基于知识图谱的农作物灾害损失及产量预测系统及方法技术方案

本发明专利技术提供一种基于知识图谱的农作物灾害损失及产量预测系统及方法，该系统包括数据采集模块、知识表达模块、关联分析模块、致灾因素分析模块、灾害损失及产量预测模块、人机交互模块。用户通过人机交互模块输入各组成模块的运行参数后，数据采集模块从多个数据源采集数据并进行集成；知识表达模块基于采集、集成的数据构建并存储农作物产量的全要素知识图谱；关联分析模块基于该知识图谱构建农作物产量及灾害影响的多度关系动态网络；致灾因素分析模块基于该关系网络自动识别出致灾因素，灾害损失及产量预测模块基于该关系网络和识别出的致灾因素预测农作物灾害损失及实际产量；最后人机交互模块输出预测结果。最后人机交互模块输出预测结果。最后人机交互模块输出预测结果。

【技术实现步骤摘要】
基于知识图谱的农作物灾害损失及产量预测系统及方法


[0001]本专利技术属于农作物产量预测
，具体涉及一种基于知识图谱的农作物灾害损失及产量预测系统及方法。

技术介绍

[0002]通过检索百度学术、IEEE Explorer以及公开技术资料，农作物灾害预测与产量预测的研究及应用现状归纳如下：(1)在天气指数保险领域，产量预测所涵盖的农作物和地区，以水稻、玉米等农作物为主，在中国涉及地区有黑龙江、安徽、广东、湖南、江苏等省份；(2)面向气象灾害损失的产量预测方法，通常分为经验定价法，分布拟合法，以及动态建模法。经验定价法相对简单，其缺点在于仅仅使用历史数据，无法考虑所有的极端天气情况，也没有考虑气候条件随时间的趋势性变动。由于近年来全球气候变暖的大背景，以及各地高温、暴雨、洪水、热浪等极端天气增多，历史的经验数据已经无法很好的代表未来的天气情况，所以需要使用动态建模法，通过对原始气温数据进行动态建模预测未来的天气变化，并以此为依据用于产品定价。(3)产量预测技术最新进展包括，引入机器学习进行产量预测，遥感和物联网数据的应用，对一些天气指标进行优化，或者考虑全球气候变化因素，除了需要考虑过去的天气历史数据之外，还考虑到天气变化的整体趋势，还有一些天气指数保险精算，引入了反映农民抵抗气象灾害能力的“风险预防因子”，建立了水稻相对气象损失率与相关因子的回归模型，以实现更好的拟合效果；还有利用历史气象资料和水稻生育期资料，对水稻高温热害的发生规律分区域、分等级、分生育期地进行精细化、定量化分析和评估。(4)针对自然灾害的产量预测模型，在机器学习方面进展较大，有一篇基于神经网络的产量预测文献“A GNN
‑
RNN Approach for Harnessing Geospatial and Temporal Information:Application to Crop Yield Prediction，发表于AAAI 2022学术会议，提出一种基于GNN
‑
RNN的模型对粮食产量进行预测，将气候特征细化，分为随时间变化的特征和固定的特征，利用更长时间和更大空间的数据集。
[0003]综合所检索的文献可以判断，现有农作物灾害损失与产量预测的技术，采用确定的、有限的农作物生产及自然灾害参数、在历史数据基础上进行拟合计算。然而，由于农作物生产影响因素众多，气候动态变化，自然灾害及农作物数据的质量无法保证，致灾因素甄别方面存在不确定、不精确或不真实情况，因此在原理上难以保障灾害损失及产量预测的准确性；在技术上也不支持面向不同区域、不同作物构造参数可定制的产量预测模型，不支持数据驱动的智能化产量预测；在应用上无法满足面向不同区域、不同作物、不同用户，成规模、高效率开发天气指数保险产品及数字农业应用，不支持天气指数保险网络化营销所需的柔性定制。针对上述问题，本专利技术提出一种采用农业生产实际数据、通过知识图谱识别致灾因素，从而能够实现精准预测的预测系统及方法。
[0004]特别的，上述的AAAI 2022学术会议论文，虽然采用了主流深度学习的产量预测模型，但是其解决的问题是现有产量预测方法中面向区域较小，时间短，假设多、计算复杂，没有考虑不同地区的气候和土壤条件差异的问题。具体地，其应用场景和目标，并不针对自然
灾害情况下的产量预测，面向的是大面积统计预测而非分地区分品类的农作物产量预测，仍然采用确定的地理参数而非区域特征参数，只采用气候参数而没有从致灾因素出发，参数是确定的而非如本专利技术一样通过知识图谱识别致灾因素，采用的是开放实验数据集，而非本专利技术采用的农业生产实际数据。

