作物产量预测方法、装置、电子设备及介质制造方法及图纸

本发明专利技术提供了一种作物产量预测方法、装置、电子设备及介质，涉及产量预测技术领域，包括：归一化处理待预测作物原始数据，获取待预测作物特征数据；输入待预测作物特征数据至作物产量预测模型，获取作物产量预测模型输出的产量预测数据；作物产量预测模型是根据所有具备完整维度特征的样本数据训练得到的；所述具备完整维度特征的样本数据是根据生成对抗网络对图网络中节点缺失的缺失维度特征进行数据插补后确定的。本发明专利技术利用不同种植地点的不同作物数据之间存在强相关性这一特点，为缺失维度特征的数据插补提供线索依据，进而优化作物产量预测模型，即使在某些作物性状缺失的情况下也能准确预测作物产量，进而提高作物产量预测精度。预测精度。预测精度。

【技术实现步骤摘要】
作物产量预测方法、装置、电子设备及介质


[0001]本专利技术涉及产量预测
，尤其涉及一种作物产量预测方法、装置、电子设备及介质。

技术介绍

[0002]作物产量预测对粮食供应链、农业保险、农业政策制定具有重要意义，作物产量预测任务异常复杂，其原因在于产量取决于多种因素，如气象环境、土壤质量、作物本身的性状及其相互作用。目前的预测模型主要是基于作物生长的独立的气象环境，忽略了不同地点之间的气象环境空间相关性及其相互影响，且作物种植数据中的数据缺失问题严重影响作物产量预测的准确性。

