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技术

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，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；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；步骤8：获得土壤重金属空间分布图。本发明专利技术的目的是提供一种利用深度极限学习机DELM来对土壤重金属浓度空间进行预测的方法，以提高土壤重金浓度空间预测的精度，进而为更好的进行土壤重金属污染防治做准备。进行土壤重金属污染防治做准备。进行土壤重金属污染防治做准备。

【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非线性的。所以，建立非线性的机器学习模型来预测土壤重金属空间分布是很有必要的。

技术实现思路

[0004]本专利技术的目的是提供一种利用深度极限学习机DELM来对土壤重金属浓度空间进行预测的方法，以提高土壤重金浓度空间预测的精度，进而为更好的进行土壤重金属污染防治做准备。
[0005]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，它包括以下步骤：
[0006]步骤1：确定研究区域内的调查网格；
[0007]步骤2：在研究区域内采集土壤样品；
[0008]步骤3：测定采集的土壤样品重金属浓度；
[0009]步骤4：确定所需多源辅助变量；
[0010]步骤5：筛选多源辅助变量；
[0011]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；
[0012]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；
[0013]步骤8：获得土壤重金属空间分布图。
[0014]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。
[0015]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；
[0016]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。
[0017]在步骤6中，深度极限学习机DELM的表达式为：
[0018]x
l
＝β
·
g(w，b，x
l
‑1)
[0019]隐藏层输出权重为：
[0020][0021]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。
[0022]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，以获得改进后的深度极限学习机DELM土壤重金属空间预测模型；具体包括以下步骤：
[0023](1)随机初始化金枪鱼种群的位置X
i，j
，(i＝1，2，...，D，j＝1，2，...，M作为初始种群NP，其中，M表示金枪鱼的数量，D表示输入辅助变量的维度；
[0024](2)根据反向学习策略方法构建初始种群NP的反向种群OP；再合并种群NP和种群OP；
[0025](3)通过公式(1)计算经过DELM网络训练的均方根误差，作为适应度函数选取M个适应度值高的个体作为初始种群；
[0026][0027]其中，y
i
为深度极限学习机DELM训练的土壤重金属浓度预测值，t
i
为土壤重金属浓度的实际值，N为训练样本数。
[0028](4)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、搜索空间的上界ub、下界lb；
[0029][0030]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；
[0031](5)分配自由参数a和z；
[0032](6)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；
[0033](7)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；
[0034](8)判断当前迭代次数t是否达到最大迭代次数；若达到，则执行步骤(10)，否则执行步骤(9)；
[0035](9)计算当前最佳个体位置更新：若rand<z，则返回步骤(1)重新初始化，否则通过金枪鱼群的两种觅食策略进行合作狩猎。若rand<0.5，则利用金枪鱼螺旋觅食策略来更新当前最佳个体位置，
[0036][0037][0038][0039][0040][0041]其中，是第t+1次迭代的第i个个体，是当前最佳个体，是是搜索空间中随机生成的参考点，α1是控制个体向最佳个体移动趋势的权重系数，α2是控制个体向前一个个体移动趋势的权重系数，a是一个常数，用于确定金枪鱼在初始阶段跟随最佳个体和前一个体的程度，β为金枪鱼在初始阶段跟随最佳个体和前一个体的程度，t表示当前迭代次数，t
max
表示最大迭代次数，b是均匀分布在0到1之间的随机数。
[0042]否则，选择金枪鱼抛物线觅食策略更新当前最佳个体位置，当前迭代次数t＝t+1，再根据公式(1)更新金枪鱼群的适应度值，与当前最佳个体进行比较，若优于当前最佳个体则更新，否则执行步骤(8)；
[0043][0044][0045]其中，TF是一个值为1或
‑本文档来自技高网...

【技术保护点】

【技术特征摘要】
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

【专利技术属性】
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：