一种基于多源融合数据的冬小麦产量预测方法和装置制造方法及图纸

本发明专利技术公开一种基于多源融合数据的冬小麦产量预测方法和装置，包括以下步骤：步骤

【技术实现步骤摘要】
一种基于多源融合数据的冬小麦产量预测方法和装置


[0001]本专利技术属于大数据
，尤其涉及一种基于多源融合数据的冬小麦产量预测方法和装置
。

技术介绍

[0002]遥感影像具有易于获取访问以及成本效益低廉和多时相覆盖等优点，因此用于预测作物产量是一种非常有前途的方法
。
近年来的研究，利用遥感数据大区域预测作物产量的策略通常是假设地表反射率或是光谱可以反映出作物的光合能力，与作物产量有着直接的关系
。
一些研究基于统计回归方法分析作物产量与遥感变量之间的关系
。
例如支持向量机
、
随机森林等机器学习方法，这些机器学习方法可以很好的模拟出遥感数据与作物产量之间的非线性关系，但是它们主要是基于植被指数
(VIs)
等光谱特征来预测作物产量，可能无法从原始遥感影像中提取与作物产量更密切相关的高级代表性信息
。
近年来，深度学习逐渐兴起，深度学习能够通过分层学习框架对高级特征表示进行建模，且已经在计算机视觉领域中取得了显著性的成功，例如图像分类
、
对象检测以及语义分割，且深度学习方法中的卷积神经网络擅长从原始网格数据中提取出更具有表征性的特征
。
一些研究已经开始探索基于遥感的深度学习模型来预测作物产量，
Kuwata
等人结合遥感数据和深度学习方法来预测美国县级玉米产量，他们使用
MODIS
遥感数据和气象数据，实现了与官方数据相比大概
R^2
＝
0.8
的预测精度，但是他们的模型只使用了几个完全连接层，没有使用卷积神经网络或者递归神经网络等现代深度学习结构，可能一定程度上限制了模型的性能
。You
等人比较了卷积神经网络和递归神经网络在美国县级大豆产量预测方面的表现，实验发现卷积神经网络有着更好的表现，这与我们的实验发现一致，但是近年来在中国冬小麦的产量预测研究中很少有同时考虑遥感
、
天气以及土壤数据，未能充分的利用多源数据全面的表征作物的生长状态以提高模型的预测精准度，且有的研究虽然使用了多源数据，但是在融合数据的时候往往采用的简单的特征堆叠，这样堆叠特征并不能有效的抑制噪声以及价值较低的特征，这一问题可能会降低作物产量的预测精度
。

