[发明专利]一种基于机器学习算法的土壤水分预测方法

权利要求书

1.一种基于机器学习算法的土壤水分预测方法，其特征在于，所述的基于机器学习算法的土壤水分预测方法包括以下步骤：

步骤一：建立土壤水分数据及预测因子数据库：通过野外采样和备制获取土壤水分相关基础数据，基于ArcGIS平台建立土壤水分数据库；利用调查统计、遥感和地理信息系统获取多源数据集，收集土壤水分预测因子，建立土壤水分预测因子数据库；

步骤二：土壤水分模拟预测及时空特征检测：采用支持向量机、随机森林和BP神经网络算法在R语言环境下建立土壤水分预测模型；采用相关地统计分析方法对土壤水分进行综合评价和时空特征分析；

步骤三：通过交叉验证方法分析预测模型，通过精度指标，对交叉验证方法的精度进行评价；

步骤四：土壤水分预测因子重要性测定：通过方差分析、相关分析和逐步回归分析方法定量分析各个预测因子对土壤水分含量及土壤水分含量变化的影响。

2.如权利要求1所述的基于机器学习算法的土壤水分预测方法，其特征在于，所述步骤一中，土壤水分数据收集，新鲜土样水分的测定应做三份平行测定，取算术平均数；土壤相对含水量的计算如下：

水分(分析基)，

水分(干基)，

式中：m₀表示烘干空铝盒质量，单位克/g；m₁表示烘干前铝盒及土样质量，单位克/g；m₂表示烘干后铝盒及土样质量，单位克/g。

3.如权利要求1所述的基于机器学习算法的土壤水分预测方法，其特征在于，所述步骤一中，土壤水分预测因子收集，不同预测因子具有不同量纲，针对坡度、坡向地形因子采取分级统计均值定权法，NDVI采取像元线性拉伸。

4.如权利要求1所述的基于机器学习算法的土壤水分预测方法，其特征在于，所述步骤二中，BP神经网络，多层前馈数学模型为：

式中：为第l层第i个节点的输出值；为第l层第i个节点的激活值；为第l-1层第j个节点到第l层第i个节点的连接权值；为第l层第i个节点的阀值；N₁为第l层节点数；L为总层数；f(x)为神经元激活函数；

误差的反向传播阶段采用梯度递降算法，调整各层神经元之间的连接权值，使总的误差向减少的方向变化，数学表达式为:

(η为学习率)；

则权值调整为：

。

5.如权利要求1所述的基于机器学习算法的土壤水分预测方法，其特征在于，所述步骤二中，随机森林算法，表达式为：

其中，c1为D1数据集的样本输出均值，c2为D2数据集的样本输出均值；cart树的预测根据叶子结点的均值。

6.如权利要求1所述的基于机器学习算法的土壤水分预测方法，其特征在于，所述步骤二中，支持向量机；

一组训练数据集D＝{(x₁,y₁),…(x_l,y_l),x∈Rⁿ,y∈R}，l为样本数量，线性回归函数估计即利用训练集D在线性函数集合中估计回归函数：f(x,a)＝ωx+b

式中：c为惩罚系数，决定经验风险误差和模型复杂度之间的一种折中；为松弛因子，容许误差ε，b为偏置量，l为训练样本数，ω为权向量；通过构造Lagrange函数，得到原函数的对偶问题。

7.如权利要求1所述的基于机器学习算法的土壤水分预测方法，其特征在于，所述步骤三中，精度比较采用交叉验证法，包括：在所有样本数据中，每次去掉所有样本数据中一个样本数据点，用剩余的样本数据点来估测该点的值，通过比较实测值和预测值之间的差异验证空间插值的精度，作为选择最优半方差函数模型和插值方法的依据。

8.如权利要求1所述的基于机器学习算法的土壤水分预测方法，其特征在于，所述步骤三中，精度指标是通过把5项误差精度参数作为判断依据，分别为平均误差、均方根误差、平均标准误差、标准均方根误差和标准平均值。