【技术实现步骤摘要】
本专利技术属于人工智能，具体涉及一种基于ssa-lstm的冬小麦估产方法。
技术介绍
1、目前遥感技术作为一种新型技术正被快速推广，基于遥感技术的农业检测预测技术具有观测周期短，观测范围广的优势，可以估算出大面积农作物的产量。目前，利用遥感方法对小麦等农作物进行估产已经成为一种技术手段，农作物的生长过程与时间密切相关，因此选择估产模型时需要考虑时间序列的影响。由于时间序列模型需要考虑多个时刻的影响，所以结构相对复杂，存在超参数调整困难、收敛速度慢等问题，且训练过程容易陷入局部最优解，导致模型的泛化能力不足，从而限制了产量的预测准确性和可靠性。
2、此外农作物的生长受当时气候因素影响较大，以小麦为例，在生长季节内，温度和降水的变化会影响小麦的光合作用和蒸腾作用，从而影响其生长速度和产量。现有技术多是基于历史常规状态下，小麦自身的生长状态，利用植被指数与小麦产量建立回归关系，对气候因素的影响考虑不足，导致对产量预测的准确性达不到需要。
技术实现思路
1、本专利技术的目的是提供一种基于ssa-lstm的冬小麦估产方法，通过麻雀搜索算法来优化lstm模型的超参数，加快模型收敛速度，提高模型的预测效率，用于解决对小麦等农作物产量预测准确性不高的技术问题。
2、所述的一种基于ssa-lstm的冬小麦估产方法，包括下列步骤。
3、s1、采集用于农作物估产的相关数据，并进行数据预处理，相关数据包括种植范围数据、遥感影像数据、气象数据和实际产量数据。
5、s3、构建ssa-lstm模型，构建长短时记忆网络lstm模型，并构建麻雀搜索算法ssa。
6、s4、基于时序特征集划分训练集和测试集，训练ssa-lstm模型。
7、s5、采集需要估产区域中农作物估产的相关数据，经过处理形成相应的时序特征集输入训练好的ssa-lstm模型处理，得到估产结果。
8、优选的，所述步骤s3中，构建lstm模型，设置时间步长、特征数，模型提取的特征依据数据种类设置，设定损失函数为mse，激活函数为relu；构建麻雀搜索算法ssa，来优化长短时记忆网络lstm模型的超参数，所述超参数包括神经元个数、迭代次数和学习率，设置相应超参数的初始范围。
9、优选的，构建麻雀搜索算法ssa的步骤具体包括。
10、s321、参数设置，设置搜索空间，搜索空间包括长短时记忆网络lstm模型的三个超参数：神经元个数、迭代次数和学习率。
11、s322、设定麻雀搜索算法ssa的初始化函数，初始化麻雀的数量、算法的迭代次数、超参数的维度与范围，同时设置每只麻雀的初始化位置，将群体的最佳适应度设定为none，并将初始化的最佳适应度设为无穷大。
12、s323、设定麻雀搜索算法ssa的最佳适应度函数，将模型训练过程中的均方误差mse设置为最佳适应度的评价标准，即通过模型训练过程中的预测值与真实值的均方误差大小，来判断当前种群的最佳适应度。
13、s324、设定麻雀搜索算法ssa的位置更新函数，在每轮迭代中，如果某只麻雀的适应度比全局最佳适应度更好，那么它将成为新的全局最佳麻雀，并且其适应度值将成为新的全局最佳适应度值。
14、优选的，设置位置更新函数的具体过程包括：设定n只麻雀，麻雀的位置信息总共有d维，d是待优化的超参数数目，适应度为f，发现者的位置更新公式为：
15、
16、其中，表示在t次迭代中第i个麻雀的第j维的位置信息，j的最大值为d，α表示(0，1]中的均匀随机数，nmax代表最大迭代次数，r2代表预警值，取[0，1]中的均匀随机数，t代表警戒阈值，取值范围[0.5，1]，q代表标准正态分布随机数，l是元素均为1的1行d列的矩阵，exp表示自然指数函数。
17、优选的，追随者的位置更新公式为：
18、
19、其中，表示在t次迭代中第i个麻雀的第j维的位置信息，j的最大值为d，代表在t+1次迭代中占据的最佳位置，q代表标准正态分布随机数，xworst代表最差位置，a是1行d列的矩阵，该矩阵的每个元素被随机赋值为1或-1，a+＝at(aat)-1，l是元素均为1的1行d列的矩阵，exp为自然指数函数。
20、优选的，警戒者的位置更新公式为：
21、
22、其中，表示全局最佳位置，fg、fw分别表示全局最优适应度和全局最差适应度，fi表示当前麻雀的适应度，β是符合标准正态分布的随机数，k是指麻雀移动方向，取-1到1的随机数，ε是一个较小的非零常数，表示在t次迭代中的最差位置。
23、优选的，所述步骤s4包括下列子步骤。
24、s41、将时序特征集的所有数据划分为训练集和测试集。
25、s42、利用最大值归一化技术对时序特征集所有的数据进行归一化处理。
