基于物理过程的注意力编码解码LSTM模型的土壤湿度预测方法

本发明涉及土壤湿度预测，具体涉及一种基于物理过程的注意力编码解码lstm模型的土壤湿度预测方法。

背景技术：

1、土壤是一种自然材料，其特性在空间和时间上可能存在显著变化。传统机器学习模型在处理土壤湿度时序数据时通常不具备处理时间依赖性和捕捉长期依赖关系的能力，而深度学习模型则特别设计来处理这些挑战，能够更好地预测未来状态。深度学习模型能够学习复杂的非线性函数，将低级信息转化为高级特征，从而加强了原始数据的表示。在处理数据和特征提取方面灵活高效，能够自动处理数据缺失和噪声，同时从多个数据源中提取有效特征，如气象数据、土壤类型等，进一步提高了预测准确性。这些模型在土壤湿度预测中展现出出色的泛化能力，适用于不同地区、季节和土壤类型。

2、在水文学中，长短期记忆（lstm）架构尤其流行，在土壤湿度预测方面展现出了巨大的性能优势，代表了一次“性能的飞跃”。然而，尽管lstm模型在土壤湿度模拟中表现出了高准确性和泛化能力，但深度学习缺乏物理机制，这可能导致不符合物理规律的预测和虚假预测，其应用受到限制。

3、物理水文模型通常允许不同参数在空间上的变异性以及随时间变化的动态性，这对于捕捉由地理或季节变化引起的水文峰值和谷值非常关键。然而，它们通常需要大量的计算资源，并且可能无法准确捕捉复杂的非线性关系。相反，深度学习模型通过数据驱动的方式学习复杂的模式和关系，减少了计算需求。虽然深度学习模型可能缺乏对物理定律的理解，但它们在捕捉复杂的非线性关系方面表现出色。

4、当前土壤湿度预测模型的挑战在于有效处理土壤特性的时空变异性，并整合物理过程与数据驱动模型以提高预测精度。尽管深度学习模型，特别是lstm及其变体，在处理时间序列和长期依赖方面表现出色，但它们通常无法直接编码物理过程，可能导致预测结果与实际物理规律不符。

