一种GeoAI-SIM双阶段空间插值土壤湿度预测方法与流程
本发明涉及农业水文信息,尤其涉及一种地理人工智能土壤湿度空间插值模型(geographic artificial intelligence-soil moisture interpolation model,geoai-sim)的双阶段空间插值土壤湿度预测方法。
背景技术:
1、土壤湿度是地表水文循环、农业生产及生态系统稳定的重要参数,其空间分布状态会影响作物生长、水资源利用效率及区域抗旱防洪能力。土壤湿度受地形、气候、土壤类型和植被覆盖等因素共同影响,通常具有明显的空间异质性;例如,坡度和坡向会影响径流与入渗过程,土壤质地差异会改变水分保持能力。因此,如何利用有限的离散观测站点获得可靠的连续土壤湿度空间分布,是本领域需要解决的技术问题。
2、随着空间观测技术的发展,地面站点监测(如土壤湿度传感器)与遥感反演技术可有效获取土壤湿度基础数据,为土壤湿度空间建模提供了可靠的数据支撑。目前,土壤湿度空间建模主要依托空间插值技术,通过已知观测点数据推算未知区域湿度值,实现土壤湿度的空间连续覆盖。该类技术已在农业墒情监测、生态保护区管理等场景中得到初步应用,业内相关研究也为本领域土壤湿度空间建模技术的迭代优化奠定了基础。
3、现有土壤湿度空间插值方法通常采用单一模型,难以同时兼顾全局空间相关结构与局部空间异质性:克里金插值依赖变异函数模型及其统计假设,在站点分布不均或局部变化显著时可能出现平滑偏差;传统idw对邻域范围和距离幂指数较为敏感,固定参数难以适应不同站点密度;单一方法还容易忽略观测站点邻近区域的局部背景信息。
技术实现思路
1、针对上述问题,本发明提供一种geoai-sim双阶段空间插值土壤湿度预测方法,将克里金插值与自适应反距离加权插值进行融合,并引入knn空间增强机制,以兼顾全局空间相关结构与局部空间变化,提高土壤湿度空间预测的精度、稳定性和场景适应能力。
2、为实现上述目的,本发明采用如下技术方案:
3、一种geoai-sim双阶段空间插值土壤湿度预测方法,包括以下步骤:
4、s1、获取目标区域内多个土壤湿度监测站点的观测数据,并对所述观测数据进行质量控制、缺失值填补、异常值剔除和平滑处理,依据目标区域边界和预设空间分辨率构建待预测格点集;
5、s2、对预处理后的观测数据并行执行克里金插值方法和自适应反距离加权插值方法,分别生成克里金预测场和自适应idw预测场;其中,所述自适应反距离加权插值方法依据待预测格点周围站点密度和空间分布特征,动态确定搜索邻域和距离幂指数;
6、s3、将所述克里金预测场和所述自适应idw预测场按照融合权重进行加权融合,得到初步融合的土壤湿度空间分布场;
7、s4、引入knn空间增强机制,对于待预测格点,在其周围搜索k个最近的土壤湿度观测站点,并根据所述k个邻近站点的实测土壤湿度值计算该待预测格点的局部背景值;
8、s5、将所述初步融合的土壤湿度空间分布场与所述knn局部背景值按照增强权重进行二次融合,生成局部增强后的土壤湿度预测结果;
9、s6、采用空间分块m折交叉验证技术,对变异函数模型类型、自适应idw参数、k值、融合权重和增强权重进行系统优化,并生成目标区域的土壤湿度连续分布数据。
10、进一步地,步骤s2中,所述克里金插值过程包括:
11、基于所述观测数据计算实验半变异函数;选用理论模型对所述实验半变异函数进行拟合,获取模型参数;对于每一个待预测格点,根据拟合得到的半变异函数构建并求解克里金方程组,得到各已知站点的克里金权重;
12、根据下式计算该点的克里金预测值:
13、
