A novel local-global dependency deep learning model for soil mapping

发布时间:2023年12月26日

程哥的一区文章

“A novel local-global dependency deep learning model for soil mapping” (Li 和 Zhang, 2022, pp. -) (pdf)

研究问题:“工 程 “ discrete” 特征不能反映环境协变量 之间 的相 互作 用或 依赖 关系” (pdf)

预测的对象是土壤质地的预测。属于step1里面的对于变量的选择。

研究方法:

“设 计 了 一 种 协 变 量 重 组 方 法 来 生 成 多 组 输 入 ; 随 后 , 采 用 长 短 期 记 忆 模 型 (L S TM) 提 取 协 变 量 之 间 的 相 互 依 赖 关 系 。 最 后 , 使 用 全 连 接 层 生 成 预 测 。” (pdf)image

然后根据r的相关性,选择排序最相关的,放进去。这个第一种方法,第二种方法是,最相关的a放最后,与a最相关的放最后第二···。image

image

然后这个再根据相关性,比如协变量B,它的相关性就是BDEAC。将它重组之后的排序BDEAC和原始的的BCEDA进行全链接。进行土壤质地的预测。

研究区域:中国

数据集:“本研究的土壤质地数据来源于第二次全国土壤调查” (Li 和 Zhang, 2022, p. 5) (pdf) 🔤本研究的土壤质地数据来源于第二次全国土壤调查🔤

本文的贡献:

“1.提 出 一种 协变 量 重组 方法 , 在预 测模 型 中生 成多 组 输入 ,将 最相 关或次级相关的环境协变量放在相邻的位置。

2.采用多个 LST M 模型提取协变量之间的相互依赖关系,反映环境 协变量之间的相互作用,随后使用全连接层 (FCN)建立土壤性质与 环境协变量之间的关系。” (Li 和 Zhang, 2022, p. 4)

“3.进行 profile-to-profile 实验来评估所提出的模型,并将其与基于 RF 和 cnn 的模型在不同土壤深度下进行比较。

4.探 索 所提模型的不同结构对改善土壤纹理预测的影响。” (Li 和 Zhang, 2022, p. 4)

协变量相关性。

“我们假设如果相邻协变量之间不存在相 关 性, 它可能 会在 反向 传播过 程中 面临梯 度消 失问 题,并 进一 步影 响预测性能(Fei和 T an, 2018)。

为了缓解这个问题,提出了第二种重 组方法(称为 LGD-LST M)。我们还将最相关的协变量 (简称 A)放在 了 这个 方法的 最后 一个 维度。

我们 没有选 择第 二个 相关的 协变 量, 而是与 A 计算其他协变量中最相关的一个,并将其放置在倒数第二 个 维度 。依次 类推 其他 协变量 。

通 过这种 方式 ,我 们希望 确保 相邻 的 协 变 量 既具有相关 性,又能缓解 梯度消失问题 。” (Li 和 Zhang, 2022, p. 9)

评估指标:

R2,Rmse,KGE

还做了不确定性分析。

总结:

  • 预测的对象是土壤质地的预测。属于landbench里step1里面的对于变量的选择。
  • 设 计 了 一 种 协 变 量 重 组 方 法 来 生 成 多 组 输 入 ; 随 后 , 采 用 长 短 期 记 忆 模 型 (L S TM) 提 取 协 变 量 之 间 的 相 互 依 赖 关 系 。 最 后 , 使 用 全 连 接 层 生 成 预 测
文章来源:https://blog.csdn.net/neyman/article/details/135204251
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。