技术实现思路

[0003]本专利技术要解决的技术问题是，提供一种基于多源融合数据的冬小麦产量预测方法和装置，提高作物产量的预测精度
。
[0004]为实现上述目的，本专利技术采用如下的技术方案：
[0005]一种基于多源融合数据的冬小麦产量预测方法，包括以下步骤：
[0006]步骤
S1、
获取目标区域的历史遥感数据
、
天气数据和土壤数据；
[0007]步骤
S2、
根据所述历史遥感数据
、
天气数据和土壤数据训练多分支深度神经网络模型；
[0008]步骤
S3、
将目标区域预定时间内的遥感数据
、
天气数据和土壤数据输入到训练好的多分支深度神经网络模型中，实现冬小麦产量预测
。
[0009]作为优选，所述历史遥感数据包含：目标区域的
MOD09A1
和
MOD11A2
提供的七个表面光谱反射带和两个表面光谱反射带的8天综合值温度带；所述历史天气数据包含：目标区域的温度
、
气压
、
含湿量
、
风速
、
向下短波辐射
、
向下长波辐射
、
降水量；所述历史土壤数据包含：目标区域的黏土
、
淤泥
、
含沙量
、
粗碎片和堆积密度
。
[0010]作为优选，多分支深度神经网络模型由卷积神经网络和通道注意力机制模块组成
。
[0011]作为优选，通过卷积神经网络对历史遥感数据
、
天气数据和土壤数据进行特征提取，通过通道注意力机制模块对提取的特征数据进行重新加权，将加权后的特征数据通过扁平化之后送至全连接层进行训练
。
[0012]本专利技术还提供一种基于多源融合数据的冬小麦产量预测装置，包括：
[0013]获取模块，用于获取目标区域的历史遥感数据
、
天气数据和土壤数据；
[0014]训练模块，用于根据所述历史遥感数据
、
天气数据和土壤数据训练多分支深度神经网络模型；
[0015]预测模块，用于将目标区域预定时间内的遥感数据
、
天气数据和土壤数据输入到训练好的多分支深度神经网络模型中，实现冬小麦产量预测
。
[0016]作为优选，所述历史遥感数据包含：目标区域的
MOD09A1
和
MOD11A2
提供的七个表面光谱反射带和两个表面光谱反射带的8天综合值温度带；所述历史天气数据包含：目标区域的温度
、
气压
、
含湿量
、
风速
、
向下短波辐射
、
向下长波辐射
、
降水量；所述历史土壤数据包含：目标区域的黏土
、
淤泥
、
含沙量
、
粗碎片和堆积密度
。
[0017]作为优选，多分支深度神经网络模型由卷积神经网络和通道注意力机制模块组成
。
[0018]作为优选，训练模块通过卷积神经网络对历史遥感数据
、
天气数据和土壤数据进行特征提取，通过通道注意力机制模块对提取的特征数据进行重新加权，将加权后的特征数据通过扁平化之后送至全连接层进行训练
。
[0019]本专利技术获取目标区域的历史遥感数据
、
天气数据和土壤数据；根据所述历史遥感数据
、
天气数据和土壤数据训练多分支深度神经网络模型；将目标区域预定时间内的遥感数据
、
天气数据和土壤数据输入到训练好的多分支深度神经网络模型中，实现冬小麦产量预测；采用本专利技术的技术方案，提高作物产量的预测精度
。
附图说明
[0020]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图
。
[0021]图1为本专利技术实施例基于多源融合数据的冬小麦产量预测方法流程图；
[0022]图2为遥感
‑
天气提取特征示意图；
[0023]图3为土壤特性提取特征示意图；
[0024]图4为多分支深度神经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多源融合数据的冬小麦产量预测方法，其特征在于，包括以下步骤：步骤
S1、
获取目标区域的历史遥感数据
、
天气数据和土壤数据；步骤
S2、
根据所述历史遥感数据
、
天气数据和土壤数据训练多分支深度神经网络模型；步骤
S3、
将目标区域预定时间内的遥感数据
、
天气数据和土壤数据输入到训练好的多分支深度神经网络模型中，实现冬小麦产量预测
。2.
如权利要求1所述的基于多源融合数据的冬小麦产量预测方法，其特征在于，所述历史遥感数据包含：目标区域的
MOD09A1
和
MOD11A2
提供的七个表面光谱反射带和两个表面光谱反射带的8天综合值温度带；所述历史天气数据包含：目标区域的温度
、
气压
、
含湿量
、
风速
、
向下短波辐射
、
向下长波辐射
、
降水量；所述历史土壤数据包含：目标区域的黏土
、
淤泥
、
含沙量
、
粗碎片和堆积密度
。3.
如权利要求2所述的基于多源融合数据的冬小麦产量预测方法，其特征在于，多分支深度神经网络模型由卷积神经网络和通道注意力机制模块组成
。4.
如权利要求3所述的基于多源融合数据的冬小麦产量预测方法，其特征在于，通过卷积神经网络对历史遥感数据
、
天气数据和土壤数据进行特征提取，通过通道注意力机制模块对提取的特征数据进行重新加权，将加权后的特征数据通过扁平化之后送至全...

【专利技术属性】
技术研发人员：马廷淮，姜宇，
申请(专利权)人：新疆大学，
类型：发明
国别省市：