一种基于LSTM神经网络模型的始花期预测方法及系统技术方案

本发明专利技术公开了一种基于LSTM神经网络模型的始花期预测方法及系统，其中，始花期预测方法包括获取待测区域的多种气象要素；预处理获取的各气象要素；将各预处理后的气象要素输入训练好的LSTM神经网络模型，以预测待测区域的始花期。本发明专利技术能够利用气象要素预测始花期。本发明专利技术能够利用气象要素预测始花期。本发明专利技术能够利用气象要素预测始花期。

【技术实现步骤摘要】
一种基于LSTM神经网络模型的始花期预测方法及系统


[0001]本专利技术涉及一种基于LSTM神经网络模型的始花期预测方法及系统，属于始花期预测


技术介绍

[0002]花期是全球气候变化的敏感指标之一，同时作为重要物候资料，能够反映地表植被变化及生态健康情况。始花期的时序还具有巨大的经济价值，观看花卉强烈刺激了旅游市场，以赏花为特征的旅游活动逐渐成为重要的文化服务，推动者花卉市场的快速扩大。因此相关行业对始花期预报的准确性和区域性提出了更高的要求。
[0003]目前始花期预测研究主要围绕数据驱动方式进行，此类模型使用传统统计方法进行时序预测，传统方法对复杂函数的拟合程度，和对物理过程参数化的不确定性是始花期预测面临的主要挑战。
[0004]传统统计方法如多元线性回归模型，主要根据始花期与变量间的线性关系进行时序预测，由于样本容量和复杂函数表达有限，因此对复杂问题的泛化能力存在限制。
[0005]始花期时序主要与积温、平均气温、平均降水量等气象因子相关，但由于不同气象因子间的相关性的不确定性和多个因子的协同作用未本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM神经网络模型的始花期预测方法，其特征在于，包括以下步骤：获取待测区域的多种气象要素；预处理获取的各气象要素；将各预处理后的气象要素输入训练好的LSTM神经网络模型，以预测待测区域的始花期。2.根据权利要求1所述的基于LSTM神经网络模型的始花期预测方法，其特征在于，多种所述气象要素包括：一段持续时间内的日均气温、日最高气温、日最低气温、日均地温、日均降水量、日照时数、相对湿度以及气压。3.根据权利要求1所述的基于LSTM神经网络模型的始花期预测方法，其特征在于，所述预处理获取的各气象要素包括：用气象要素均值替换各气象要素中的离群异常值，获得校正气象要素；将校正气象要素转化为气象因子矩阵；将气象因子矩阵进行归一化处理，获得无量纲化的气象因子矩阵；按照累加原则，将各气象要素的日期转换为时序，并为无量纲化的气象因子矩阵中的因子打上对应的各时序标签，获得样本集。4.根据权利要求3所述的基于LSTM神经网络模型的始花期预测方法，其特征在于，所述用气象要素均值替换各气象要素中的离群异常值，获得校正气象要素包括：对各气象要素进行Z分数评估，剔除Z分数小于
‑
3或大于3的离群异常值，并用气象要素均值替换离群异常值。5.根据权利要求4所述的基于LSTM神经网络模型的始花期预测方法，其特征在于，Z分数包括下式：式中，Z表示Z分数，x
i
表示气象要素，μ表示气象要素均值，σ表示气象要素标准差。6.根据权利要求3所述的基于LSTM神经网络模型的始花期预测方法，其特征在于...

【专利技术属性】
技术研发人员：朱晓晨，焦冠杰，曾燕，邱新法，王勇，
申请(专利权)人：南京信息工程大学南通研究院，
类型：发明
国别省市：