一种考虑土壤温湿度物理耦合的级联预测方法与流程

本发明涉及农业信息技术和机器学习领域，尤其涉及一种考虑土壤温湿度物理耦合的级联预测方法。

背景技术：

1、土壤温度与土壤湿度是地球系统科学中表征陆面状态的关键物理量，二者通过水热耦合过程共同驱动陆地水文循环与地表能量平衡，是连接大气圈、水圈、生物圈及土壤圈的核心纽带，土壤温度直接影响土壤水分相变、蒸发散强度及微生物活性，而土壤湿度通过改变土壤热容量、热传导系数及潜热通量，对温度变化产生显著反馈，精准农业、数值天气预报和全球变化研究中获取高时空分辨率、高精度的分层土壤温湿度数据已成为迫切需求，而土壤温湿度的获取主要依赖于站点原位观测、卫星遥感反演及陆面过程模型模拟三种途径，以梯度提升树、神经网络为代表的机器学习技术凭借强大的非线性拟合能力在土壤温湿度估算领域得到广泛应用，逐步成为农业墒情监测、气象预报模式陆面驱动、水文过程模拟和干旱早期预警等业务体系的重要技术支撑。

2、现有技术通常将土壤温度与土壤湿度作为独立目标变量分别建模，导致预测结果在物理一致性方面存在缺陷，尤其是土壤湿度的预测精度受温度信息缺失的制约而难以进一步提升，多采用全局统一的数值截断或固定阈值作为预测后处理手段，未能充分考虑土壤质地、土壤深度等空间异质性因素对物理边界条件的动态影响，难以有效消除违反土壤物理规律的异常预测值，训练样本中极端低温和极端高湿样本占比偏低，导致机器学习模型易偏向多数样本分布，使得预测鲁棒性不足，因此，亟需一种能够显式耦合土壤温湿度物理关系的高精度预测方法。

技术实现思路

1、本发明的目的是要提供一种考虑土壤温湿度物理耦合的级联预测方法。

2、为达到上述目的，本发明是按照以下技术方案实施的：

3、本发明提供了一种考虑土壤温湿度物理耦合的级联预测方法，包括：

4、获取土壤环境数据，并进行预处理，所述土壤环境数据包括气象数据、地形数据、植被数据、土壤质地数据、土壤深度数据和时间数据；

5、基于所述土壤环境数据构建增强特征集，提取样本的条件分布特征，所述增强特征集包括时间特征、交互特征和滞后特征；

6、根据土壤深度数据和条件分布特征对极端样本进行过采样增强，获得增强训练样本集，基于增强训练样本集训练级联预测模型；

7、根据待预测样本和土壤深度数据通过所述级联预测模型进行分阶段预测，所述分阶段预测包括第一阶段基于待预测样本预测初始土壤温度，第二阶段基于初始土壤温度和气象特征预测土壤湿度，第三阶段基于土壤湿度预测值、土壤质地数据和土壤深度数据对初始土壤温度进行反馈校正；

8、根据所述土壤质地数据和土壤深度数据确定对应的土壤温湿度物理约束区间，并分别对校正后的土壤温度预测值和土壤湿度预测值进行裁剪，获得预测结果。

9、进一步地，获得所述土壤环境数据的方法，包括：

10、基于目标区域获取砂粒含量、黏粒含量和粉粒含量，作为土壤背景场数据，根据土壤背景场数据通过土壤质地三角图确定土壤质地类型，根据气象站点获取气象数据，并通过站点的分层土壤传感器采集不同深度的土壤温湿度观测数据，提取观测时间戳，作为时间数据，所述气象数据包括2米气温、降水量、下行短波辐射、风速和近地面比湿，所述时间数据包括年积日；

11、基于卫星遥感产品反演获得植被数据，并通过数字高程模型获得地形数据，所述植被数据包括叶面积指数，所述地形数据包括海拔高度、纬度和经度，根据气象数据、地形数据、植被数据、土壤质地数据、土壤深度数据和时间数据获得土壤环境数据。

12、进一步地，所述预处理的方法，包括：

13、将目标预测分辨率作为基准，基于所述基准对气象数据、遥感反演数据、地形数据和土壤背景场数据进行时空对齐，并将土壤温湿度观测数据映射至目标预测分辨率尺度，所述目标预测分辨率包括时间分辨率和空间分辨率；

14、基于全球陆地土壤温度历史观测数据的极端值确定土壤温度物理约束区间，将土壤温度观测值超出所述土壤温度物理约束区间的样本标记为异常并剔除，根据土壤质地类型对应的土壤孔隙度确定饱和含水量阈值，将土壤湿度观测值超过所述饱和含水量阈值的样本标记为异常并剔除；

15、根据土壤深度数据对剔除异常样本后的剩余样本进行分层，对同一深度层内的缺失值，通过本层内校验合格的有效样本的中位数进行填充，获得预处理后的土壤环境数据。

16、进一步地，获得所述条件分布特征的方法，包括：

17、基于年积日通过傅里叶级数编码提取土壤温度的周期性季节特征，所述周期性季节特征包括以一年为周期的基频正弦分量和基频余弦分量、以半年为周期的倍频正弦分量和倍频余弦分量，所述各分量的相位角由年积日与当年总天数的比值确定；

