系数r 2的取值范围为(0,1)，决定系数r 2的值越大，表明模型预测偏差越小，模型预测的准确性越高，性能越好。

35、本发明的有益效果是：结合了多种林地退化影响因素，并在长短期记忆网络模块的基础上引进了注意力机制，分别对时间序列数据b1和特征序列数据b2进行处理，提高了林地退化预测结果的准确度。