一种基于极限学习机的土壤湿度预测方法技术

本发明专利技术公开了一种基于极限学习机的土壤湿度预测方法，包括输入数据，对数据进行预处理，将数据集划分为训练集和测试集；确定极限学习机神经网络的拓扑结构为层次型，层次型模型将神经网络分为输入层、隐含层和输出层，各层顺序连接，分别设置输入层、隐含层和输出层神经元的个数；对极限学习机神经网络进行初始化，随机产生输入层与隐含层间的连接权值及隐含层神经元的阈值；选择一个无限可微的函数作为隐含层的激活函数，计算得到隐含层输出矩阵；通过最小二乘法计算出隐含层和输出层间的连接权值；将获得的参数和测试数据样本输入极限学习机预测模型得到预测结果，对模型的预测性能进行评价。本发明专利技术有效地预测土壤湿度，预测精度较高。测精度较高。测精度较高。

【技术实现步骤摘要】
一种基于极限学习机的土壤湿度预测方法


[0001]本专利技术涉及土壤湿度预测
，特别是涉及一种基于极限学习机的土壤湿度预测方法。

技术介绍

[0002]随着我国智慧农业的发展，农作物的生产管理、农田节水灌溉、作物生长状态及物候监测等多领域应用需求，均需要高空间分辨率、高时间分辨率、高精度的土壤湿度信息。
[0003]传统的土壤湿度的可预测性通常源于其自身的持久性或其他外部强迫因素，因此土壤湿度预测具有很大的不确定性，且具有复杂的线性行为，使得对其进行精准的预测变得相当困难。虽然地面实测获取土壤湿度信息精度可靠，但采样成本高且时空尺度具有显著局限性，仅依靠地面采样实现“面”尺度连续监测并不现实。遥感传感器通过探测地表参量间接反演土壤湿度是目前获取“面”尺度的研究热点，但植被对土壤湿度变化的反应存在滞后性，且地表覆盖状况复杂，方法受到影响等局限性。
[0004]随着计算机技术及硬件的飞速发展，基于数据驱动的方法为加速和提高土壤湿度预测提供了新的视角，其中极限学习机(extreme learning machine)ELM是一种简单易用、有效的单隐层前馈神经网络SLFNs学习算法。2004年由南洋理工大学黄广斌副教授提出。传统的神经网络学习算法(如BP算法)需要人为设置大量的网络训练参数，并且很容易产生局部最优解。极限学习机只需要设置网络的隐层节点个数，在算法执行过程中不需要调整网络的输入权值以及隐元的偏置，并且产生唯一的最优解，因此具有学习速度快且泛化性能好的优点。还有人工神经网络模型具有很强的自学习能力，能够适应复杂的预测任务，可以通过学习复杂的非线性函数将低级信息(原始输入)转化为更高级别的特征，从而增强原始输入的表示，这对计算机科学和地球科学都具有重要的意义。
[0005]为此，本专利技术拟借助人工神经网络良好的函数模拟能力，考虑与土壤湿度相关的气象因子，以数据驱动的方式构建函数数量关系，基于训练得到预测模型实现数据的高精度土壤湿度的预测。