18、基于气象数据和地形数据构建气象要素交互特征，所述气象要素交互特征包括2米气温与降水量的乘积项、2米气温与下行短波辐射的乘积项、海拔高度与2米气温的乘积项；

19、基于所述气象数据构建时序滞后特征，所述时序滞后特征包括前第1日至前第3日的2米气温滞后特征、当前日2米气温与前第1日2米气温的差值所构成的气温变化量特征、相邻两日气温变化量的差值所构成的气温变化趋势特征、当前日与前第1日至前第2日的降水量累加和所构成的降水累积特征；

20、若所述土壤深度数据指示深度小于等于浅层深度，则基于所述地形数据中的纬度计算纬度余弦特征，作为浅层土壤的附加输入特征，根据土壤深度数据对训练样本进行分层，分别统计各深度层内土壤温度的低分位数和土壤湿度的高分位数，获得训练样本的条件分布特征，所述浅层深度为小于等于20cm。

21、进一步地，获得所述增强训练样本集的方法，包括：

22、基于土壤深度数据的深度层划分训练样本，根据条件分布特征分别确定各深度层内的分位数，将土壤温度低于低分位数阈值的样本作为极端低温样本，将土壤湿度高于高分位数阈值的样本作为极端高湿样本；

23、根据所述极端低温样本与对应深度层内多数类样本的数量比确定第一过采样倍数，基于第一过采样倍数对极端低温样本进行重采样，根据所述极端高湿样本与对应深度层内多数类样本的数量比确定第二过采样倍数，基于增强特征空间根据第二过采样倍数通过smote算法对极端高湿样本进行邻域插值，根据所述重采样结果和邻域插值结果获得增强训练样本集，并标注采样策略，所述训练样本集按深度层和过采样策略划分为多个训练样本子集，所述采样策略包括过采样方式、过采样倍数和过采样样本比例。

24、进一步地，获得所述级联预测模型的方法，包括：

25、基于土壤深度数据配置子模型超参数，若土壤深度数据指示深度为浅层时，则为土壤温度预测子模型和土壤湿度预测子模型配置浅层超参数，若土壤深度数据指示深度为深层时，则配置深层超参数，所述土壤温度预测子模型和所述土壤湿度预测子模型为梯度提升决策树，所述浅层超参数包括学习率0.01，树数量1200，最大深度15，所述深层超参数包括学习率0.02，树数量800，最大深度12；

26、根据土壤深度数据选取对应深度层的训练样本子集作为输入，将实测土壤温度作为目标，训练所述土壤温度预测子模型，根据均方误差计算损失，直至满足第一收敛条件，完成土壤温度预测子模型训练，固定所述土壤温度预测子模型的参数，将土壤温度预测子模型对训练样本输出的初始土壤温度预测值与气象特征进行拼接，作为所述土壤湿度预测子模型的扩展输入，将实测土壤湿度作为目标，训练土壤湿度预测子模型，根据均方误差计算损失，直至满足第二收敛条件，完成土壤湿度预测子模型训练，将土壤温度预测子模型和土壤湿度预测子模型进行级联，获得级联预测模型。

27、进一步地，所述分阶段预测的方法，包括：

28、将待预测样本输入级联预测模型，并基于土壤温度预测子模型输出初始土壤温度预测值，完成第一阶段预测；

29、将所述初始土壤温度预测值与气象特征进行特征拼接，并基于土壤湿度预测子模型输出土壤湿度预测值，完成第二阶段预测；

30、基于土壤湿度预测值和土壤质地类型计算对应的参考湿度水平偏差，根据参考湿度水平偏差确定温度修正系数，根据温度修正系数对初始土壤温度预测值进行后处理校正，完成第三阶段预测，获得土壤温度和土壤湿度的预测值，所述参考湿度水平为同一土壤质地类型、同一深度层训练样本的土壤湿度中位数。

31、进一步地，获得所述预测结果的方法，包括：

32、基于土壤质地和土壤深度确定土壤温度预测值的土壤温度物理约束区间，若土壤温度预测值超出土壤温度物理约束区间时，则将土壤温度预测值裁剪至土壤温度物理约束区间对应的边界值；

33、将土壤湿度预测值与对应深度的饱和含水量阈值进行比对，若土壤湿度预测值超出饱和含水量阈值时，则将土壤湿度预测值裁剪至饱和含水量阈值对应的边界值，获得裁剪后的土壤温度预测结果和土壤湿度预测结果。

34、相对于现有技术，本发明的实施例至少具有如下优点或有益效果：

35、本发明通过对多源土壤环境数据进行配准，并基于土壤质地类型对应的饱和含水量阈值校验物理一致性，剔除超出土壤物理极限的异常样本，降低传感器误差对训练数据的干扰，通过构建包含时间、交互与滞后特征的增强特征集，按土壤深度提取条件分布特征，对极端低温样本进行重采样、对极端高湿样本进行smote邻域插值，缓解不同深度层尾部样本稀缺导致的模型偏向，根据深度自适应超参数训练梯度提升决策树子模型，依次进行土壤温度预测、土壤湿度预测和基于参考湿度水平偏差的后处理校正，将湿度预测信息反馈至温度预测结果，显式耦合土壤水热关系，基于土壤质地与深度确定物理约束区间并裁剪预测值，使输出结果限定在对应土壤条件的合理范围内，抑制模型在极端输入下产生违背物理规律的预测结果，提升鲁棒性和预测精度。