[发明专利]一种基于LSTM深度学习模型的土壤墒情预测方法

说明书

本发明公开了一种基于LSTM深度学习模型的土壤墒情预测方法，首先收集目标农田的一段时间内的土壤理化及气象数据；将收集到的数据进行预处理后分为训练样本集和测试样本集；构建LSTM深度学习模型，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；将收集的数据输入土壤墒情预测模型，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。本发明使用深度学习方法对土壤墒情进行预报，节约了人力物力，能够真实的反映前期数据对后期结果的影响，充分体现了时序性特征。

技术领域

本发明涉及土壤墒情预测方法领域，具体是一种基于LSTM深度学习模型的土壤墒情预测方法。

背景技术

我国是一个干旱缺水严重的国家，人均水资源量只有世界平均水平的1/4，是全球人均水资源最贫乏的国家之一。在农业生产过程中实施精准灌溉可以有效节约水资源、促进农作物生长。但农田灌溉往往存在着灌溉不充分和灌溉过剩的现象，灌溉不充分导致作物生长受阻，产量低下，而灌溉过剩则易使作物根系发育不良，出现作物死亡的现象，导致水资源利用率降低，无法达到高产的目的。因此，建立土壤墒情预测模型，开展土壤墒情的预测可以有效解决灌溉不充分和灌溉过剩的问题，是实现农田精准灌溉的主要技术手段。土壤墒情预测模型根据农田气象数据、土壤理化数据和过去的土壤含水量预测未来某一时刻的土壤含水量，以此确定灌溉水量的多少，从而达到高产稳产的作用。目前还没有成熟的技术方法对土壤墒情进行有效预测，建立泛化能力强、预报准确率高的土壤墒情预测模型，实施土壤墒情的准确预测是农业精准生产需要解决的重要问题之一。2016年文献《基于气象因子的启东市土壤墒情预报研究》(安徽农业科学,2016,44(34):174-176)提出了利用逐步回归方法，分别分析启东市2011—2014年的土壤表墒、底墒与同时期的气象因子(降水量、温度、湿度、日照、风)的相关性，筛选出影响土壤墒情的关键气象因子，并结合经验公式法建立土壤墒情预报模型。结果表明，影响启东市土壤墒情的气象因子主要是降水量、日照和气温,由此建立的预报模型预报未来30d内土壤墒情的平均相对误差在5％以内，检验效果理想，说明利用该模型可以较为准确地预报未来30d内土壤墒情，并用于指导农业生产。

2017年文献《基于BP神经网络的土壤墒情预测精度研究——以肥东县为例》(土壤通报,2017,48(02):292-297)。提出采用BP神经网络用于对土壤墒情进行预测，其主要思路选取其中对土壤水分影响较为显著的平均气温、平均湿度、辐射量、降雨量作为模型输入样本，建立网络模型。另外，时段初的土壤含水量对时段末的土壤墒情有很大影响，所以时段初土壤含水量也将作为模型的输入样本。

专利《一种基于墒情指数的土壤墒情预报方法》(申请号：N201810457976.X),该方法所用的模型是经过多年野外实验研究提出的半经验半理论模型，具有参数简单易得，便于实际应用的特点。该方法提出以失墒敏感层实测土壤含水量来计算作物根系发育层土壤墒情指数，依次进行20cm和50cm土层实测含水率计算、50cm土层墒情指数计算、50cm土层墒情指数预测、20cm土层含水率预测、50cm土层含水率预测、灌水时间预测、灌水定额预测，实现了土壤墒情监测、预报、更新、灌水时间及灌水定额预测技术的标准化，构建了土壤墒情监测与预报信息系统，方便墒情信息查询、旱灾评估及风险管控，适用于广大的平原地区农田土壤墒情预报。

上述这些方法均实现了依据过去一段时间的土壤墒情变化情况来预测下一时刻的土壤墒情变化曲线。但是它们共同存在的问题是：构建模型时没有充分考虑到数据的时序性特征，泛化能力及预报准确率都有待提高。

发明内容

本发明的目的是提供一种基于LSTM深度学习模型的土壤墒情预测方法，以解决现有技术土壤墒情预测方法没有考虑数据时序性特征的问题。

为了达到上述目的，本发明所采用的技术方案为：

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：