【技术实现步骤摘要】
本专利技术涉及农业作物产量预测，并特别涉及一种空间自适应的作物产量预测方法及系统。
技术介绍
1、现有的作物产量预测技术主要包括但不限于以下四类：
2、(1)基于传统统计分析的方法，其主要核心是收集和分析大量的本地数据，以此为基础进行预测。但这种方法存在明显的弊端。首先，数据收集工作既耗时又费钱，尤其是当涉及到大规模的数据收集时。此外，由于数据收集和统计过程中人为因素的介入，这些数据经常出现误差，从而导致预测的不准确。例如，数据录入的错误、采样偏见以及其他统计问题都可能导致最终的预测结果出现偏差。
3、(2)依赖于对作物生长原理的深入理解来构建的模型。基于作物生长机制的预测方法则是尝试通过深入理解作物从种植到收获的各个阶段来预测其产量。这种方法的核心是对作物生长的各种因素，如土壤、气候、水分、光照等的综合考虑。但问题在于，作物生长是一个非常复杂的过程，受到多种因素的影响和相互作用。即使是经验丰富的研究者也很难完全理解并准确模拟这一过程。因此，过去的很多模型往往过于简化作物生长的各种因素，这导致它们在真实场景下的预测精度不高。
4、(3)基于传统机器学习方法对作物产量进行预测。随着机器学习技术的发展，越来越多的研究者在作物产量预测的研究中采用这些方法。使用机器学习可以管理和分析复杂的数据模式，促进对各种影响因素之间复杂相互关系的识别和理解，而无需事先深入了解作物生长的基本机制。基于机器学习的模型具有自动调整和优化参数的能力，无需进行大量的实验数据和复杂的参数校准和模型验证计算。这与传统的作物机械
5、(4)基于深度学习方法进行作物产量预测。深度学习模型能够自动地学习并提取有意义的特征，从而大大简化了特征选择和工程的过程。更进一步，深度学习模型非常擅长处理大规模、高维度和复杂的数据，使它们能够从庞大、多源和异质的数据中提取有效的特征，这更符合影响作物生长的数据特征。许多当前的研究已经验证了使用深度学习模型进行作物产量预测的优势。目前，基于深度学习的作物产量预测模型的主要输入数据类型是关于作物田间生长环境的表格记录和遥感时序图像数据。考虑到可获取性、成本和误差等因素，大部分研究主要集中在选择这两种输入数据类型之一。使用作物田间生长环境记录作为输入的模型包括气候变量、降水、土壤条件、种子基因型、地理位置等数据。这些因素共同创造了作物的田间生长环境。现有技术利用了一个dnn网络从不同来源的异质数据中提取特征以预测玉米产量。现有技术设计了一个cnn-rnn框架，使用一维卷积单独捕获作物生长对不同深度的土壤变量的依赖性以及对气候变量的时间依赖性。他们随后使用了一个rnn模型来捕获作物基因型在遗传改良后作物产量随时间的动态变化。现有技术进一步完善了cnn-rnn模型，通过整合图神经网络(gnn)，允许从相邻地区聚合作物生长特征，从而增强模型对不同地理特征的拟合并提高其在不同地区的稳健性。这些研究证实了深度学习在产量预测中的巨大潜力，明显优于lasso、rf和决策树等传统机器学习方法。然而，影响作物生长的变量的多样性和不同研究者提出的输入变量类型的不一致性使得很难直观地比较这些模型的性能。此外，数据通常是通过传感器或气象站获得的，并且通常是数字化记录的。低采样密度和传感器收集误差等因素导致田间数据的准确性降低，进一步限制了模型的性能。
6、与现场收集的作物田间数据相比，多光谱遥感图像不仅更易于获得且成本更低，而且具有统一的数据格式。这一特性允许同一种卫星产品为不同地区提供具有相同分辨率和误差分布的图像，从而促进模型性能之间的直接比较，还增强了模型在不同地区的可移植性。近年来，这方面取得了重大进展。例如，现有技术提出了一个基于卷积神经网络(cnns)和长短时记忆网络(lstms)的模型，并引入了高斯过程。他们使用modis遥感图像序列作为输入，成功地拟合了作物产量。同样地，现有技术利用3d-cnn模型模拟作物生长过程中的空间光谱变化和时间依赖性，而现有技术设计了dacm网络，能够捕捉不同地区和时间的作物生长差异，从而精确地拟合作物生长的空间异质性。这些模型在实际应用中都表现出色，为基于遥感图像预测作物产量的可行性提供了有力的证据。
