本发明属于土壤参数估计，具体涉及一种基于深度学习单步映射的土壤参数估计方法。
背景技术：
1、土壤参数估计是土壤科学、农业工程及环境监测中的一个重要研究领域。土壤参数，包括水力传导系数、孔隙度、热导等，是理解和预测土壤水分运动和热传递过程的关键因素；这些参数通常具有较大的空间变异性和复杂的非线性特征，其准确估计对于农田灌溉管理、洪水预测、干旱监测及气候模型的精度至关重要；实现土壤参数估计的精确表征的关键难点在于其固有的空间复杂性和非均质性；传统的土壤参数估计与分析手段依赖于直接的土壤取样和实验室分析，这些方法虽然能够提供精确的参数值，但操作繁琐、成本高且效率低。
2、随着技术的发展，非接触式的遥感和地球物理方法被引入，比如介电传感器、中子散射法、电容传感器、时域反射法(tdr)、电阻率测量、热脉冲传感器、光纤传感器、频域反射法(fdr)等。这些技术可以在不干扰土壤的情况下进行土壤水分和其他参数的实时监测。然而，这些方法通常依赖于特定的环境条件，并且对于土壤类型和湿度条件的变化较为敏感，导致在不同应用场景下的参数估计可能存在误差。随着计算机科学和数值模拟技术的进步，数据同化技术(da)被广泛应用于土壤参数的估计中。例如，集合卡尔曼滤波(enkf)和其衍生算法多数据同化集合平滑(esmda)，能够有效地利用时间序列数据更新土壤参数，但这些方法主要基于线性假设，当面对土壤系统的强非线性特性时，其性能和准确性会大幅度下降。此外，传统的数据同化方法需要多次迭代计算，每次迭代都需要执行完整的模型仿真，这在处理大规模或复杂的土壤系统时，会造成显著的计算负担。因此，亟需开发有效的土壤参数估计数据同化方法。
技术实现思路
1、针对于上述现有技术的不足，本发明的目的在于提供一种基于深度学习单步映射的土壤参数估计方法，其通过深度学习(dl)捕获多类型数据间的复杂定量联系，用于精确刻画非均质土壤参数非线性关系和非高斯特征。本发明方法利用多源观测数据通过深度学习直接更新模型参数，在非均质非饱和土壤的非线性、非高斯等复杂条件下也可实现土壤参数的有效估计；解决了现有esmda等方法在处理土壤系统的强非线性、非高斯特性时，其性能和准确性会大幅度下降，迭代方式也造成较大计算负担的问题。
2、为达到上述目的，本发明采用的技术方案如下：
3、本发明的一种基于深度学习单步映射的土壤参数估计方法，步骤如下：
4、步骤s1：将土壤水力/热参数构成的土壤参数先验集合输入土壤数值模型得到其对应的土壤模型状态输出集合；
5、步骤s2：将土壤模型状态输出集合中每个状态输出分别加上一个随机观测误差扰动，形成土壤模型扰动状态集合，将土壤模型扰动状态集合与土壤参数先验集合进行组合，构成深度学习模型的训练数据集合；
6、步骤s3：将深度学习模型的训练数据集合中的土壤模型扰动状态集合作为输入、对应的土壤参数先验作为输出，输入深度学习模型进行训练，得到训练后的深度学习模型，用于描述土壤模型状态输出到土壤水力/热参数的单步映射关系；
7、步骤s4：将监测到土壤状态实际观测数据中加入随机观测扰动，形成土壤观测扰动集合，输入训练后的深度学习模型得到估计的土壤水力/热参数值。
8、进一步地，所述步骤s1具体包括：在土壤水力/热参数的先验取值范围内随机选取nsample组参数样本其中为第i个土壤参数先验样本；将参数样本m(prior)中各参数样本分别输入土壤数值模型得到相应的土壤模型状态输出集合d(prior)，其中为对应第i个土壤参数先验样本的土壤模型状态输出，nsample为先验采样数量。
9、进一步地，所述步骤s1土壤数值模型为hydrus-2d或comsol。
10、进一步地，所述步骤s2具体包括：
11、土壤模型状态输出集合d(prior)中每个状态输出分别加上一个随机观测误差扰动εi，形成土壤模型扰动状态集合记为其中εi为服从观测误差概率分布的随机扰动向量；土壤模型扰动状态集合与土壤参数先验集合组合到一起，构成深度学习模型的训练数据集合
12、进一步地，所述步骤s3具体包括：
13、将土壤模型扰动状态集合作为输入、土壤参数先验集合作为输出，输入深度学习模型θdl进行训练，得到训练后的深度学习模型用以描述土壤模型状态输出到土壤水力/热参数的单步映射，表示为：
14、进一步地，所述步骤s4具体包括：
15、将监测设备监测到的包含土壤水压力、温度的土壤状态实际观测数据中加入随机观测扰动εi，形成土壤观测扰动集合其中为服从观测误差概率分布的随机扰动向量；将集合输入训练后的深度学习模型得到估计的土壤水力/热参数值，其中表示更新后的土壤参数集合，
16、本发明的有益效果：
17、1、本发明方法通过直接将多源观测数据单步映射到后验参数向量，能够更准确地反映复杂的非线性和非高斯特性的土壤性质，同时无需迭代，可节省大量计算成本；提高了土壤参数估计的准确性，尤其是在处理复杂土壤参数时效果更为显著。
18、2、本发明方法采用深度学习模型可以设计为在较小的训练数据集上有效运行，减少了计算资源的需求。同时，单步映射的算法优化允许在保持高精度的同时，快速进行数据处理和更新，这对于实时或大规模地质勘探应用尤其重要。
19、3、本发明中单步映射土壤参数估计框架支持多种深度学习架构，如u-net和resnet，使其可以灵活适应不同的数据集和需求。此外，该方法可扩展性强，适用于从小规模到大规模的地质数据集，满足不同规模项目的需求。
20、4、本发明方法在存在模型结构误差的情况下，仍能有效地识别和表征裂隙含水层结构；通过直接学习从观测数据到参数的映射来实现的，减少了传统方法中模型假设导致的误差。
21、5、本发明方法能够处理并整合不同来源、不同类型的地质数据，如电磁数据和电阻率层析数据；能在更全面的数据支持下进行决策，提高了决策的信息支持度。
1.一种基于深度学习单步映射的土壤参数估计方法，其特征在于，步骤如下：
2.根据权利要求1所述的基于深度学习单步映射的土壤参数估计方法，其特征在于，所述步骤s1土壤数值模型为hydrus-2d或comsol。
3.根据权利要求1所述的基于深度学习单步映射的土壤参数估计方法，其特征在于，所述步骤s1具体包括：在土壤水力/热参数的先验取值范围内随机选取nsample组参数样本其中为第i个土壤参数先验样本；将参数样本m(prior)中各参数样本分别输入土壤数值模型得到相应的土壤模型状态输出集合d(prior)，其中为对应第i个土壤参数先验样本的土壤模型状态输出，nsample为先验采样数量。
4.根据权利要求3所述的基于深度学习单步映射的土壤参数估计方法，其特征在于，所述步骤s2具体包括：
5.根据权利要求4所述的基于深度学习单步映射的土壤参数估计方法，其特征在于，所述步骤s3具体包括：
6.根据权利要求5所述的基于深度学习单步映射的土壤参数估计方法，其特征在于，所述步骤s4具体包括：