技术实现思路

[0006]本专利技术的目的是提供一种基于极限学习机的土壤湿度预测方法，利用神经网络提高模型预测精度，更好的解决土壤湿度预测的问题。
[0007]为实现上述目的，本专利技术提供了如下方案：
[0008]一种基于极限学习机的土壤湿度预测方法，包括以下步骤：
[0009]步骤1：输入数据，对数据进行预处理，将数据集划分为两部分，一部分为训练集，另一部分为测试集；
[0010]步骤2：确定极限学习机神经网络的拓扑结构为层次型，层次型模型将神经网络分为输入层、隐含层和输出层，各层顺序连接，分别设置输入层、隐含层和输出层神经元的个数；
[0011]步骤3：对极限学习机神经网络进行初始化，随机产生输入层与隐含层间的连接权值及隐含层神经元的偏差，权值代表神经元之间的连接强度，利用偏差可以更好地实现预测结果与数据的拟合。
[0012]步骤4：选择一个无限可微的函数作为隐含层的激活函数，计算得到隐含层输出矩阵；
[0013]步骤5：通过最小二乘法计算出隐含层和输出层间的连接权值；
[0014]步骤6：将获得的参数和测试数据样本输入极限学习机预测模型得到预测结果，并选取土壤湿度预测中常用的两种评价指标：均方误差MSE和决定系数R2，对模型的预测性能进行评价。
[0015]进一步地，所述步骤1具体包括，将数据分为训练集和测试集，训练集和测试集均包括输入数据和目标数据，其中输入数据包括降水量、蒸发量、温度、风速、地表温度、气压、土壤湿度，目标数据为土壤湿度。
[0016]进一步地，所述步骤3具体包括，随机产生输入权重w和隐层偏差b，且在训练过程中不需要重复迭代无需进行调整。
[0017]进一步地，所述步骤4具体包括，计算隐含层输出矩阵H＝g(x*w+b)。
[0018]进一步地，所述步骤5具体包括，计算输出层权重β＝H
+
T，H为隐含层的输出矩阵， H
+
为隐含层输出矩阵H的摩尔彭罗斯广义逆，T为训练数据的目标矩阵。
[0019]进一步地，所述步骤6具体包括，计算模型评价指标均方误差决定系数其中y
i
为土壤湿度预测值，t
i
为真实值，为土壤湿度真实数据的平均值。
[0020]本专利技术的有益效果是：本专利技术与现有技术相比，显著优点是：本专利技术基于极限学习机构建预测模型，该算法随机产生输入层与隐含层间的连接权值及隐层神经元的阈值，且在训练过程中不需要重复迭代计算，无需进行调整，只需要设置隐层神经元的个数，便可以获得唯一的全局最优解，与传统的训练方法相比，具有学习速度快、泛化性能好等优点。该专利技术实现数据集结合与土壤湿度相关的多个气象因子进行预测，解决各气象因子间复杂的非线性关系。借助神经网络良好的函数模拟能力完成土壤湿度的预测，对于智慧农业最终实现高产、优质农业有重要意义。
附图说明
[0021]图1为本专利技术的预测模型流程图；
[0022]图2为本专利技术实施的极限学习机模型原理图；
[0023]图3为本专利技术京津冀区域2021年预测值与真实值的对比图；
[0024]图4为本专利技术预测京津冀区域2022年1月2日每小时土壤湿度结果的决定系数折线图；
[0025]图5为本专利技术预测京津冀区域2022年1月2日每小时土壤湿度结果的均方误差折线图；
[0026]图6为京津冀2022年1月2日3时真实土壤湿度数据专题图；
[0027]图7为预测京津冀2022年1月2日3时土壤湿度结果专题图；
具体实施方式
[0028]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0029]本专利技术的目的是提供一种基于极限学习机的土壤湿度预测方法，利用神经网络提高模型预测精度，更好的解决土壤湿度预测的问题。
[0030]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0031]本专利技术以京津冀区域2020年一整年的实测数据为实施例，进行实例仿真，以验证本专利技术的效果。图1为本专利技术提供的基于极限学习机的土壤湿度预测模型流程图，实施步骤如下：
[0032]步骤1：采集输入数据，对数据进行预处理，将数据集划分为两部分，一部分为训练集，另一部分为测试集；
[0033]具体包括，采集2020年逐小时nc和nc4格式的气象数据，经过格式转换、裁剪、重采样、属性表转CSV等处理后，将数据集分为训练集和测试集，训练集和测试集又包括输入数据和目标数据，其中输入数据包括降水量、蒸发量、温度、风速、地表温度、气压、土壤湿度，目标数据为土壤湿度。数据集为{x
i
，t
i本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于极限学习机的土壤湿度预测方法，其特征在于，所述预测方法包括以下步骤：步骤1：输入数据，对数据进行预处理，将数据集划分为两部分，一部分为训练集，另一部分为测试集；步骤2：确定极限学习机神经网络的拓扑结构为层次型，层次型模型将神经网络分为输入层、隐含层和输出层，各层顺序连接，分别设置输入层、隐含层和输出层神经元的个数；步骤3：对极限学习机神经网络进行初始化，随机产生输入层与隐含层间的连接权值及隐含层神经元的偏差，权值代表神经元之间的连接强度，利用偏差可以更好地实现预测结果与数据的拟合；步骤4：选择一个无限可微的函数作为隐含层的激活函数，计算得到隐含层输出矩阵；步骤5：通过最小二乘法计算出隐含层和输出层间的连接权值；步骤6：将获得的参数和测试数据样本输入极限学习机预测模型得到预测结果，并选取土壤湿度预测中常用的两种评价指标：均方误差MSE和决定系数R2，对模型的预测性能进行评价，从而完成对土壤湿度的精准预测。2.根据权利要求1所述的一种基于极限学习机的土壤湿度预测方法，其特征在于，所述步骤1具体包括，将数据分为训练集和测试集，训...

【专利技术属性】
技术研发人员：刘玉燕，刘轩，王延仓，张文豪，占玉林，金永涛，
申请(专利权)人：北华航天工业学院，
类型：发明
国别省市：