【技术实现步骤摘要】
本专利技术涉及大气环境监测，特别是涉及一种基于深度学习的露水强度预测方法、系统、设备及介质。
技术介绍
1、露水在城市、农田、沙漠等生态系统出现次数频繁，凝结量可观，是各生态系统必不可少的气象参数。以农田生态系统为例，适量露水可促进肥料或农药的进一步溶解，增加作物的快速吸收，但是，过于浓重露水会从叶片上滴落，导致部分叶面肥和农药损失。露水中的一些营养物质可被某些真菌或害虫所利用，给作物生长带来不利影响。在作物扬花期，浓重的露水会对花粉的传播不利，由于湿度高可导致水稻空壳率高，受精率及结实率下降。可见提前预测露水凝结的强度，可为农业生产中叶面肥和农药的施用、田间持水量的调控等具体操作提供依据；研究成果对叶面湿度、叶面肥和农药的配制浓度及喷洒时间，水稻扬花期田间持水量等指标的初步判断具有重要意义，同时有效避免肥料等的损失，有利于肥料等的高效利用，促进粮食增产。
2、由于影响露水形成过程的因子复杂，目前还未系统开展露水强度的预测研究，仅在少数干旱地区应用统计学模型对露水强度进行预测。但由于露水与局地气象因子呈非线性关系，现有技术的模型预测精度较低，只能预测露水强度的大体变化趋势，无法准确预测露水强度。
技术实现思路
1、本专利技术的目的是提供一种基于深度学习的露水强度预测方法、系统、设备及介质，能够提高露水强度预测精确性。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种基于深度学习的露水强度预测方法，包括：
4、获取当前的气象因子
5、将各气象因子数据输入露水强度预测模型进行计算，得到多个预测值，将多个所述预测值相加，得到最终的露水强度预测值；所述露水强度预测模型是由长短时记忆网络、双向门控循环单元和卷积神经网络组成的混合网络。
6、可选地，所述气象因子数据包括但不限于气温、相对湿度、风速、露点温度和净辐射。
7、可选地，所述露水强度预测模型的构建及训练过程为：
8、在数据库中提取训练数据；所述训练数据包括气象因子训练数据及对应的露水强度预测数据；
9、构建初始训练模型；
10、将所述训练数据输入所述初始训练模型中，以设定训练参数以及斑马优化算法进行模型参数调整，并将训练好的模型确定为所述露水强度预测模型；所述调整的参数包括迭代次数、学习率和各层神经元数。
11、可选地，所述数据库的构建方法为：
12、获取多组相关数据；所述相关数据包括日露水强度及对应的气象因子；
13、利用spss中的相关分析确定露水强度呈正相关或负相关的气象因子，并将筛选出的气象因子确定为自变量，将露水强度确定为因变量；
14、对所有数据进行预处理：使用基于时间变化滤波的经验模态对训练集因变量数据进行分解，获得多个模态函数分量，以及使用偏自相关函数对分量进行降噪处理，提取重要特征，得到最终处理完成的分量；所述最终处理完成的分量用于初始训练模型的训练。
15、可选地，所述设定训练参数包括：100次训练周期，1e-2的学习率，batch size＝32，所有隐藏层的神经元数为64。
16、本专利技术还提供了一种基于深度学习的露水强度预测系统，包括：
17、数据采集模块，用于获取当前的气象因子数据；所述气象因子数据为距离地表1.5米，露水凝结时段同期的每小时监测数据的算数平均值；
18、露水强度预测模块，用于将各气象因子数据输入露水强度预测模型进行计算，得到多个预测值，将多个所述预测值相加，得到最终的露水强度预测值；所述露水强度预测模型是由长短时记忆网络、双向门控循环单元和卷积神经网络组成的混合网络。
19、本专利技术还提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据上述的基于深度学习的露水强度预测方法。
20、本专利技术还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于深度学习的露水强度预测方法。
21、根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
22、本专利技术公开了一种基于深度学习的露水强度预测方法、系统、设备及介质，所述方法包括获取当前的气象因子数据；所述气象因子数据为距离地表1.5米，露水凝结时段同期的每小时监测数据的算数平均值；将各气象因子数据输入露水强度预测模型进行计算，得到多个预测值，将多个所述预测值相加，得到最终的露水强度预测值；所述露水强度预测模型是由长短时记忆网络、双向门控循环单元和卷积神经网络组成的混合网络。本专利技术能够提高露水强度预测精确性。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的露水强度预测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的露水强度预测方法，其特征在于，所述气象因子数据包括但不限于气温、相对湿度、风速、露点温度和净辐射。
3.根据权利要求1所述的基于深度学习的露水强度预测方法，其特征在于，所述露水强度预测模型的构建及训练过程为：
4.根据权利要求3所述的基于深度学习的露水强度预测方法，其特征在于，所述数据库的构建方法为：
5.根据权利要求3所述的基于深度学习的露水强度预测方法，其特征在于，所述设定训练参数包括：100次训练周期，1e-2的学习率，batch size＝32，所有隐藏层的神经元数为64。
6.一种基于深度学习的露水强度预测系统，其特征在于，包括：
7.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1-5中任一项所述的基于深度学习的露水强度预测方法。
8.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机
...【技术特征摘要】
1.一种基于深度学习的露水强度预测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的露水强度预测方法，其特征在于，所述气象因子数据包括但不限于气温、相对湿度、风速、露点温度和净辐射。
3.根据权利要求1所述的基于深度学习的露水强度预测方法，其特征在于，所述露水强度预测模型的构建及训练过程为：
4.根据权利要求3所述的基于深度学习的露水强度预测方法，其特征在于，所述数据库的构建方法为：
5.根据权利要求3所述的基于深度学习的露水强度预测方法，其特征在于，所述设定训练参数包括：...
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。