14、其中,为待预测格点,为第i个已知站点,为第i个已知站点对应的克里金权重,为已知站点观测值;遍历所有待预测格点,生成克里金预测场。
15、进一步地,步骤s2中,所述自适应反距离加权插值过程包括:
16、对于每一个待预测格点,动态调整两个关键参数:搜索邻域大小和距离幂指数;在站点稀疏区域,扩大搜索邻域并采用较小的值以实现平滑估计;在站点密集区域,则缩小搜索邻域并采用较大的值以捕捉细节变化;
17、根据下式计算该点的自适应idw预测值:
18、
19、其中,为待预测格点与第i个已知站点之间的距离,为依据局部站点密度和分布特征确定的自适应距离幂指数,n为搜索邻域内参与计算的站点数量,为已知站点实测值,为待预测点的自适应idw插值结果;遍历所有待预测格点,生成自适应反距离加权预测场。
20、进一步地,步骤s3中,所述克里金预测场和所述自适应idw预测场按照融合权重采用加权平均法进行融合,计算公式如下:
21、
22、其中,为格点处的初步融合土壤湿度预测值,为克里金预测值,为自适应idw预测值,为取值范围为0至1的融合权重参数。
23、进一步地,步骤s4中,所述局部背景值的计算公式如下:
24、
25、其中,为待预测格点处由k近邻插值方法得到的土壤湿度局部背景值;k为近邻点数量;为第i个邻近监测站点的实测土壤湿度观测值。
26、进一步地,步骤s5中,所述增强后的土壤湿度预测结果按下式计算:
27、
28、其中,为取值范围为0至1的增强权重参数;为经过局部增强的土壤湿度预测值;为初步融合土壤湿度预测值;为由k近邻插值方法得到的局部背景值。
29、进一步地,步骤s6中,所述系统优化以最小化均方根误差为主要优化目标,以模型稳定性与计算复杂度为约束条件。
30、进一步地,步骤s6中,所述空间分块m折交叉验证包括:根据观测站点的空间位置将开发数据划分为m个相互独立且互斥的空间子集;每轮选取m-1个空间子集构建空间预测模型,并以剩余1个空间子集进行验证,循环m轮;对m轮验证指标取平均值,并据此确定最优参数组合;利用全部开发数据按所述最优参数组合重建最终空间预测模型。
31、进一步地,步骤s6中,所述土壤湿度连续分布数据包括格点坐标、坐标参考系、空间分辨率、有效区域掩膜及对应预测值,并用于在地理信息系统中生成土壤湿度连续分布图或等级图。
32、本发明的有益效果是:
33、1、兼顾全局与局部
34、克里金插值用于表征全局空间相关结构,自适应idw用于补充局部变化;两类预测场融合后,有助于降低单一插值方法对特定空间结构的依赖。
35、2、自适应调整idw参数
36、根据局部站点密度和空间分布动态确定邻域范围与距离幂指数,使插值参数能够随站点稀疏或密集程度变化,提高不同站点布局下的适应性。
37、3、增强站点邻近区域的局部一致性
38、利用k个邻近实测站点计算局部背景值,并与初步融合场进行二次融合,使预测结果更好地保持站点邻近区域的局部观测特征。
39、4、降低空间验证信息泄漏风险
40、采用空间分块m折交叉验证,将空间邻近站点按位置分入不同子集,并将参数选择与独立测试分离,使验证过程更符合空间预测任务的特点。
41、5、输出规范且便于应用
42、输出数据包含格点坐标、坐标参考系、空间分辨率、有效区域掩膜及预测值,便于在gis平台中生成连续分布图或等级图,并服务于农业灌溉、旱情监测及水文分析。
43、为使本发明的目的、技术方案和有益效果更加清楚,下面结合附图和具体实施方式对本发明作详细说明。应当理解,此处所描述的具体实施方式仅用于解释本发明,并不用于限定本发明。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com