一种基于关键影响因子的全局时空气象农灾预测方法技术

本发明专利技术公开了一种基于关键影响因子的全局时空气象农灾预测方法，包括以下步骤：对异构数据按照时间与空间进行融合，融合成时空数据立方体；收集特定农业灾害指标的历史数据；选出对农业灾害影响最大的指标组合作为影响因子；将时空数据立方体转化为无纲量平面；从云平台时空数据立方体中按时间与空间提取气象与农业关联数据分组；在二维特征平面集合基础上构建带有全局时空特性的农业灾害预测的第二神经网络，计算农灾发生概率。本发明专利技术针对全局时空气象农灾预测方法的改进，基于关键影响因子的全局时空气象农灾预测方法，能够从时间与空间两方面对特定区域与时间段气象与农业观测值进行全局分析，更准确预测未来可能发生的农业灾害。生的农业灾害。生的农业灾害。

A global spatiotemporal meteorological agricultural disaster prediction method based on key influence factors

【技术实现步骤摘要】
一种基于关键影响因子的全局时空气象农灾预测方法


[0001]本专利技术涉及农业气象灾害分析领域，特别涉及一种基于关键影响因子的全局时空气象农灾预测方法。

技术介绍

[0002]随着我国农业生产模式转型和各类技术手段的提升，我国气象行业累计数据体量达到了大数据的海量性特征，农业气象灾害的各种预测方法和系统不断涌现。目前利用大数据技术在地球科学领域积极探索，证明了机器学习、深度学习等方法在地球科学大数据上应用的可行性，为地球科学研究提供了更多的思路与方法。使用数据密集型方法来驱动农业技术，为量化和理解农业作业环境中的过程创造新机会。
[0003]农业气象数据集领域各异、形式多样，需要有机地融合各个数据集中的知识。为了能够处理多个来源的异构灾害数据，需要解决数据集成方案和摄入问题，这些解决方案分为相互交互的组件，难以确保以高度协调的方式最佳地提供与灾害有关的信息。基于不同数据的个体预测的神经网络方法相比于初始输入，相关的误差要低得多，不同数据的神经网络融合为一个稳定的状态提供了更佳的解决方案。
[0004]现阶段农灾预测研究中已经出现本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于关键影响因子的全局时空气象农灾预测方法，其特征在于，该预测方法包括以下步骤：步骤1，将农业气象异构数据上传至云平台，利用第一神经网络对异构数据按照时间与空间进行融合，融合成时空数据立方体，对时空数据立方体进行聚合；步骤2，对聚合后的时空数据立方体进行分析并获取关键特征数据，从关键特征数据中收集特定农业灾害指标的历史数据；步骤3，对特定农业灾害指标的历史数据采用极端随机树方法，实施集成化回归分析，预测出农业灾害指标，筛选出对农业灾害影响最大的指标组合作为影响因子；步骤4，根据影响因子从云平台抽取与极端天气、农业灾害相关的文本、图像对应的时空数据立方体，利用LSTM神经网络处理文本特征，利用卷积神经网络处理图像特征，将处理后的文本特征和图像特征输入到激活函数Softmax中形成一个向量，作为联合特征表示；以该联合特征表示为输入，以历史农业灾害指标预测为辅助学习任务，构建辅助学习网络，通过最小化预测误差，训练特征提取器；步骤5，从云平台中抽取代表极端天气和农业灾害数据的时空数据立方体，将时空数据立方体转化为由若干无纲量序列组成的无纲量平面；步骤6，在无量纲平面之间按序列相关度将具有关联关系的极端天气数据与农业灾害数据进行映射，在无量纲平面内部按序列相关性寻找同类型数据之间的关联关系；步骤7，根据极端天气与农业灾害的关联关系，从云平台时空数据立方体中按时间与空间提取气象与农业关联数据分组，并根据联合特征表示将关联数据分组表征为带有全局时空特性的二维特征平面集合；步骤8，在二维特征平面集合基础上构建带有全局时空特性的农业灾害预测的第二神经网络，计算农灾发生概率。2.根据权利要求1所述的预测方法，其特征在于，利用第一神经网络对异构数据按照时间与空间进行融合过程包括：将不同农业气象异构数据、上下文描述符及当前时空步长的时空观测量共同建模作为输入，利用反向传播算法训练的前馈神经网络；得到融合后的时空数据立方体。3.根据权利要求1所述的预测方法，其特征在于，利用层次聚类从关键特征数据中收集特定农业灾害指标的历史数据，包括：输入融合后的...

【专利技术属性】
技术研发人员：胡曦然，荣欢，杨钧茗，骆维瀚，钱敏峰，马廷淮，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：