7、在对广大地区的作物产量进行预测时，现有模型常常遇到困难。这其中的原因是，因为地理位置的不同，各个地区的气候、土壤和其他环境变量都对作物的生长和产量产生独特的影响。这种由于地域因素导致的作物生长模式的多样性，我们称其为“空间异质性”。目前，尽管有些模型已经注意到了这种异质性并尝试对其进行拟合，但实际操作往往基于过于简化的方法，导致很多核心的影响因素被忽略。此外，受限于这些模型的设计和结构，它们在考虑空间异质性时仍然可能产生偏差，从而影响到最终的预测准确性。
8、目前面临的两个主要挑战是：
9、(1)忽略了多光谱卫星图像通道之间的相关性差异：来自不同地区的多光谱图像可能反映出光谱通道之间的独特相关性，这可能与作物生长的许多关键因素有关。忽略这些相关性可能会阻止模型完全捕捉到不同地区之间的特异性，从而影响预测的准确性。
10、(2)受到传统递归神经网络结构的限制：当试图拟合不同地区的作物生长阶段对最终产量的影响时，一些模型可能受到传统递归神经网络结构的约束，导致注意力权重偏移的问题。这种结构限制可能会妨碍模型深入理解和表示作物生长的动态变化，进一步降低预测的准确性和可靠性。
技术实现思路
1、本专利技术的目的是克服上述现有技术忽略不同地区的多光谱遥感图像波段间相关性的差异、以及以往模型对作物生长阶段的注意力权重偏移所导致的模型在大范围地区进行产量预测的精度较低的问题，提出了一种新的空间自适应预测网络。
2、具体来说，本专利技术提出了一种空间自适应的作物产量预测方法，其中包括：
3、步骤1、构建包括多光谱特征融合层和作物生长时序性特征提取层的空间自适应预测网络模型，获取标记实际作物产量的多光谱图像序列作为训练数据；
4、步骤2、该多光谱特征融合层为该训练数据中每张图片的特征进行降维，得到降维特征，分别对该降维特征进行平均池化和最大池化得到两组池化向量，根据该池化向量得到注意力权重，该注意力权重用于加权该降维特征，产生两张新特征图，提取该新特征图的特征，得到作物生长特征；
5、步骤3、将由该训练数据中每张图片的作物生长特征构成的输入序列输入该作物生长时序性特征提取层，该作物生长时序性特征提取层利用多头自注意力从各时间段的该输入序列中提取作物生长过程的时序特征，根据该时序特征预测作物产量，得到作物产量预测值本文档来自技高网...
【技术保护点】
1.一种空间自适应的作物产量预测方法，其特征在于，包括：
2.如权利要求1所述的空间自适应的作物产量预测方法，其特征在于，步骤1中该训练数据为多光谱图像序列X＝{X1,X2,...,Xt}，其中每个图像Xi∈Rb×h×w表示该区域在时间t的多光谱图像，其中b是遥感图像的波段数，而h和w分别是垂直和水平像素计数；
3.如权利要求1或2所述的空间自适应的作物产量预测方法，其特征在于，步骤3包括：
4.如权利要求2所述的空间自适应的作物产量预测方法，其特征在于，该2D卷积模块的卷积核大小为3*3。
5.一种空间自适应的作物产量预测系统，其特征在于，包括：
6.如权利要求5所述的空间自适应的作物产量预测系统，其特征在于，初始模块中该训练数据为多光谱图像序列X＝{X1,X2,...,Xt}，其中每个图像Xi∈Rb×h×w表示该区域在时间t的多光谱图像，其中b是遥感图像的波段数，而h和w分别是垂直和水平像素计数；
7.如权利要求5或6所述的空间自适应的作物产量预测系统，其特征在于，该训练模块包括：
8.如权利
9.一种服务器，其特征在于，包括权利要求5-8所述的一种空间自适应的作物产量预测装置。
10.一种存储介质，用于存储一种执行权利要求1-4所述空间自适应的作物产量预测方法的计算机程序。
...【技术特征摘要】
1.一种空间自适应的作物产量预测方法，其特征在于，包括：
2.如权利要求1所述的空间自适应的作物产量预测方法，其特征在于，步骤1中该训练数据为多光谱图像序列x＝{x1,x2,...,xt}，其中每个图像xi∈rb×h×w表示该区域在时间t的多光谱图像，其中b是遥感图像的波段数，而h和w分别是垂直和水平像素计数；
3.如权利要求1或2所述的空间自适应的作物产量预测方法，其特征在于，步骤3包括：
4.如权利要求2所述的空间自适应的作物产量预测方法，其特征在于，该2d卷积模块的卷积核大小为3*3。
5.一种空间自适应的作物产量预测系统，其特征在于，包括：
6.如权利要求5所述的空间自适应...
【专利技术属性】
技术研发人员：李虎，龙隆，刘子辰，向炜，张玉成，程霖，
申请(专利权)人：中国科学院计算技术研究所，
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。