【技术实现步骤摘要】
本专利技术属于农业气象预测，尤其涉及基于多尺度卷积网络及扩散系统的农业气象预测方法。
技术介绍
1、时空数据挖掘是数据挖掘领域中一个重要的分支，旨在从具有时间和空间维度的数据中提取有价值的信息和模式。在农业生产、气象预测和环境监测等领域，时空数据广泛存在。随着遥感技术、物联网和传感器技术的发展，农业气象数据的来源变得更加丰富，包括卫星影像、气象数据、地理位置信息等。
2、与传统数据不同，农业气象数据具有复杂的时空结构和依赖性，不仅包含时间序列中的动态变化，还涉及空间位置之间的相关性。因此，时空数据挖掘在农业气象领域面临着如何同时捕捉时间和空间依赖关系的挑战，具体体现在：
3、第一，时空数据的复杂依赖性在处理预测任务时，往往会导致模型预测能力的不精确。这种不精确性尤其体现在无法充分捕捉时空依赖关系的情况下，表现为图像或预测结果中的平滑处理，导致关键的时空信息被模糊化或忽略。具体而言，模型可能倾向于在时间维度上忽视某些细微的动态变化，或者在空间维度上无法捕捉到区域之间复杂的相互作用，最终导致对气象预测发展趋势的预测不
【技术保护点】
1.基于多尺度卷积网络及扩散系统的农业气象预测方法，其特征在于，该农业气象预测方法包括：
2.根据权利要求1所述的基于多尺度卷积网络及扩散系统的农业气象预测方法，其特征在于，对来自不同时间步或空间位置的农业气象图像输入序列进行编码处理的步骤，包括：
3.根据权利要求2所述的基于多尺度卷积网络及扩散系统的农业气象预测方法，其特征在于，在构建多尺度卷积网络中，所述多尺度卷积网络包括编码器模块、翻译器模块和解码器模块，多尺度卷积网络通过多层卷积结构进行时空特征提取与时间演化学习，进行时空特征的重建。
4.根据权利要求3所述的基于多尺度卷积...
【技术特征摘要】
1.基于多尺度卷积网络及扩散系统的农业气象预测方法，其特征在于，该农业气象预测方法包括：
2.根据权利要求1所述的基于多尺度卷积网络及扩散系统的农业气象预测方法，其特征在于，对来自不同时间步或空间位置的农业气象图像输入序列进行编码处理的步骤，包括：
3.根据权利要求2所述的基于多尺度卷积网络及扩散系统的农业气象预测方法，其特征在于，在构建多尺度卷积网络中，所述多尺度卷积网络包括编码器模块、翻译器模块和解码器模块，多尺度卷积网络通过多层卷积结构进行时空特征提取与时间演化学习，进行时空特征的重建。
4.根据权利要求3所述的基于多尺度卷积网络及扩散系统的农业气象预测方法，其特征在于，在时空特征提取的过程中，编码器模块使用堆叠的个convnormrelu块提取输入数据的空间特征，每个卷积块的操作是在空间维度（h,w）上卷积c个通道，具体公式表示如下：
5.根据权利要求4所述的基于多尺度卷积网络及扩散系统的农业气象预测方法，其特征在于，在时空特征的时间演化学习中，翻译器模块使用个inception模块来学习输入数据的时间演化；inc...
【专利技术属性】
技术研发人员：邹晟涛，王永梅，吴雨涵，王芃力，鲁顶枝，张世豪，赵雨阳，范雅辰，
申请(专利权)人：安徽农业大学，
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。