买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：武汉大学

摘要：本申请公开了从土壤含水率数据监测变饱和土壤水通量的方法、装置。该方法包括：基于土壤含水率数据集构建计算时空区间；构建变饱和土壤水通量的预训练神经网络框架，基于弱先验知识约束并在局部计算时空区间内，训练预训练神经网络框架；基于强先验知识约束并在局部计算时空区间内进行再训练；构建变饱和土壤水通量的神经网络框架，根据再训练结果并在全局计算时空区间内训练神经网络框架；将指定时空位置输入神经网络框架。采用弱先验约束与强先验约束相互衔接的顺序训练神经网络框架，调和了含噪数据与不完备先验知识之间的矛盾，并发挥二者的协同互补作用，从而无需监测场景下的初始与边界条件，由此实现了变饱和土壤水通量监测的需要。

主权项：1.一种从土壤含水率数据监测变饱和土壤水通量的方法，其特征在于，包括：基于土壤含水率数据集构建计算时空区间，所述计算时空区间被划分为全局计算时空区间和局部计算时空区间，其中所述土壤含水率数据集的元素为土壤含水率及其所对应的时间信息、空间信息，所述计算时空区间由时间信息的分布范围、空间信息的分布范围所形成；局部计算时空区间Dp为z∈[0，zinter]，其中，zinter表示为： 式中，#{·}为计数函数；θs为土壤饱和体积含水率，θt，z为土壤体积含水率，min〔.〕为最小值，t为时间信息，z为空间信息，Dg为全局计算时间区间；所述计算时空区间内的测点为以下公式所表示形式， Pm_g＝{tj，zj|χDt，z＝1}，j＝1，2，3...，Nm_g；Pa_p，Pa_g＝LHSDp，Na_p，LHSDg，Na_g；上式中，Pm_p、Pa_p均为局部计算空间内测点的集合，Nm_p为集合Pm_p的元素数量，Na_p，为集合Pa_g的元素数量，Pm_g、Pa_g均为全局计算空间内测点的集合，Nm_g为集合Pm_g的元素数量，Na_g为集合Pa_g的元素数量；χΩ·为对时空Ω的示性函数；LtSΩ，N为在时空Ω中进行N次超拉丁立方采样；构建变饱和土壤水通量的预训练神经网络框架，基于弱先验知识约束并在所述局部计算时空区间内，训练所述预训练神经网络框架；所述预训练神经网络框架为以下公式所表示形式， 式中，为基质势的预训练神经网络框架；为土壤含水率预训练神经网络框架；为土壤导水率预训练神经网络框架，为土壤导水率的弱先验知识约束；t为时间信息，z为空间信息；W,B为对应网络需要更新的更新参数；和或，训练所述预训练神经网络框架对应的损失函数为以下公式所表示形式，Loss＝wRRELRRE+wθLθ； 式中，Loss为预训练神经网络框架的损失函数；wRRE为RRE残差系数；LRRE为RRE配点残差；wθ为含水率预测误差系数；Lθ为含水率预测误差；l·为误差函数；ti,zi＝Pm_p为局部计算时空区间测点；tj,zj＝Pa_p为局部计算时空区间配点；和或，训练所述预训练神经网络框架对应的更新参数为以下公式所表示形式， 上式中，W,B为更新的参数，Loss为神经网络损失函数；基于强先验知识约束并在所述局部计算时空区间内，对经过训练的预训练神经网络框架进行再训练；关于土壤含水率的强先验知识约束为以下公式所表示形式， 上式中，θr为土壤残余体积含水率；KS_sqr,n为待更新参数；和或，再训练预训练神经网络框架对应的更新参数为以下公式所表示形式， 上式中，W，B，KS_sqr，n为再训练预训练神经网络框架对应的更新参数，Loss为预训练神经网络的损失函数；构建变饱和土壤水通量的神经网络框架，根据预训练神经网络框架的再训练结果并在所述全局计算时空区间内训练所述神经网络框架；所述神经网络框架为以下公式所表示形式， 式中，为基质势神经网络框架；为土壤含水率神经网络；为土壤导水率神经网络；t为时间信息，z为空间信息；W,B,KS_sqr,n为对应网络需要更新的参数；KS_sqr,n为初始位置；将隶属于所述全局计算时空区间的指定时空位置输入经过训练的神经网络框架，以生成所述指定时空位置对应的土壤水通量；生成所述指定时空位置对应的土壤水通量，通过以下公式所表示， 式中，为土壤水通量，为基质势神经网络框架，tori为以坐标表示的时间信息，zori为以坐标表示的空间信息。

全文数据：

权利要求：

百度查询： 武汉大学 从土壤含水率数据监测变饱和土壤水通量的方法、装置