基于可解释深度学习的区域陆地水储量变化归因分析方法技术

本发明专利技术公开了基于可解释深度学习的区域陆地水储量变化归因分析方法，首先确定研究区以及研究期范围，确定研究区内潜在的水文气象驱动因子，获取研究区内驱动因子的月时间序列数据和陆地水储量变化的月时间序列数据，并将陆地水储量变化数据和水文气象驱动因子数据按平均法统一重采样至空间网格进行重组构建数据样本，划分训练集和测试集，进而训练构建深度神经网络模型；最后，利用

【技术实现步骤摘要】
基于可解释深度学习的区域陆地水储量变化归因分析方法


[0001]本专利技术涉及水文
、
遥感和深度学习交叉
，具体为基于可解释深度学习的区域陆地水储量变化归因分析方法
。

技术介绍

[0002]陆地水是地表水
、
土壤水
、
冰雪水和地下水等的统称，是保障人类生产生活用水和维持生态安全的重要水资源，也是水文循环的重要组成部分，研究陆地水储量变化并进行归因分析，可以提高对水循环过程的认识，深入揭示降水
、
蒸发
、
径流等水文气象驱动因子与水储量变化之间的相互关系和影响机制，为区域水资源优化管理和生态环境保护提供决策参考
。
[0003]GRACE
重力卫星为陆地水储量动态变化观测提供了一种全新的方式，它能连续观测全球范围内水储量的月时间尺度变化，目前已经有许多研究使用
GRACE
观测的水储量变化数据开展区域水储量变化评估，也有部分学者在此基础上，进一步探索了水储量变化的主要驱动因子
。
然而，已有的研究多采用线性分析方法，此类方法往往无法准确表征水储量变化与驱动因子之间的复杂非线性关系
。
[0004]因此，为了刻画表征陆地水储量变化与潜在水文气象驱动因子之间的映射关系，并且解释各因子对水储量变化的相对贡献，本专利技术发展了一种基于可解释深度神经网络的陆地水储量变化归因分析方法，提高对水储量变化机制和水循环过程的认识，对水资源可持续利用和生态环境保护具有重要意义
。

