【技术实现步骤摘要】
本专利技术涉及基于混合深度学习的时域反射法测量土壤含水率数据处理方法，属于土壤水分测量领域。
技术介绍
1、土壤水分是作物赖以生存的物质基础，对农作物的健康生长有着重要影响，是整个土壤农田生态系统中不可或缺的重要组成部分。土壤水是土壤理化性质重要的影响因素，土壤水能够促进溶质的运移，也是作物发育生长的关键因素。然而，在气候变化、人为活动等因素的干扰下，许多地区出现土壤干旱或土壤过湿的问题，严重制约了农业的可持续发展。
2、土壤水分含量直接影响着植物的生长。当土壤水分过高时，土壤通气性降低，容易使作物根系衰败腐烂，导致畸形生长甚至死亡；而当土壤干旱缺水时，作物无法获取足够水分，光合作用受阻，可能会出现枯萎凋亡的情况，影响产量和质量。因此，准确快速监测土壤水分含量对植物的正常生长起到至关重要的作用。
3、tdr是目前广泛应用的土壤含水率原位测量方法。tdr根据传输线原理测量电磁波在土壤中的入射和反射时间差，通过时间差推导含水土壤介电常数，并通过介电常数反演土壤含水率。如今主要的tdr信号的特征提取方法有零导数法、最大导数法和切线交叉法三种，三种方法在特征点定位方面的效果不同。零导数法找到的末端反射点偏左，最大导数法偏右，而切线交叉法位于两者之间，其中切线交叉法的应用最广泛。但当土壤含水率较少时，介电常数较小从而导致水平切线不存在，此时切线交叉法无法对末端反射点进行识别。同时，也有研究尝试使用传输线方程进行逆分析，或使用傅里叶变换进行频域波形反演，但逆模型考虑整体tdr波形，通常需要通过长时间的遗传算法来拟合波
技术实现思路
1、为了解决上述问题，本专利技术公开了基于混合深度学习的时域反射法测量土壤含水率数据处理方法，基于深度学习网络对波形特征的自适提取以及对时间序列长期依赖关系的准确预测，能够解决现有算法模型在特殊环境下测量失效以及针对不同类型土壤测量泛化能力不足的问题，有效提高了土壤含水率预测的准确性。
2、本专利技术为了解决上述技术问题采用以下技术方案：本专利技术设计了基于混合深度学习的tdr测量土壤含水率检测方法及系统，包括如下步骤：
3、步骤s1：针对目标区域土壤，利用基于时域反射法的三针式探头土壤水分传感器制作训练和验证数据集并进行预处理操作；
4、步骤s2：构建由1d-cnn和lstm组成的混合深度学习模型，使用1d-cnn网络提取tdr波形关键特征，利用lstm网络捕捉特征提取后tdr波形中的时间依赖关系；
5、步骤s3：使用预处理后的训练数据集对混合深度学习模型进行训练，优化模型参数，将待测土壤的tdr波形数据输入训练好的模型，输出预测的土壤含水率值；
6、步骤s4，在不同土壤类型的预训练数据集上完成预训练，然后冻结混合深度学习网络中对tdr特征提取效果最佳的网络层结，完成模型的迁移，实现不同类型土壤含水率的快速检测。
7、进一步地，所述步骤s1中，对待测土壤进行预处理操作，包括杂质的有效去除、过筛处理以及精细碾磨步骤，以确保土壤样本的纯净度和均匀性。随后，采用基于时域反射法的三针式探头土壤水分传感器进行精确的土壤含水率测量，通过该方法获取不同含水率条件下的tdr波形数据，采用基于硬阈值函数的小波降噪方法，去除数据中的噪声干扰，对样品进行采样使用烘干法测定样品含水率并作为数据集标签值；
8、进一步地，所述步骤s2中，将tdr波形数据和数据集标签输入1d-cnn网络中，提取波形关键特征，其中，构建的一维卷积神经网络1d-cnn包含多个卷积层和池化层。其中，卷积核大小统一设定为3×1，卷积层滤波器的数量逐层递增，依次为8、16、32、64。激活函数采用relu，填充方式选择same，以保证卷积操作的连续性和完整性。在每个卷积层之后，均添加了池化层，池化核大小为2×1，以进一步提取数据的特征。经过一维卷积神经网络的处理，高维多特征的tdr数据被有效提取并传递给下一层长短期记忆网络lstm。利用lstm网络捕捉波形中时间序列的长期依赖关系，回归出土壤含水率数据；该网络包含两个lstm隐藏层，神经元数量逐层递减，分别为64个和32个，以学习tdr信号的长期依赖关系。
9、进一步地，所述步骤s3中，采用早停、随机失活和交叉验证三种策略对模型进行了优化。当模型验证损失值在连续5轮训练中未发生变化时，采用早停机制停止训练，以避免过拟合。同时，在前两个全连接层中引入了随机失活层，随机丢弃10％的神经元，以进一步提高模型的泛化能力。此外，还采用了留出法交叉验证方法，将数据集按照80％和20％的比例划分为训练集和测试集，以评估模型的性能。在模型训练过程中，设置了总训练轮次为100，并采用了可变学习率策略。具体而言，使用带有学习调度的adam优化器，设置初始学习率为1e-2。在训练的第40轮次降低学习率为1e-3，在训练的第60个轮次将学习率降低为1e-4，以加速模型的收敛过程。