26、s43、开始训练长短时记忆网络lstm模型，对麻雀搜索算法ssa进行参数初始化。
27、s44、利用适应度函数计算每只麻雀的适应度值，将每只麻雀的超参数组合代入估产模型，得到预测值与真实值之间的误差，并进行排序。
28、s45、位置更新，根据相应的更新公式，更新发现者、追随者和警戒者的位置信息，并寻找最优适应度向量。
29、s46、判断是否满足设定的停止条件，停止条件包括是否达到误差和是否达到最大迭代次数；如果满足停止条件，则将全局最优适应度向量对应的超参数设为长短时记忆网络lstm模型的超参数；否则继续进行迭代。
30、s47、通过麻雀搜索算法ssa优化超参数后，将全局最优适应度向量对应的超参数设为长短时记忆网络lstm模型的超参数。
31、优选的，所述步骤s1包括：首先选择研究区，裁剪出研究区内农作物的种植范围，批量提取种植范围中农作物的植被指数和气象数据，获取计算实际产量数据相关的样本数据。
32、优选的，所述步骤s2包括下列子步骤。
33、s21、基于研究区的矢量边界，将获取到的植被指数和气象数据分别都聚合到一定尺度，获取相应聚合尺度中的植被指数和气象数据。
34、s22、基于样本数据计算出相应聚合尺度中的实际产量数据。
35、s23、根据前面处理好的遥感数据、气象数据和实际产量数据，构建用于农作物估产的时序特征集。
36、本专利技术具有以下优点：本专利技术提供了一种基于ssa-lstm的冬小麦估产方法，针对传统估产模型长短时记忆网络lstm在进行冬小麦估产时存在的超参数调整困难，收敛速度慢等问题，利用麻雀搜索算法ssa来优化模型的超参数，加快收敛速度，从而提高模型预测的准确率。
37、同时为了评估气候因素对于冬小麦估产的影响，在构建时序特征集的时候，将气象数据(包括温度和降水)也作为估产因子。同时，结合冬小麦生长发育期间的植被指数，本文档来自技高网...
【技术保护点】
1.一种基于SSA-LSTM的冬小麦估产方法，其特征在于：包括下列步骤：
2.根据权利要求1所述的一种基于SSA-LSTM的冬小麦估产方法，其特征在于：所述步骤S3中，构建LSTM模型，设置时间步长、特征数，模型提取的特征依据数据种类设置，设定损失函数为MSE，激活函数为RELU；构建麻雀搜索算法SSA，来优化长短时记忆网络LSTM模型的超参数，所述超参数包括神经元个数、迭代次数和学习率，设置相应超参数的初始范围。
3.根据权利要求2所述的一种基于SSA-LSTM的冬小麦估产方法，其特征在于：构建麻雀搜索算法SSA的步骤具体包括：
4.根据权利要求3所述的一种基于SSA-LSTM的冬小麦估产方法，其特征在于：设置位置更新函数的具体过程包括：设定n只麻雀，麻雀的位置信息总共有d维，d是待优化的超参数数目，适应度为f，发现者的位置更新公式为：
5.根据权利要求4所述的一种基于SSA-LSTM的冬小麦估产方法，其特征在于：追随者的位置更新公式为：
6.根据权利要求5所述的一种基于SSA-LSTM的冬小麦估产方法，其特征在于：警
7.根据权利要求6所述的一种基于SSA-LSTM的冬小麦估产方法，其特征在于：所述步骤S4包括下列子步骤：
8.根据权利要求1所述的一种基于SSA-LSTM的冬小麦估产方法，其特征在于：所述步骤S1包括：首先选择研究区，裁剪出研究区内农作物的种植范围，批量提取种植范围中农作物的植被指数和气象数据，获取计算实际产量数据相关的样本数据。
9.根据权利要求1所述的一种基于SSA-LSTM的冬小麦估产方法，其特征在于：所述步骤S2包括下列子步骤：
...【技术特征摘要】
1.一种基于ssa-lstm的冬小麦估产方法，其特征在于：包括下列步骤：
2.根据权利要求1所述的一种基于ssa-lstm的冬小麦估产方法，其特征在于：所述步骤s3中，构建lstm模型，设置时间步长、特征数，模型提取的特征依据数据种类设置，设定损失函数为mse，激活函数为relu；构建麻雀搜索算法ssa，来优化长短时记忆网络lstm模型的超参数，所述超参数包括神经元个数、迭代次数和学习率，设置相应超参数的初始范围。
3.根据权利要求2所述的一种基于ssa-lstm的冬小麦估产方法，其特征在于：构建麻雀搜索算法ssa的步骤具体包括：
4.根据权利要求3所述的一种基于ssa-lstm的冬小麦估产方法，其特征在于：设置位置更新函数的具体过程包括：设定n只麻雀，麻雀的位置信息总共有d维，d是待优化的超参数数目，...
【专利技术属性】
技术研发人员：桂成宇，李虎，刘玉锋，刘新华，徐奥，李波雨，
申请(专利权)人：安徽师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。