技术实现思路

[0005]本专利技术是为解决上述问题而进行的，目的在于为天气指数保险以及数字农业应用提供一种预测精准、要素综合、参数可定制的农作物灾害损失及产量预测系统及方法。
[0006]专利技术人认为，知识图谱是解决上述问题的关键技术，配合深度学习进行关联分析，可以形成新一代产量预测模型。然而，虽然机器学习和指标优化已经有相关应用，但是尚未在文献中发现知识图谱及关联分析在农作物产量预测中的应用。知识图谱是被广泛接受的数据表达技术，具有结构化、语义化以及可扩充等特征，是大数据处理和关联分析的基础，支持模型驱动的数据自动处理，可持续引进新的影响因素，且在计算结果和影响因素之间存在良好的可解释性。因此，通过知识图谱来表达农业生产要素及其关系，可以将农业产量影响因素进行结构化语义表达，确定影响农业产量的因素及其贡献度，增加预测的准确性和合理性，涵盖的影响因素和关系线索越多，挖掘性能就越强，对致灾因素的识别、费率的基差就越小。因此，构造全要素、多维关系的知识图谱来解决上述问题。
[0007]基于上述分析，本专利技术提出了一种农作物灾害损失及产量预测系统及方法，与现有技术中的产量预测方法相比，本专利技术的应用场景是农业天气指数保险，以及涉及产量预测的数字农业应用；基本原理是通过农作物产量全要素知识图谱，纳入所有必要的影响因素，实现农作物生产涉及的自然灾害影响因素综合性和结构化，在此基础上通过深度学习及关联分析准确识别真实的致灾因素，进而构造产量预测模型及算法模型。
[0008]具体地，本专利技术采用了如下技术方案：
[0009]本专利技术提供了一种基于知识图谱的农作物灾害损失及产量预测系统，其特征在于，包括：数据采集模块，从多个数据源采集多种数据并进行集成，得到集成的农作物数据；知识表达模块，基于所述集成的农作物数据构建及存储农作物产量的全要素知识图谱；关联分析模块，基于所述农作物产量全要素知识图谱构建农作物产量及灾害影响的多度关系动态网络；致灾因素分析模块，基于所述多度关系动态网络，通过深度学习识别出致灾因素；灾害损失及产量预测模块，基于所述多度关系动态网络以及所述致灾因素进行农作物灾害损失及产量预测，得到预测结果；以及人机交互模块，为用户提供用户界面，该用户界面至少用于输入参数以及输出所述预测结果。
[0010]本专利技术提供的基于知识图谱的农作物灾害损失及产量预测系统，还可以具有这样的技术特征，其中，所述全要素知识图谱按以下方式构建：定义影响农作物生产的自然灾害因素，定义影响农作物生产的种养殖环境因素，定义农作物生产流通因素，定义农户金融信贷因素，定义农户抗灾因素，基于特征学习和扎根理论识别和定义各因素涉及的概念和关系，通过知识图谱开发环境构建所述全要素知识图谱。
[0011]本专利技术提供的基于知识图谱的农作物灾害损失及产量预测系统，还可以具有这样的技术特征，其中，所述多度关系动态网络按以下方式构建：定义典型致灾模式，分析灾害损失案例，在所述全要素知识图谱的基础上基于特征学习对面向指定致灾模式的关系进行
聚类，识别并验证涉及的多度关系，构建基于所述多度关系的所述多度关系动态网络。
[0012]本专利技术提供的基于知识图谱的农作物灾害损失及产量预测系统，还可以具有这样的技术特征，其中，所述灾害损失及产量预测模块包括：神经网络预测子模块，将所述多度关系动态网络输入图神经网络模型，对农作物灾害损失及产量进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于知识图谱的农作物灾害损失及产量预测系统，其特征在于，包括：数据采集模块，从多个数据源采集多种数据并进行集成，得到集成的农作物数据；知识表达模块，基于所述集成的农作物数据构建及存储农作物产量的全要素知识图谱；关联分析模块，基于所述农作物产量全要素知识图谱构建农作物产量及灾害影响的多度关系动态网络；致灾因素分析模块，基于所述多度关系动态网络，通过深度学习识别出致灾因素；灾害损失及产量预测模块，基于所述多度关系动态网络以及所述致灾因素进行农作物灾害损失及产量预测，得到预测结果；以及人机交互模块，为用户提供用户界面，该用户界面至少用于输入参数以及输出所述预测结果。2.根据权利要求1所述的基于知识图谱的农作物灾害损失及产量预测系统，其特征在于：其中，所述全要素知识图谱按以下方式构建：定义影响农作物生产的自然灾害因素，定义影响农作物生产的种养殖环境因素，定义农作物生产流通因素，定义农户金融信贷因素，定义农户抗灾因素，基于特征学习和扎根理论识别和定义各因素涉及的概念和关系，通过知识图谱开发环境构建所述全要素知识图谱。3.根据权利要求1所述的基于知识图谱的农作物灾害损失及产量预测系统，其特征在于：其中，所述多度关系动态网络按以下方式构建：定义典型致灾模式，分析灾害损失案例，在所述全要素知识图谱的基础上基于特征学习对面向指定致灾模式的关系进行聚类，识别并验证涉及的多度关系，构建基于所述多度关系的所述多度关系动态网络。4.根据权利要求1所述的基于知识图谱的农作物灾害损失及产量预测系统，其特征在于：其中，所述灾害损失及产量预测模块包括：神经网络预测子模块，将所述多度关系动态网络输入图神经网络模型，对农作物灾害损失及产量进行预测，得到第一预测结果；模数结合预测子模块，基于所述致灾因素，采用模数结合方法对农作物灾害损失及产量进行预测，得到第二预测结果；以及综合预测子模块，对所述第一预测结果和所述第二预测结果进行综合评价及结果修正，得到综合预测结果。5.根据权利要求4所述的基于知识图谱的农作物灾害损失及产量预测系统，其特征在于：其中，所述综合预测子模块基于所采集数据的质量，以及预测结果与所述多度关系动态网络的联动一致性程度，分析所述第一预测结果和所述第二预测结果的一致性程度，...

【专利技术属性】
技术研发人员：李银胜，柴洪峰，
申请(专利权)人：复旦大学，
类型：发明
国别省市：