10、进一步地，所述步骤s4中，为了充分利用已有数据并提高模型的适应性，选择土壤样本数量最多的土壤作为基本训练模型的基础。通过对混合深度学习模型进行训练，得到一个能够较好提取波形特征和长期依赖关系的模型。为了进一步适应不同类型的土壤含水率数据集，采用迁移学习策略，冻结提取波形特征最有效的所有卷积层以及提取长期依赖关系最有效的lstm细胞单元，并重新训练新的全连接层。通过这种方式，在保留已有知识的基础上，快速适应新的数据集。
11、本专利技术的有益效果在于：利用混合深度学习模型结合迁移学习，解决了现有方法预测模型训练所需待测农田的先验数据过多、模型对于不同土壤类型的通用性差等问题，提高了土壤含水率检测的效率和准确率，具有广阔的工业化应用场景。
本文档来自技高网...【技术保护点】
1.基于混合深度学习的时域反射法测量土壤含水率数据处理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述步骤一中：用于数据集制作的土壤应去除杂质并完全烘干，将纯净水加入样品中后静置48h后使用烘干法取样测定样品含水率数值作为数据集标签，使用基于时域反射法的三针式探头土壤水分传感器测量的TDR波形数据进行归一化和小波降噪预处理消除干扰，其中，所述基于时域反射法的三针式探头土壤水分传感器的探针直径4mm、长度20cm、间距3cm。
3.根据权利要求2所述的方法，其特征在于，将去噪后的TDR波形幅值归一化至[0,1]区间内；归一化公式为：
4.根据权利要求2所述的方法，其特征在于，所述步骤二中：将TDR波形数据和数据集标签输入1D-CNN网络中，提取波形关键特征，其中，一维卷积神经网络1D-CNN包括多个卷积层和池化层，卷积核大小均为3×1，卷积层滤波器个数依次为8、16、32、64，激活函数采用Relu，填充方式为Same，在每一次卷积操作后进行添加池化层，池化核大小为2×1；经1D-CNN处理后的高维多特征TDR数据
5.根据权利要求4所述的方法，其特征在于，在全连接层之间插入Dropout正则化层；在训练过程的每一轮中，Dropout层以一定概率p随机屏蔽一部分神经元节点，其余节点的输出则被放大1/(1-p)倍进行补偿；这种随机失活机制能有效缓解神经网络的过拟合倾向；
6.根据权利要求1所述的方法，其特征在于，所述步骤三中：选择早停、随机失活和交叉验证三种方式对模型进行优化；早停设置标准为模型验证损失值在连续5轮训练中没有变化时停止训练；在前两个全连接层分别设置随机失活层，随机丢弃这两层中10％的神经元以避免模型出现过拟合现象；最后对模型进行留出法交叉验证，将数据集按照80％和20％的比例划分为训练集和测试集，测试集用于评估模型的性能；模型总训练轮次设置为100，训练采用可变学习率策略，使用带有学习调度的Adam优化器，设置初始学习率为1e-2，在训练的第30轮次降低学习率为1e-3，在训练的第40个轮次将学习率降低为1e-4。
7.根据权利要求1所述的方法，其特征在于，所述步骤四中：选择土壤样本数量最多的土壤作为基本训练模型，对混合深度学习模型进行训练，基于训练的模型使用迁移学习，冻结最有效提取波形特征的所有卷积层以及最有效提取长期依赖关系的LSTM细胞单元，重新训练新的全连接层，以适应新的不同类型的土壤含水率数据集。
...【技术特征摘要】
1.基于混合深度学习的时域反射法测量土壤含水率数据处理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述步骤一中：用于数据集制作的土壤应去除杂质并完全烘干，将纯净水加入样品中后静置48h后使用烘干法取样测定样品含水率数值作为数据集标签，使用基于时域反射法的三针式探头土壤水分传感器测量的tdr波形数据进行归一化和小波降噪预处理消除干扰，其中，所述基于时域反射法的三针式探头土壤水分传感器的探针直径4mm、长度20cm、间距3cm。
3.根据权利要求2所述的方法，其特征在于，将去噪后的tdr波形幅值归一化至[0,1]区间内；归一化公式为：
4.根据权利要求2所述的方法，其特征在于，所述步骤二中：将tdr波形数据和数据集标签输入1d-cnn网络中，提取波形关键特征，其中，一维卷积神经网络1d-cnn包括多个卷积层和池化层，卷积核大小均为3×1，卷积层滤波器个数依次为8、16、32、64，激活函数采用relu，填充方式为same，在每一次卷积操作后进行添加池化层，池化核大小为2×1；经1d-cnn处理后的高维多特征tdr数据输入下一层长短期记忆网络lstm中，利用lstm网络捕捉波形中时间序列的长期依赖关系，回归出土壤含水率数据，该层网络包括2个lstm隐藏层，第一层为64个第二层为32个，每层的神经元数递减，学习t...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。