[发明专利]基于EDC-LSTM模型的土壤湿度预测方法、装置及存储介质

说明书

本发明涉及数据处理技术领域，提供一种基于EDC‑LSTM模型的土壤湿度预测方法和电子设备，其中的方法包括：获取历史样本数据；其中，所述历史样本数据包括各预设历史时刻的土壤湿度、降水量以及大气温度；通过所述历史样本数据对预设的预测模型进行训练，以使所述预测模型达到预设精度；其中，所述预测模型包括第一数据处理层和第二任务预测层；通过输入时间步长内的输入数据基于达到预设精度的所述预测模型的第一数据处理层确定所述输入时间步长与预测时间步长之间的中间时间序列数据；基于所述输入数据以及所述中间时间序列数据通过所述第二任务预测层对预测时间步长内的待预测土壤湿度进行预测本。本发明提供的技术方案既能够解决传统的使用LSTM模型进行土壤湿度预测精度低的问题。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种基于EDC-LSTM模型的土 壤湿度预测方法、装置、电子设备及存储介质。

背景技术

土壤湿度是气候、水文和生态系统中的关键状态变量，土壤湿度的时空 变化对许多气象、气候学和水文应用至关重要，有助于提高对水、能源和碳 循环的认识，以及对极端气候的预测，土壤湿度的准确预测可以为许多实际 应用提供很大的帮助，例如生态系统管理和农业管理等。因此，准确的土壤 湿度预测可以为灾害响应、灌溉和其他科学应用提供重要的指导意义。

土壤湿度受许多因素的影响，例如，降水、土壤特性及地形等。同时， 土壤湿度的可预测性通常源于其自身的持久性或其他外部强迫因素，因此土 壤湿度预测具有很大的不确定性，且具有复杂的线性行为，使得对其进行精 准的预测变得相当困难。随着计算机技术及硬件的飞速发展，基于数据驱动 的方法为加速和提高土壤湿度预测提供了新的视角，深度学习模型具有较强的非线性学习能力，使其在地球科学领域中得到了广泛应用，模型可以在不 采用复杂物理过程的基础上，仅从驱动数据捕获内部模式，在没有准确的先验知识的情况下，提供更低的计算成本，并取得较好的预测性能。

人工神经网络模型具有很强的自学习能力，能够适应复杂的预测任务， 可以通过学习复杂的非线性函数将低级信息(原始输入)转化为更高级别的 特征，从而增强原始输入的表示，这对计算机科学和地球科学都具有重要的 意义。

土壤湿度预测可以视为时间序列预测的任务，前人的研究大多集中于基 于LSTM(LSTM，Long Short-Term Memory，长短期记忆网络)模型对土壤 湿度进行预测，然而传统的LSTM模型通过调整模型参数对模型进行优化，从 而最大限度地减少训练过程中的损失(土壤湿度预测值和观测值之间的差异)。然而，利用LSTM模型进行土壤湿度预测时，LSTM模型通常只关注接下来时 间步长的预测精度，忽略输入时间步长和预测时间步长之间的中间时间序列 数据，有可能导致模型出现过拟合，无法对复杂且不确定的时间序列数据进行建模，且深度学习模型随着层数的增加，只有少量的隐藏单元根据不同的 输入改变它们的激活值，而大部分隐藏单元对不同的输入都是相同的反应， 从而导致模型的准确率会下滑，、进而降低土壤湿度的预测精度。

基于此，亟需一种能够有效提升传统的使用LSTM模型进行土壤湿度预测 精度的方法。

发明内容

本发明提供一种基于EDC-LSTM模型的土壤湿度预测方法、装置、电子 设备以及存储介质，其主要目的在于解决传统的使用LSTM模型进行土壤湿度 预测精度低的问题。

为实现上述目的，本发明提供一种基于EDC-LSTM模型的土壤湿度预测 方法，该方法包括如下步骤：

获取历史样本数据；其中，所述历史样本数据包括各预设历史时刻的土 壤湿度、降水量以及大气温度；

通过所述历史样本数据对预设的预测模型进行训练，以使所述预测模型 达到预设精度；其中，所述预测模型包括第一数据处理层和第二任务预测层；

通过输入时间步长内的输入数据基于达到预设精度的所述预测模型的第 一数据处理层确定所述输入时间步长与预测时间步长之间的中间时间序列数 据；