(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111352247.6 (22)申请日 2021.11.16 (71)申请人 华中师范大学 地址 430079 湖北省武汉市洪山区珞 瑜路 152号 (72)发明人 李畅　黄才润　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 代理人 肖明洲 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01) (54)发明名称 基于机器学习和观测数据的土壤侵蚀模数 计算方法及系统 (57)摘要 本发明公开了一种基于机器学习和观测数 据的土壤侵蚀模数计算方法及系统， 方法包括： 1)收集数据； 2)计算因子； 3)计算模数； 4)训练模 型； 5)使用模型； 6)验证精度。 本发明采用机器学 习方法， 利用野外水土流失的观测值和土壤侵蚀 模数， 进行模型训练； 分别对土壤侵蚀因子和土 壤侵蚀模数进行校正， 进而获取高精度的土壤侵 蚀模数。 该方法能提高土壤侵蚀模数的精度， 使 土壤侵蚀估算更精准。 权利要求书3页 说明书7页 附图3页 CN 114154401 A 2022.03.08 CN 114154401 A 1.一种基于机器学习和观测数据的土壤侵蚀模数计算方法， 其特征在于， 包括以下步 骤： 步骤1： 获取、 预处理土壤侵蚀因子有关数据； 获取野外水土流失影响因子的观测值和 野外水土流失观测值。 步骤2： 利用步骤1中预处理后的土壤侵蚀因子有关数据， 计算得到各土壤侵蚀因子图 层。 步骤3： 利用步骤2计算的各土壤侵蚀因子图层， 运用土壤侵蚀方程， 计算出理论的高分 动态土壤侵蚀模数。 步骤4： 构建土壤侵蚀模数回归模型； 并运用机器学习方法， 利用步骤1中获取的野外水 土流失影响因子的观测值、 野外水土流失观测值和步骤2中计算得到的土壤侵蚀因子图层、 步骤3中计算得到的土壤侵 蚀模数， 进 行土壤侵蚀模数回归模 型训练， 最后得到训练好的土 壤侵蚀模数回归 模型； 所述土壤侵蚀模数回归模型， 由输入层、 隐含层和输出层组成， 各层之间实行全连接。 输入层输入的样本向量为Xk＝(x1， x2， ...， xn)， k＝1， 2， ...， m， m为样本数， n为输入层的神 经元数； n＝1时， 输入变量分别为土壤侵蚀方程中的因子； n＝7时， 输入变量为模拟的土壤 侵蚀模数A； 隐含层设置三层， 每层包括隐含层节点输入与输出， 并基于反向传播算法进行 网络权值和阈值的更新； 输出层输出Yk＝(y1， y2， ...， yq)， q为输出层的神经元数， 这里q＝ 1； n＝1时， 输出变量为与输入变量对应的野外水土流 失影响因子的观测值； n＝7时， 输出变 量为与输入变量对应的野外水土流失观测值； 步骤5： 将按步骤2计算得到的土壤侵蚀因子和步骤3计算得到的土壤侵蚀模数， 分别代 入训练好的土壤侵蚀模数回归 模型中进行计算， 最终 获得高精度的土壤侵蚀模数。 2.根据权利要求1所述的基于机器学习和观测数据的土壤侵蚀模数计算方法， 其特征 在于： 步骤1中， 所述土壤侵蚀因子有关数据包括： 日 降水量数据， 土壤理化性质资料， DEM， 归一化植被指数， 土地利用数据， 水土保持重点工程资料和生产建 设活动扰动资料； 所述预处理土壤侵蚀因子有关数据 是指， 获取土壤侵蚀因子相关数据后对数据进行重 投影， 使其具有统一的投影系统和坐标， 并对数据进行初运 算使其符合模型运 算要求。 3.