申请/专利权人:浙江大学杭州国际科创中心
申请日:2023-12-18
公开(公告)日:2024-04-19
公开(公告)号:CN117912596A
主分类号:G16C20/70
分类号:G16C20/70;G16C20/20;G06F18/214;G06F18/27;G06F18/243;G06N20/20
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.05.07#实质审查的生效;2024.04.19#公开
摘要:本发明公开了一种基于深度学习的土壤多环芳烃含量预测方法,该方法采用极端梯度提升方法从“源‑流‑汇”因子数据中识别出针对每种土壤多环芳烃含量的关键驱动因子,并通过关键驱动因子和每种土壤多环芳烃构建训练样本集来训练极端梯度提升树模型,从而使得训练得到模型能够综合考虑“源‑流‑汇”因子数据从而能够快速准确的预测出土壤多环芳烃含量。本发明还公开了一种基于深度学习的土壤多环芳烃含量预测装置。
主权项:1.一种基于深度学习的土壤多环芳烃含量预测方法,其特征在于,包括:从数据库中获得每种土壤多环芳烃含量数据,基于多环芳烃排放清单得到每种土壤多环芳烃的“源”因子数据,从遥感数据产品库中得到影响每种土壤多环芳烃的“流”因子数据,从土壤数据库中得到影响每种土壤多环芳烃的“汇”因子数据;将土壤进行栅格划分,将每个栅格内的土壤多环芳烃含量数据和“源-流-汇”因子数据作为样本,多个样本构建样本集,样本集包括建模样本集,基于建模样本采用极端梯度提升方法得到对于每种土壤多环芳烃含量的因子重要性排序,基于每种土壤多环芳烃含量的因子重要性排序采用因子叠加效应从“源-流-汇”因子数据中识别出每种土壤多环芳烃的关键驱动因子,基于样本中的每种土壤多环芳烃和对应的关键驱动因子构建训练样本,多个训练样本构建训练样本集;基于训练样本集对极端梯度提升树模型进行训练,直至训练次数达到设置的最大迭代次数停止训练得到土壤多环芳烃含量预测模型;将待检测土壤样本的关键驱动因子输入土壤多环芳烃含量预测模型得到待检测土壤样本的预测土壤多环芳烃含量。
全文数据:
权利要求:
百度查询: 浙江大学杭州国际科创中心 一种基于深度学习的土壤多环芳烃含量预测方法和装置
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。