[发明专利]一种基于LSTM深度学习模型的土壤墒情预测方法

权利要求书

1.一种基于LSTM深度学习模型的土壤墒情预测方法，其特征在于：包括以下步骤：

(1)、收集目标农田的一段时间内的土壤理化及气象数据；

(2)、将步骤(1)收集到的土壤理化及气象数据进行预处理，然后再将预处理后的数据按比例划分为训练样本集和测试样本集；

(3)、构建LSTM深度学习模型，所述LSTM深度学习模型具有一个输入层、二十五个隐藏层和一个输出层，通过训练样本集对LSTM深度学习模型进行训练以得到调参后的LSTM深度学习模型，再通过测试样本集对调参后的LSTM深度学习模型进行验证，最终以验证后的LSTM深度学习模型作为土壤墒情预测模型；

(4)、将步骤(1)收集的土壤理化及气象数据作为土壤墒情预测模型的输入，通过土壤墒情预测模型对土壤理化及气象数据进行处理，最终由土壤墒情预测模型输出未来时刻的土壤墒情预测结果。

2.根据权利要求1所述的一种基于LSTM深度学习模型的土壤墒情预测方法，其特征在于：步骤(1)中，采用线性插值法修补所收集的土壤理化及气象数据的缺失数据，其中线性插值法的公式如下：

公式(1)中，i与j分别表示第i时刻与第j时刻值，要求0ij；x_k和x_k+j分别是k时刻与k+j时刻采集的土壤理化及气象数据，x_k+i为k+i时刻时丢失的土壤理化及气象数据。

3.根据权利要求1所述的一种基于LSTM深度学习模型的土壤墒情预测方法，其特征在于：步骤(2)中的预处理为归一化预处理，归一化预处理后将其中85％的数据作为训练样本集，15％的数据作为测试样本集，归一化预处理的公式为

通过对所收集到的数据进行归一化预处理，使收集的数据值的映射区间为[0,1]，归一化预处理的公式中，x为原始数据，x_max，x_min分别为原始数据中的最大值与最小值，x_now为归一化处理之后的结果数据；

通过归一化预处理以消除指标之间的量纲影响，解决数据指标之间的可比性，原始数据经过预处理后，各指标处于同一数量级，有助于模型的构建。

4.根据权利要求1所述的一种基于LSTM深度学习模型的土壤墒情预测方法，其特征在于：步骤(3)中，构建的LSTM深度学习模型的网络结构为(7，25，1)，LSTM深度学习模型中的每个隐藏层分别采用具有三个门的LSTM单元，该LSTM单元的三个门分别是遗忘门、输入门和输出门，通过三个门结构共同完成对状态的更新并且输出目标值，隐藏层的数据处理过程如下：

遗忘门确定遗忘信息的程度，首先读取h^(t-1)和x^(t)以对数据进行筛选处理，其中h^(t-1)表示的是上一个记忆细胞的输出，x^(t)表示的是当前细胞的输入，如公式(2)所示：

f^(t)＝σ(W_f·[h^(t-1),x^(t)]+b_f) (2)，

公式(2)中，W_f是权重项，b_f是偏置项，f^(t)是信息的遗忘程度，σ为sigmoid函数，取值为[0,1]之间，sigmoid函数输出一个在0到1之间的数值用于细胞状态C^(t)的更新，其中1表示为完全保留信息，0表示完全舍弃此节点数据；

输入门确定新的信息添加到隐藏节点中，其中C^(t-1)是上一时刻的细胞状态，定义i^(t)为确定更新的信息，完成信息添加需要包括两个步骤：首先，通过一个输入门的sigmoid函数决定哪些信息需要更新；其次，通过一个tanh层生成一个向量，也就是备选的用来更新的内容a^(t)，把这两部分联合起来，对细胞的状态进行一个更新，如公式(3)、(4)所示：

i^(t)＝σ(W_i·[h^(t-1),x^(t)]+b_i) (3)，

a^(t)＝tanh(W_c·[h^(t-1),x^(t)]+b_a) (4)，

公式3中，σ为sigmoid函数，W_i为权重项，h^(t-1)是上一时刻最终输出的部分，x^(t)为当前细胞的输入，b_i是偏置项；

公式4中，tanh为tanh函数，W_c为权重项，h^(t-1)是上一时刻最终输出的部分，x^(t)为当前细胞的输入，b_a是偏置项；

公式(4)中更新旧细胞状态时，将上一时刻更新的内容a^(t-1)更新为此刻更新的内容a^(t)，把上一时刻的细胞状态C^(t-1)与遗忘门中的f^(t)相乘，并加上i^(t)*a^(t)，达到更新细胞状态的作用，如公式(5)所示：

C^(t)＝f^(t)*C^(t-1)+i^(t)*a^(t) (5)，

公式(5)式中，*表示Hadamard积，即表示矩阵对应位置的乘积，C^(t-1)为上一时刻的细胞状态，a^(t)为新的内容，C^(t)为新的记忆状态；

输出门确定输出项，首先基于记忆细胞状态，运行一个sigmoid函数以确定记忆细胞的哪些信息将输出；其次，把记忆细胞状态通过tanh进行处理，得到一个介于-1到1之间的值，并将该值和输出门的输出相乘，如公式(6)和公式(7)所示：

公式(6)中，o^(t)为输出哪些信息，h^(t-1),x^(t)表示为上一时刻的输出与此刻输入，W_o为权重项，b_o为偏置项；

公式(7)中h^(t)为最终输出的部分，将式(6)中得到的o^(t)再乘以当前新的记忆状态通过tanh函数的值，达到记住序列长期依赖的信息的效果。