技术实现思路

1、为了解决上述背景技术中存在的技术问题，本发明提供了一种基于物理过程的注意力编码解码lstm模型的土壤湿度预测方法，包括：

2、获取各历史时刻的表层土壤湿度值及其影响要素，所述影响要素包括大气强迫变量、陆面变量及静态变量；

3、将部分所述影响要素输入hbv水文物理模型并运行，以获取中间变量数据；

4、将所述中间变量数据与所述表层土壤湿度之间进行相关性分析，选出与所述表层土壤湿度最相关的中间特征变量组合；

5、将所述影响要素及所述中间特征变量组合作为输入数据，对预设的基于注意力的编码解码lstm模型进行训练，以使模型达到预设精度，得到训练好的土壤湿度模型；

6、通过训练好的土壤湿度模型，预测未来时刻的表层土壤湿度。

7、作为本发明的进一步说明，所述大气强迫变量包括两米温度、10米东西分量风速、10米南北分量风速、降水量、地面气压、比湿；

8、所述陆面变量包括体积土壤水层、地面太阳辐射、地面热辐射、土壤温度和蒸发量；

9、所述静态变量包括土壤含水量、粘土、沙子、淤泥以及从海拔数据dem。

10、作为本发明的进一步说明，输入所述hbv水文物理模型的所述影响要素为大气强迫变量中的两米温度、降水量及陆面变量中的蒸发量数据。

11、作为本发明的进一步说明，所述中间变量数据为积雪融化、重凝结、土壤湿度含量、补给水量、透入土壤水量、浅层含水层和深层含水层数据。

12、作为本发明的进一步说明，所述中间特征变量组合为土壤湿度含量和深层含水层数据。

13、作为本发明的进一步说明，所述相关性分析包括皮尔逊相关系数计算和随机森林重要性分析。

14、作为本发明的进一步说明，所述皮尔逊相关性系数的计算公式如下：

15、；

16、其中，和  分别表示两个变量的第i个观测值，  和  分别表示两个变量的平均值，∑表示求和运算。

17、作为本发明的进一步说明，将所述影响要素及所述中间特征变量组合作为输入数据，对预设的基于注意力的编码解码lstm模型进行训练，以使模型达到预设精度，包括：

18、将所述影响要素及所述中间特征变量组合数据划分为训练集、验证集及测试集；

19、通过所述训练集对所述预设的基于注意力的编码解码lstm模型进行模型训练；

20、通过所述验证集对训练后的土壤湿度模型进行验证；

21、通过所述测试集对验证后的土壤湿度模型进行测试，以确保所述土壤湿度模型达到预设精度。

22、作为本发明的进一步说明，所述基于注意力的编码解码lstm模型的训练过程，具体包括：

23、将所述影响要素及所述中间特征变量组合作为输入数据经过编码器lstm层处理，使所述编码器有效提取输入数据中的时空特征表示，并将其转换为固定维度的隐藏状态；

24、利用多头注意力层对所述编码器的输出进行加权处理，突出关键特征，并建立特征之间的有效交互关系；

25、通过全连接层对注意力加权的输出数据进行线性变换，进一步整合和转换特征表示；

26、将所述输出数据经过解码器lstm层处理，利用编码器的隐藏状态信息和先前的预测结果，逐步生成输出序列，并对输出数据进行随机丢弃；

27、通过全连接层对最后一个时间步的输出进行线性变换，得到最终的解码器输出结果。

28、作为本发明的进一步说明，所述基于注意力的编码解码lstm模型的参数设置如下：学习率设置为0.001、隐藏单元大小为128、批次大小为64、训练周期为1000、迭代次数为400、丢弃率为0.15、多头注意力机制的头设置为2、序列长度为365天。

29、与现有技术相比，本发明具有以下有益的技术效果：

30、本发明提出了一种aedlstm（hbv）模型，这是一个结合了深度学习和基于物理的方法来预测全球土壤湿度的满足灵活性和可扩展性基本要求的创新模型。模型首先利用来自hbv水文物理模型的中间特征，这些特征作为模型训练的数据，以提高预测的准确性。接着，模型采用了基于注意力的编码解码lstm结构，增强了对水文过程特征的表达能力，特别是在处理极端气候地区土壤湿度预测的敏感性和的精确性上，显示出优于传统深度学习模型的性能。这种方法展示了深度学习与物理模型结合的强大潜力，为高效、准确的水文模型提供了新的方向。

31、本技术方案的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术方案而了解。本技术方案的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。

32、下面通过附图和实施例，对本技术方案的技术方案做进一步的详细描述。

技术特征：

1.一种基于物理过程的注意力编码解码lstm模型的土壤湿度预测方法，其特征在于，包括：

2.如权利要求1所述的基于物理过程的注意力编码解码lstm模型的土壤湿度预测方法，其特征在于，所述大气强迫变量包括两米温度、10米东西分量风速、10米南北分量风速、降水量、地面气压、比湿；

3.如权利要求2所述的基于物理过程的注意力编码解码lstm模型的土壤湿度预测方法，其特征在于，输入所述hbv水文物理模型的所述影响要素为大气强迫变量中的两米温度、降水量及陆面变量中的蒸发量数据。

4.如权利要求3所述的基于物理过程的注意力编码解码lstm模型的土壤湿度预测方法，其特征在于，所述中间变量数据为积雪融化、重凝结、土壤湿度含量、补给水量、透入土壤水量、浅层含水层和深层含水层数据。

5.如权利要求4所述的基于物理过程的注意力编码解码lstm模型的土壤湿度预测方法，其特征在于，所述中间特征变量组合为土壤湿度含量和深层含水层数据。

6.如权利要求1所述的基于物理过程的注意力编码解码lstm模型的土壤湿度预测方法，其特征在于，所述相关性分析包括皮尔逊相关系数计算和随机森林重要性分析。

7.如权利要求6所述的基于物理过程的注意力编码解码lstm模型的土壤湿度预测方法，其特征在于，所述皮尔逊相关性系数的计算公式如下：

8.如权利要求1所述的基于物理过程的注意力编码解码lstm模型的土壤湿度预测方法，其特征在于，将所述影响要素及所述中间特征变量组合作为输入数据，对预设的基于注意力的编码解码lstm模型进行训练，以使模型达到预设精度，包括：

9.如权利要求8所述的基于物理过程的注意力编码解码lstm模型的土壤湿度预测方法，其特征在于，所述基于注意力的编码解码lstm模型的训练过程，具体包括：

10.如权利要求8所述的基于物理过程的注意力编码解码lstm模型的土壤湿度预测方法，其特征在于，所述基于注意力的编码解码lstm模型的参数设置如下：学习率设置为0.001、隐藏单元大小为128、批次大小为64、训练周期为1000、迭代次数为400、丢弃率为0.15、多头注意力机制的头设置为2、序列长度为365天。

技术总结本发明提供了一种基于物理过程的注意力编码解码LSTM模型的土壤湿度预测方法，包括：获取各历史时刻的表层土壤湿度值及其影响要素，影响要素包括大气强迫变量、陆面变量及静态变量；将部分影响要素输入HBV水文物理模型并运行，以获取中间变量数据；将中间变量数据与表层土壤湿度之间进行相关性分析，选出与表层土壤湿度最相关的中间特征变量组合；将影响要素及中间特征变量组合作为输入数据，对预设的基于注意力的编码解码LSTM模型进行训练，以使模型达到预设精度，得到训练好的土壤湿度模型；通过训练好的土壤湿度模型，预测未来时刻的表层土壤湿度。本发明展示了深度学习与物理模型结合的强大潜力，为高效、准确的水文模型提供了新的方向。技术研发人员：李清亮,金小淳,洪建,祁彦龙,武穆杰,李叶光,陈霄,晏俞光,上官微,魏忠旺,李璐受保护的技术使用者：长春师范大学技术研发日：技术公布日：2024/11/14