【技术实现步骤摘要】
一种改进深度极限学习机的土壤重金属空间分布预测方法
[0001]本专利技术属于土壤重金属预测
,具体涉及一种土壤重金属空间分布预测方法。
技术介绍
[0002]在对土壤重金属的研究中,长时间以来,仅依靠少量采样点获得的土壤重金属污染信息十分有限,难以满足区域尺度土壤重金属污染的空间分布特征、污染程度和污染风险。随着地理信息系统技术与高精度遥感影像的快速发展,GIS技术为实现土壤重金属浓度空间可视化提供了技术支持,使得描述土壤重金属污染状况不再仅仅依赖简单的统计数值指标,数字化制图能够更直观地反映出区域空间上的污染状况。相关研究表明,农田土壤重金属的来源和扩散受多种环境因素综合影响。利用某些环境变量与土壤重金属之间的一定关系可以提高预测模型的预测精度。
[0003]目前相关研究中主要利用的是环境变量与目标土壤重金属的线性关系,然而土壤重金属与环境变量之间存在的更多的是复杂的非线性关系,如何衡量这种非线性关系,并且利用这种非线性关系提高土壤重金属的预测精度是目前存在的问题。重金属元素作为土壤的重要属性,为获取准确的土壤重金属浓度数据,通常需要对研究区域进行随机布局和采样,然后根据已知样点的土壤重金属数据及数据之间的复杂联系,选择恰当的空间预测模型对未知样点的土壤重金属空间分布进行预测。目前主要预测算法包括:地统计插值、线性回归和神经网络等。其中,地统计插值仅考虑空间自相关性,忽略了其他影响因素,而线性回归更多的是假设土壤重金属浓度和辅助变量之间的关系是线性的,实际应用中,土壤重金属浓度和辅助变量之间的关系是 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种改进深度极限学习机的土壤重金属空间分布预测方法,其特征在于,它包括以下步骤:步骤1:确定研究区域内的调查网格;步骤2:在研究区域内采集土壤样品;步骤3:测定采集的土壤样品重金属浓度;步骤4:确定所需多源辅助变量;步骤5:筛选多源辅助变量;步骤6:基于土壤重金属浓度数据和辅助变量数据构建深度极限学习机DELM,将训练集中的辅助变量数据作为深度极限学习机DELM的输入,将训练集中的土壤重金属弄浓度数据作为深度极限学习机DELM的输出;步骤7:用金枪鱼群优化算法优化所构建的深度极限学习机DELM;步骤8:获得土壤重金属空间分布图。2.根据权利要求1所述的方法,其特征在于,在步骤3中,所述重金属包括Pb、Cd、As、Cr、Hg其中的一种或多种。3.根据权利要求1所述的方法,其特征在于,在步骤4中,多源辅助变量包括地形因子辅助变量、遥感数据辅助变量、空间位置辅助变量、土壤属性辅助变量;在步骤5中,筛选多源辅助变量因子,探测各影响因子对土壤重金属元素的解释力。4.根据权利要求1所述的方法,其特征在于,在步骤6中,深度极限学习机DELM的表达式为:x
l
=β
·
g(w,b,x
l
‑1)隐藏层输出权重为:其中,x
l
‑1为第l
‑
1个隐藏层土壤重金属浓度数据的输出,x
l
为第l个隐藏层土壤重金属浓度数据的输出,β为输出权重,w为输入权重,b为隐藏层偏置值,g(
·
)为激活函数,H为隐藏层输出特征,C为正则化系数,I为单位矩阵,X为输入的辅助变量数据。5.根据权利要求4所述的方法,其特征在于,在步骤7中,通过金枪鱼群优化算法选取深度极限学习机DELM的输入权重w和隐藏层偏置值b置,以获得改进后的土壤重金属空间预测模型;具体包括以下步骤:(1)在搜索空间内随机初始化相关参数:反向学习策略初始化过的种群、最大迭代次数t
max
、当前迭代次数t、搜索空间的上界ub、下界lb;其中,是第i个个体的初始位置,ub和lb分别是搜索空间的上界和下界,NP是金枪鱼种群的数量,rand是一个均匀分布的[0,1]内的随机向量;(2)分配自由参数a和z;(3)根据步骤6,基于土壤重金属浓度数据和辅助变量数据构建深度极限学习机DELM,将训练集中的辅助变量数据作为深度极限学习机DELM输入,将训练集中的土壤重金属弄浓度数据作为深度极限学习机DELM输出;
(4)通过公式(1)计算经过深度极限学习机DELM训练的土壤重金属浓度预测值与训练样本土壤重金属浓度实际值的均方根误差,作为金枪鱼群适应度值fitness;其中,y
技术研发人员:任顺,肖配,任东,陆安祥,安毅,肖敏,张清,
申请(专利权)人:三峡大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。