技术实现思路

[0003]本专利技术提供一种作物产量预测方法、装置、电子设备及介质，用以解决现有作物产量预测不够准确的技术问题，本专利技术通过图网络建立不同种植地点的空间相关性，以填补缺失的性状属性，并实现收获前作物产量的精准预测。
[0004]第一方面，本专利技术提供了一种作物产量预测方法，包括：归一化处理待预测作物原始数据，获取待预测作物特征数据；输入所述待预测作物特征数据至作物产量预测模型，获取所述作物产量预测模型输出的产量预测数据；所述作物产量预测模型是根据所有具备完整维度特征的样本数据训练得到的；所述具备完整维度特征的样本数据是根据生成对抗网络对图网络中节点缺失的缺失维度特征进行数据插补后确定的；所述图网络是将所有具备原始维度特征的样本数据的各个维度特征作为节点特征而构建的；所述所有具备原始维度特征的样本数据至少包括缺失维度特征的样本数据。
[0005]根据本专利技术提供的作物产量预测方法，归一化处理待预测作物原始数据，获取待预测作物特征数据，包括：获取每一待预测作物原始数据中的所有性状数据以及所有气象数据，计算每一气象数据的平均值以及方差；将每一性状数据、每一气象数据的平均值和方差作为维度特征，计算每一维度特征与作物产量间的皮尔逊相关系数，并按照皮尔逊相关系数从高至低的顺序对所有维度特征进行排序，获取排序后维度特征；归一化处理所述排序后维度特征，获取待预测作物特征数据；所述气象数据包括日最高气温、日平均气温、日最低气温、日温差、日平均地面气压、日平均相对湿度、日降水量、日平均风速、日最大风速、日风力等级以及日日照时数；所述性状数据包括品种类型、株型、穗型、持绿性、幼苗叶鞘色、轴色，穗腐病、大斑
病、灰斑病，株高、穗位高、空杆率、穗长、秃尖长、行粒数、穗柄长度、穗粗以及生育期；所述待预测作物特征数据包括株型维度特征、穗型维度特征、持绿性维度特征、幼苗叶鞘色维度特征、轴色维度特征、穗腐病维度特征、大斑病维度特征、灰斑病维度特征、株高维度特征、穗位高维度特征、空杆率维度特征、穗长维度特征、秃尖长维度特征、行粒数维度特征、穗柄长度维度特征、穗粗维度特征、生育期维度特征、日最高气温平均值维度特征、日最高气温方差维度特征、日平均气温平均值维度特征、日平均气温方差维度特征、日最低气温平均值维度特征、日最低气温方差维度特征、日温差平均值维度特征、日温差方差维度特征、日平均地面气压平均值维度特征、日平均地面气压方差维度特征、日平均相对湿度平均值维度特征、日平均相对湿度方差维度特征、日降水量平均值维度特征、日降水量方差维度特征、日平均风速平均值维度特征、日平均风速方差维度特征、日最大风速平均值维度特征、日最大风速方差维度特征、日风力等级平均值维度特征、日风力等级方差维度特征、日日照时数平均值维度特征以及日日照时数方差维度特征。
[0006]根据本专利技术提供的作物产量预测方法，在输入所述待预测作物特征数据至作物产量预测模型，获取所述作物产量预测模型输出的产量预测数据之前，还包括：将所有具备原始维度特征的样本数据的各个维度特征作为所有样本数据的节点特征，根据所有样本数据的节点特征构建图网络；根据生成对抗网络对图网络中节点缺失的缺失维度特征进行数据插补，获取所有具备完整维度特征的样本数据；根据所有具备完整维度特征的样本数据以及每一样本数据所对应的样本产量进行训练，获取作物产量预测模型；所述缺失维度特征包括灰斑病维度特征、穗腐病维度特征、大斑病维度特征、轴色维度特征、品种类型维度特征、持绿性维度特征、穗型维度特征、穗长维度特征、秃尖长维度特征、穗粗维度特征、空杆率维度特征以及穗柄长度维度特征中的至少一种。
[0007]根据本专利技术提供的作物产量预测方法，所述根据所有样本数据的节点特征构建图网络，包括：计算任意两个样本数据间节点特征的余弦距离；将余弦距离大于预设数值的两个样本数据确定为关联节点对；以所有样本数据作为节点、以所有关联节点对的连接作为边，构建所述图网络。
[0008]根据本专利技术提供的作物产量预测方法，所述根据生成对抗网络对图网络中节点缺失的缺失维度特征进行数据插补，包括：输入所述图网络中节点缺失的缺失维度特征至所述生成对抗网络，根据所述生成对抗网络的网络结构以及属性的联合分布，获取生成对抗网络输出的存在特征缺失的节点所对应的插补特征；根据所述插补特征更新样本数据，获取所有具备完整维度特征的样本数据。
[0009]根据本专利技术提供的作物产量预测方法，所述作物产量预测模型为图注意力网络模型；所述输入所述待预测作物特征数据至作物产量预测模型，获取所述作物产量预测模型输出的产量预测数据，包括：所述图注意力网络模型由一个多头图注意力网络层、一个单头图注意力网络层和
全连接层构成，将所述待预测作物特征数据作为待预测节点特征输入至图注意力网络模型，依次经过多头图注意力网络层、单头图注意力网络层、全连接层，最终获取所述图注意力网络模型输出的产量预测数据。