根据权利要求1所述的基于机器学习和观测数据的土壤侵蚀模数计算方法， 其特征 在于： 步骤2中， 对获取的日降水量数据以预定阀值筛选并计算， 通过插值得到降雨侵蚀力 图层； 根据土壤理化性质资料、 DEM数据、 归一化植被指数、 土地利用数据、 水土保持重点工 程资料和生产建设活动扰动资料， 得到土壤可蚀性因子图层、 坡长因子图层、 坡度因子图 层、 生物措施因子图层、 工程措施因子图层和耕作措施因子图层。 4.根据权利要求1所述的基于机器学习和观测数据的土壤侵蚀模数计算方法， 其特征 在于： 步骤3中， 所述土壤侵蚀方程， 包括通用土壤流失方程USLE、 修正通用土壤流失方程 RUSLE和中国水土流失方程CSLE 。 5.根据权利要求1所述的基于机器学习和观测数据的土壤侵蚀模数计算方法， 其特征 在于： 步骤4中， 所述土壤侵蚀模数回归模型训练， 是分别对土壤侵蚀因子图层和土壤侵蚀 模数进行 校正， 得到训练好的土壤侵蚀模数回归 模型； 基于野外水土流失影响因子的观测值和野外水土流失观测值， 采取两种方式进行校 正， 不同函数对应不同的校正关系：权　利　要　求　书 1/3 页 2 CN 114154401 A 2(1)各因子的校正； 针对中国水土流失方程CSLE， 用野外水土流失影响因子的观测值对各土壤侵蚀因子R、 K、 L、 S、 B、 E、 T进行校正； 野外水土流失影响 因子的观测值分别对应记为Y1、 Y2、 Y3、 Y4、 Y5、 Y6和 Y7； 即： f1(R)＝Y1； f2(K)＝Y2； f3(L)＝Y3； f4(S)＝Y4； f5(B)＝Y5； f6(E)＝Y6； f7(T)＝V7； A＝R×K×L×S×B×E×T； 式中： A为年均土壤侵蚀量， 单位t  hm‑2a‑1； R为降雨侵蚀力， 单位MJ  mm hm‑2h‑1a‑1； K为土 壤可蚀性 因子， 单位thm2h hm‑2MJ‑1mm‑1； L坡长因子、 S坡度因子； B为生物措施因子； E为工程 措施因子； T为耕作措施因子； LS、 B、 E、 T是 无量纲。 (2)整体校正； 用野外水土流失观测值Y对土壤侵蚀模数A进行 校正； 即： f(A)＝Y。 6.一种基于机器学习和观测数据的土壤侵蚀模数计算系统， 其特征在于， 包括以下模 块： 模块1， 用于获取、 预处理土壤侵蚀因子有关数据； 获取野外水土流失影响因子的观测 值和野外水土流失观测值。 模块2， 用于利用模块1中预处理后的土壤侵蚀因子有关数据， 计算得到各土壤侵蚀因 子图层。 模块3， 用于利用模块2计算的各土壤侵蚀因子图层， 运用土壤侵蚀方程， 计算出理论的 高分动态土壤侵蚀模数。 模块4： 构建土壤侵蚀模数回归模型； 并运用机器学习方法， 利用模块1中获取的野外水 土流失影响因子的观测值、 野外水土流失观测值和模块2中计算得到的土壤侵蚀因子图层、 模块3中计算得到的土壤侵 蚀模数， 进 行土壤侵蚀模数回归模 型训练， 最后得到训练好的土 壤侵蚀模数回归 模型； 所述土壤侵蚀模数回归模型， 由输入层、 隐含层和输出层组成， 各层之间实行全连接。 输入层输入的样本向量为Xk＝(x1， x2， ...， xn)， k＝1， 2， ...， m， m为样本数， n为输入层的神 经元数； n＝1时， 输入变量分别为土壤侵蚀方程中的因子； n＝7时， 输入变量为模拟的土壤 侵蚀模数A； 隐含层设置三层， 每层包括隐含层节点输入与输出， 并基于反向传播算法进行 网络权值和阈值的更新； 输出层输出Yk＝(y1， y2， ...， yq)， q为输出层的神经元数， 这里q＝ 1； n＝1时， 输出变量为与输入变量对应的野外水土流 失影响因子的观测值； n＝7时， 输出变 量为与输入变量对应的野外水土流失观测值；权　利　要　求　书 2/3 页 3 CN 114154401 A 3