[发明专利]一种基于深度学习注意力机制的GEP驱动因子研究方法

说明书

本发明涉及深度学习技术领域，具体涉及一种基于深度学习注意力机制的GEP驱动因子研究方法，包括利用数据，基于GEP数学模型构建GEP指标并完成空间化数据库；建立经济增长、生态保护、资源利用率和自然环境的驱动因子空间数据库；引入Attention向量，对四个方面驱动因子及网络中的隐层特征赋予不同的权重，并在训练过程中对该权重进行学习，得到各个驱动因子对于模型学习的重要性程度，达到解效果；建立驱动因子与GEP之间的定量关系；本发明利用深度学习很好地解决利用低中高分辨率遥感影像的精度和费用问题；通过赋予不同的权重，抽取出更加关键及重要的信息；该方法实现区域生态环境保护的连年观测和精准经营作业。

技术领域

本发明涉及深度学习技术领域，具体涉及一种基于深度学习注意力机制的GEP驱动因子研究方法。

背景技术

生态系统生产总值(Gross Ecosystem Product，GEP)是一套与国内生产总值(Gross Domestic Product，GDP)相对应的、能够衡量生态良好的统计与核算体系，对其的构建和驱动因子研究国内都还处于探索阶段，具体表现在：

(1)我国首个生态系统生产总值(GEP)机制于2013年2月25日在内蒙古库布其沙漠实施，以该项目为例，如果沿用GDP核算，20年让5000多平方公里的沙漠变成了绿洲的总投入达到了100多亿元，但它的产出只有3.2亿元，但是如果用GEP来核算，包括大气调节、土地涵养等多种功能，它的总价值达到了305.91亿元。

(2)因为多种类型的服务以复杂而动态的方式相互关联，对GEP的驱动因子研究并不充分，现有技术方法，还是主要通过利用方差分析、皮尔逊相关性检测、回归分析、GeoDetector和PCA等统计分析方法进行驱动因子分析，但传统的评估和分析方法在描述复杂生态系统中的连续和定量规则时通常效率不高；

(3)使用多层次神经网络等深度学习方法研究GEP的驱动因子，其网络模型搭建较为简单，网络模型的结构和结果也不具有可解释性。

(4)遥感技术、地理信息系统以及深度学习的可解释性机制，为空间数据的驱动因子研究提供了大量的数据基础和技术支持，特别是可解释性机制中的注意力机制，这种方法可以很直观并准确地体现出在特征层面的重要性程度，从而为模型的可解释性上有一定的贡献。

发明内容

本发明所要解决的技术问题是：提供一种针对GEP驱动因子研究不充分的现状，为了克服深度学习端到端黑匣子的特征，充分利用遥感、深度学习注意力机制等优势资源和技术的基于深度学习注意力机制的GEP驱动因子研究方法。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于深度学习注意力机制的GEP驱动因子研究方法，包括

利用数据，基于GEP数学模型构建GEP指标并完成空间化数据库；

依据各自权重，建立经济增长、生态保护、资源利用率和自然环境共四个方面的驱动因子空间数据库；

在深度学习中引入Attention向量，对四个方面所述驱动因子及网络中的隐层特征赋予不同的权重，并在训练过程中对该权重进行学习，得到各个驱动因子对于模型学习的重要性程度，从而达到解释GEP的效果；

建立驱动因子与GEP之间的定量关系。

本发明的有益效果在于：充分利用深度学习、地理信息系统，能很好地解决利用低中高分辨率遥感影像的精度和费用问题，提高了效率，降低了成本；深度学习注意力机制通过帮助模型对输入的X每个部分赋予不同的权重，抽取出更加关键及重要的信息；可获取互联网上高精度、近实时、近免费的GIS、RS、GPS、气象、水文管理等数据，利用该方法实现区域生态环境保护的连年观测和精准经营作业。

附图说明