[0010]根据本专利技术提供的作物产量预测方法，所述依次经过多头图注意力网络层、单头图注意力网络层、全连接层，最终获取所述图注意力网络模型输出的产量预测数据，包括：将所述图网络中每一节点的完整维度特征作为节点初始特征嵌入向量，计算每个节点与其所有邻居节点的注意力系数并作为节点受邻居节点影响的权重，根据权重加权求和计算特征变换后的节点特征向量；根据所述全连接层以及所述变换后的节点特征向量获取所述产量预测数据。
[0011]根据本专利技术提供的作物产量预测方法，所述根据所有具备完整维度特征的样本数据以及每一样本数据所对应的样本产量进行训练，获取作物产量预测模型，包括：根据预设划分策略划分所述所有具备完整维度特征的样本数据，确定测试样本数据以及训练样本数据；根据测试样本数据以及每一测试样本数据所对应的测试样本产量确定测试集，根据训练样本数据以及每一训练样本数据所对应的训练样本产量确定训练集；根据所述训练集进行模型训练，获取作物产量预测模型；所述预设划分策略包括：将缺失维度特征的特征数量大于预设数量的样本数据确定为测试样本数据，将缺失维度特征的特征数量小于或等于预设数量的样本数据确定为训练样本数据；或，根据预设比例划分所述样本数据，确定测试样本数据以及训练样本数据。
[0012]第二方面，提供了一种作物产量预测装置，包括：获取单元：用于归一化处理待预测作物原始数据，获取待预测作物特征数据；输入单元：用于输入所述待预测作物特征数据至作物产量预测模型，获取所述作物产量预测模型输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种作物产量预测方法，其特征在于，包括：归一化处理待预测作物原始数据，获取待预测作物特征数据；输入所述待预测作物特征数据至作物产量预测模型，获取所述作物产量预测模型输出的产量预测数据；所述作物产量预测模型是根据所有具备完整维度特征的样本数据训练得到的；所述具备完整维度特征的样本数据是根据生成对抗网络对图网络中节点缺失的缺失维度特征进行数据插补后确定的；所述图网络是将所有具备原始维度特征的样本数据的各个维度特征作为节点特征而构建的；所述所有具备原始维度特征的样本数据至少包括缺失维度特征的样本数据。2.根据权利要求1所述的作物产量预测方法，其特征在于，归一化处理待预测作物原始数据，获取待预测作物特征数据，包括：获取每一待预测作物原始数据中的所有性状数据以及所有气象数据，计算每一气象数据的平均值以及方差；将每一性状数据、每一气象数据的平均值和方差作为维度特征，计算每一维度特征与作物产量间的皮尔逊相关系数，并按照皮尔逊相关系数从高至低的顺序对所有维度特征进行排序，获取排序后维度特征；归一化处理所述排序后维度特征，获取待预测作物特征数据；所述气象数据包括日最高气温、日平均气温、日最低气温、日温差、日平均地面气压、日平均相对湿度、日降水量、日平均风速、日最大风速、日风力等级以及日日照时数；所述性状数据包括品种类型、株型、穗型、持绿性、幼苗叶鞘色、轴色，穗腐病、大斑病、灰斑病，株高、穗位高、空杆率、穗长、秃尖长、行粒数、穗柄长度、穗粗以及生育期；所述待预测作物特征数据包括株型维度特征、穗型维度特征、持绿性维度特征、幼苗叶鞘色维度特征、轴色维度特征、穗腐病维度特征、大斑病维度特征、灰斑病维度特征、株高维度特征、穗位高维度特征、空杆率维度特征、穗长维度特征、秃尖长维度特征、行粒数维度特征、穗柄长度维度特征、穗粗维度特征、生育期维度特征、日最高气温平均值维度特征、日最高气温方差维度特征、日平均气温平均值维度特征、日平均气温方差维度特征、日最低气温平均值维度特征、日最低气温方差维度特征、日温差平均值维度特征、日温差方差维度特征、日平均地面气压平均值维度特征、日平均地面气压方差维度特征、日平均相对湿度平均值维度特征、日平均相对湿度方差维度特征、日降水量平均值维度特征、日降水量方差维度特征、日平均风速平均值维度特征、日平均风速方差维度特征、日最大风速平均值维度特征、日最大风速方差维度特征、日风力等级平均值维度特征、日风力等级方差维度特征、日日照时数平均值维度特征以及日日照时数方差维度特征。3.根据权利要求1所述的作物产量预测方法，其特征在于，在输入所述待预测作物特征数据至作物产量预测模型，获取所述作物产量预测模型输出的产量预测数据之前，还包括：将所有具备原始维度特征的样本数据的各个维度特征作为所有样本数据的节点特征，根据所有样本数据的节点特征构建图网络；根据生成对抗网络对图网络中节点缺失的缺失维度特征进行数据插补，获取所有具备完整维度特征的样本数据；
根据所有具备完整维度特征的样本数据以及每一样本数据所对应的样本产量进行训练，获取作物产量预测模型；所述缺失维度特征包括灰斑病维度特征、穗腐病维度特征、大斑病维度特征、轴色维度特征、品种类型维度特征、持绿性维度特征、穗型维度特征、穗长维度特征、秃尖长维度特征、穗粗维度特征、空杆率维度特征以及穗柄长度维度特征中的至少一种。4.根据权利要求3所述的作物产量预测方法，其特征在于，所述根据所有样本数据的节点特征构建图网络，包括：计算任意两个样本数据间节点特征的余弦距离；将余弦...

【专利技术属性】
技术研发人员：杨锋，王开义，刘忠强，张东峰，韩焱云，张秋思，张祺，
申请(专利权)人：北京市农林科学院信息技术研究中心，
类型：发明
国别省市：