技术实现思路

[0005]本专利技术的目的在于提供基于可解释深度学习的区域陆地水储量变化归因分析方法，通过构建和应用一种可解释的深度神经网络，有效地识别导致水储量变化的主要因素，解释驱动因子对陆地水储量变化的影响机制，增进对水循环的理解，进而为水资源可持续利用和生态环境保护提供理论基础和技术支撑
。
[0006]为了解决上述技术问题，本专利技术提供如下技术方案，基于可解释深度学习的区域陆地水储量变化归因分析方法，步骤包括：
S1、
确定研究区以及研究期范围，基于研究区的边界和地理坐标数据，提取研究区内重力卫星
GRACE
观测的陆地水储量变化月时间序列数据，并确定研究区内潜在的水文气象驱动因子，获取研究区内驱动因子月时间序列数据；
S2、
将陆地水储量变化数据和水文气象驱动因子数据按平均法统一重采样至空间网格；
S3、
将水文气象驱动数据和目标陆地水储量变化数据进行重组构建数据样本，并划分训练集和测试集；
S4、
基于训练数据，以水文气象驱动数据作为输入，陆地水储量变化数据作为输出，训练深度神经网络模型；
基于测试数据，计算训练得到的深度神经网络模型在研究区内每个空间格点的相关系数
R
和决定系数
R2精度，并以相关系数和决定系数为判别标准对训练的深度神经网络模型进行优化调整，直至深度神经网络模型的预测精度满足
R
的设定精度和
R2的设定精度
β
的要求，得到最终的深度神经网络模型；使得到的深度神经网络模型更加精准；
S5、
基于最终得到的深度神经网络模型，利用
SHAP
解释算法获得每个空间格点中各驱动因子对陆地水储量变化的贡献度，进而利用贡献度分析方法进行陆地水储量变化归因分析；其中，陆地水储量变化表示为
TWSC
，深度神经网络模型可表示为
DNN。
[0007]根据上述技术方案，所述陆地水储量变化数据为由重力卫星
GRACE
观测得到的陆地上水资源量总和的变化，所述陆地上水资源包括地表水
、
地下水
、
土壤水
、
冰雪水和植物水
。
[0008]根据上述技术方案，所述水文气象驱动因子至少包含降水
、
蒸散发和径流三个变量，降水
、
蒸散发和径流是区域水储量的主要流入或流出通量，也是影响区域水均衡的重要因素
。
[0009]根据上述技术方案，将每个月份的陆地水储量变化数据和该月份以及之前
11
个月的水文气象驱动数据作为一个所述数据样本；基于所述数据样本，随机生成多个交叉验证样本子集，每个子集样本轮流作为评估深度神经网络预测精度的测试集，剩余子集样本作为深度神经网络的训练集
。
[0010]根据上述技术方案，所述深度神经网络模型用于学习陆地水储量变化和水文气象驱动因子之间的潜在函数关系，包含一个输入层，若干全连接隐含层和一个输出层，每个隐含层包括线性全连接层，批量归一化，
ReLU
非线性激活函数和丢弃操作；所述深度神经网络模型训练时采用的损失函数为：；其中，表示重力卫星
GRACE
观测的陆地水储量变化数据，
N
表示训练样本数，表示为深度神经网络模型预测的陆地水储量变化数据，表示为水文气象驱动因子，表示为待训练的深度神经网络模型参数
。
[0011]根据上述技术方案，所述
SHAP
算法是以最终得到的深度神经网络模型预测值和水文气象驱动因子为输入变量，得到各个水文气象驱动因子对水储量变化的贡献度；贡献度具体是指
SHAP
算法中，每个特征都会被分配一个重要性值（也称“SHAP
值”），对于每个预测样本，特定特征的
SHAP
值表示该特征对输出的贡献；
SHAP
算法将模型的预测结果解释为每个输入驱动因子的贡献度之和：；其中，是解释模型，是数据集中的一个样本，是表示所有训练样本的平均预测值常数，是输入特征的数量，是每个特征的归因值（即每个特征的重要性），该归因值可以通过以下公式计算：；其中，是所有输入特征的集合，是输入特征的数量，表
示排除特征后的所有可能的输入特征集合，是仅使用特征子集进行预测的结果
。
[0012]根据上述技术方案，所述贡献度分析方法为基于每个空间格点中各驱动因子对陆地水储量变化的贡献度，通过归一化计算得到各驱动因子的相对贡献度，进而生成水文气象驱动因子相对贡献度空间分布图以及各水文气象驱动因子在不同滞后月份的相对贡献度热图，分析研究区内各个格点水文气象驱动因子相对贡献大小的变化规律以及滞后响应时间实现陆地水储量变化归因分析
。
[0013]与现有技术相比，本专利技术所达到的有益效果是：本专利技术利用一种可解释深度神经网络刻画陆地水储量变化和驱动因子之间复杂的映射关系，并且解释各水文气象驱动因子对水储量变化的相对贡献进而进行陆地水储量变化归因分析，从而能够更好地刻画上述非线性映射关系，更准确解释驱动因子对区域陆地水储量变化的贡献和影响机制，提高对水储量变化机制和水循环过程的认识，对水资源可持续利用和生态环境保护具有重要意义
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于可解释深度学习的区域陆地水储量变化归因分析方法，其特征在于，步骤包括：
S1、
确定研究区以及研究期范围，基于研究区的边界和地理坐标数据，提取研究区内重力卫星
GRACE
观测的陆地水储量变化月时间序列数据，并确定研究区内潜在的水文气象驱动因子，获取研究区内水文气象驱动因子月时间序列数据；
S2、
将陆地水储量变化数据和水文气象驱动因子数据按平均法统一重采样至空间网格；
S3、
将水文气象驱动数据和目标陆地水储量变化数据进行重组构建数据样本，并划分训练集和测试集；
S4、
基于训练数据，以水文气象驱动数据作为输入，陆地水储量变化数据作为输出，训练深度神经网络模型；基于测试数据，计算训练得到的深度神经网络模型在研究区内每个空间格点的相关系数
R
和决定系数
R2精度，并以相关系数和决定系数为判别标准对训练的深度神经网络模型进行优化调整，直至深度神经网络模型的预测精度满足
R
的设定精度和
R2的设定精度
β
的要求，得到最终的深度神经网络模型；
S5、
基于最终得到的深度神经网络模型，利用
SHAP
解释算法获得每个空间格点中各驱动因子对陆地水储量变化的贡献度，进而利用贡献度分析方法进行陆地水储量变化归因分析
。2.
根据权利要求1所述的基于可解释深度学习的区域陆地水储量变化归因分析方法，其特征在于，所述陆地水储量变化数据为由重力卫星
GRACE
观测得到的陆地上水资源量总和的变化，所述陆地上水资源包括地表水
、
地下水
、
土壤水
、
冰雪水和植物水
。3.
根据权利要求1所述的基于可解释深度学习的区域陆地水储量变化归因分析方法，其...

【专利技术属性】
技术研发人员：莫绍星，胡子鸣，施小清，吴吉春，尹鑫，孙媛媛，
申请(专利权)人：南京大学，
类型：发明
国别省市：