[发明专利]基于机器学习和观测数据的土壤侵蚀模数计算方法及系统

说明书

本发明公开了一种基于机器学习和观测数据的土壤侵蚀模数计算方法及系统，方法包括：1)收集数据；2)计算因子；3)计算模数；4)训练模型；5)使用模型；6)验证精度。本发明采用机器学习方法，利用野外水土流失的观测值和土壤侵蚀模数，进行模型训练；分别对土壤侵蚀因子和土壤侵蚀模数进行校正，进而获取高精度的土壤侵蚀模数。该方法能提高土壤侵蚀模数的精度，使土壤侵蚀估算更精准。

技术领域

本发明属于水土保持和生态环境监测领域，涉及一种土壤侵蚀模数计算方法及系统，具体涉及一种基于机器学习和野外观测数据的土壤侵蚀模数高精度计算方法及系统。

背景技术

精确模拟区域的水土流失量，对监测并控制水土流失有重要的科学价值。基于土壤侵蚀方程(Soil Loss Equation,SLE)和GIS、RS技术，获取各土壤侵蚀因子，研究土壤侵蚀模数、侵蚀量、侵蚀强度的时空演变特征是土壤侵蚀常用的研究方法。但SLE算得的土壤侵蚀模数严格来说，仅是一个模拟值，不能充分表征土壤侵蚀对生态环境的胁迫性，特别是不能精准地对土壤侵蚀的风险进行有效评估，精确度仍有提高的空间。

在机器学习领域，人工神经网络技术(artificial neural network,ANN)具有并行处理、自组织学习能力、高度映射分类和计算能力，特别适用于地理模式识别、地理过程模拟与预测、复杂地理系统的优化计算等问题的研究，其中BP网络模型(back-propagationnetwork)技术成熟，应用广泛；随机森林回归算法(random forest regression,RFR)对解决回归问题有极强的优势，可基于使用训练集的估计模型来预测响应变量。同时，RFR算法提供了回归精度(out-of-bag error,OOB误差)和各变量相对重要性的内部度量，支持变量贡献的定性分析，为理解模型复杂关系提供了有用的信息。

发明内容

本发明的目的在于提供一种基于机器学习与野外观测数据的土壤侵蚀模数高精度计算方法及系统，旨在提高土壤侵蚀模数的精度。

本发明的方法所采用的技术方案是：一种基于机器学习和观测数据的土壤侵蚀模数计算方法，包括以下步骤：

步骤1：获取、预处理土壤侵蚀因子有关数据；获取野外水土流失影响因子的观测值和野外水土流失观测值。

步骤2：利用步骤1中预处理后的土壤侵蚀因子有关数据，计算得到各土壤侵蚀因子图层。

步骤3：利用步骤2计算的各土壤侵蚀因子图层，运用土壤侵蚀方程，计算出理论的高分动态土壤侵蚀模数。

步骤4：构建土壤侵蚀模数回归模型；并运用机器学习方法，利用步骤1中获取的野外水土流失影响因子的观测值、野外水土流失观测值和步骤2中计算得到的土壤侵蚀因子图层、步骤3中计算得到的土壤侵蚀模数，进行土壤侵蚀模数回归模型训练，最后得到训练好的土壤侵蚀模数回归模型；

所述土壤侵蚀模数回归模型，由输入层、隐含层和输出层组成，各层之间实行全连接。输入层输入的样本向量为X_k＝(x₁,x₂,…,x_n)，k＝1,2,…,m，m为样本数，n为输入层的神经元数；n＝1时,输入变量分别为土壤侵蚀方程中的因子；n＝7时，输入变量为模拟的土壤侵蚀模数A；隐含层设置三层，每层包括隐含层节点输入与输出，并基于反向传播算法进行网络权值和阈值的更新；输出层输出Y_k＝(y₁,y₂,…,y_q),q为输出层的神经元数，这里q＝1；n＝1时，输出变量为与输入变量对应的野外水土流失影响因子的观测值；n＝7时，输出变量为与输入变量对应的野外水土流失观测值；

步骤5：将按步骤2计算得到的土壤侵蚀因子和步骤3计算得到的土壤侵蚀模数，分别代入训练好的土壤侵蚀模数回归模型中进行计算，最终获得高精度的土壤侵蚀模数。