CN118940160B 基于物理过程的注意力编码解码lstm模型的土壤湿度预测方法 （长春师范大学）

基于物理过程的注意力编码解码LSTM模型本发明提供了一种基于物理过程的注意力获取各历史时刻的表层土壤湿度值及其影响要态变量；将部分影响要素输入HBV水文物理模型21.一种基于物理过程的注意力编码解码LSTM模型的土壤湿度预测方法，其特征在于，获取各历史时刻的表层土壤湿度值及其影响要素，所述影响要素包括大气强迫变量、将大气强迫变量中的两米温度、降水量及陆面变量中的蒸发量数据输入HBV水文物理将所述中间变量数据与所述表层土壤湿度之间进行相关性分析，将所述影响要素及所述中间特征变量组合作为输入数据，对预设的2.如权利要求1所述的基于物理过程的注意力编码解码LSTM模型的土壤湿度预测方3.如权利要求1所述的基于物理过程的注意力编码解码LSTM模型的土壤湿度预测方4.如权利要求3所述的基于物理过程的注意力编码解码LSTM模型的土壤湿度预测方;;5.如权利要求1所述的基于物理过程的注意力编码解码LSTM模型的土壤湿度预测方通过所述训练集对所述预设的基于注意力的编码解码LSTM通过所述验证集对训练后的土壤湿度模型进通过所述测试集对验证后的土壤湿度模型进行测试，以确保所6.如权利要求5所述的基于物理过程的注意力编码解码LSTM模型的土壤湿度预测方将所述影响要素及所述中间特征变量组合作为输入数据经过编码器LS3将所述输出数据经过解码器LSTM层处理，利用编码器的隐藏7.如权利要求6所述的基于物理过程的注意力编码解码LSTM模型的土壤湿度预测方法，其特征在于，所述基于注意力的编码解码LSTM模型的参数设置如下：学习率设置为4基于物理过程的注意力编码解码LSTM模型模型在处理土壤湿度时序数据时通常不具备处理时间依赖性和捕捉长期依赖关系的能力，5[0015]作为本发明的进一步说明，输入所述HBV水文物理模型的所述影响要素为大气强;;[0028]将所述影响要素及所述中间特征变量组合作为输入数据经过6[0033]作为本发明的进一步说明，所述基于注意力的编码解码LSTM模型的参数设置如[0044]本发明提供了一种基于物理过程的注意力编码解码LSTM模型的土壤湿度预测方[0047]本发明利用了LandBench数据集作为模型训练的数据集，这一数据集为预测土地7厚度为8毫米的水层覆盖了全球陆地表面不到0.001%，但它对于影响极端天气事[0053]在一种可实现的方式中，输入HBV水文物理模型的影响要素为大气强迫变量中的8[0056]通过相关系数计算，本发明量化了每个中间变量与土壤湿度之间的线性相关程[0061]本发明利用随机森林和相关性分析对HBV模型的七个中间过程变量进行了重要性和相关性评估，如表2所示，发现土壤湿度含量（soil_wetness）具有最高的特征重要性水层作为AEDLSTM(HBV)模型的输入变量，旨在通过这些关键的物理信息来增强模型的预测能力。引入这两个变量为模型提供了准确预测土壤湿度所需的重要物理过程信息，这一步骤是建立在特征重要性和相关性的客观数据基础之上的，显示了将数据驱动与物理过程相结合的深度学习模型在大气科学领域的应用价值。9[0070]为了进一步提升土壤湿度预测的准确性，特别是在极端气候地区的挑战性预测中，本发明考虑到编码器_解码器LSTM和注意力机制在土壤湿度预测中已被广泛验证为有[0084]编码器解码器结构在机器翻译等任务比传统的LSTM模型更加出色，其优势主要因此在将HBV物理模型中的中间变量作为额外输出的土壤湿度预测模型中，编码解码结构[0087]每个头计算的注意力分数是通过将查询向量Q、键向量K和值向量V分别乘以相为对应位置的输出值。键的维度为128，是第个头的权重矩阵，处理复杂的水文数据特征的优势而受到广泛应用。[0088]在一种可实现的方式中，本发明使用了2000年至2020年期间的2[0097]y:和x分别表示第i个时间步的实际值和预测值。和分别是实际值和预测值的量的情况下，AEDLSTM的注意力编解码机制未能完全发挥作用或可能因为模型过于依赖于HBV变量而导致性能不如专注于基本LSTM结构的EDLSTM。然而，当引入HBV中间变量后，异常值并使模型比较更加客观精确。为全面展示不同深度学习模型在水文预报中的性能，和蓝色）通常具有更紧凑的箱体，表明加入HBV后的模型可能提供了更一致的预测性能。了模型性能的变异范围，它展示了数据点分布的上下界限。具体到LSTM(HBV)和AEDLSTM的LSTM模型有所提升。对于AEDLSTM(HBV)，其型提供的中间变量帮助LSTM模型更好地捕捉了数据中的重要特征。同样地从KGE和RMSE的箱线图中，可以看到，在KGE和RMSE性能指标上，LSTM模型加入HBV物理模型输入后，如和图3b，加入了注意力机制的AEDLSTM显示出在低湿度范围内散点更加紧密且集中于理想[0108]结合这些发现，可以更加深入地认识到HBV中间变量在提升模型性能中的重要作类结合物理知识与深度学习的方法将为水文科学领域提供更为精确和可靠的学习模型在极端地理地质环境下的预测性能。所提出的模型设计了HBV水文模型中间变量训练过程中，为减少过拟合风险，模型通过Dropout层随机丢弃部分数据。综合而言，的预测研究提供了新的方法。这种综合应