一种多源异构数据融合的甘蔗多灾种气象灾害预警方法技术

本发明专利技术公开了一种多源异构数据融合的甘蔗多灾种气象灾害预警方法，包括：步骤S1，收集大量甘蔗气象灾害多源异构数据，包括新闻数据、气象灾害数据、历史气象数据、天气预报数据、卫星遥感影像数据；步骤S2，针对不同结构的多源异构数据，采用不同的特征抽取机制用以提取数据特征；步骤S3，构建图神经网络多源异构数据融合生成网络，以上述提取得到的特征作为输入，以真实甘蔗气象灾害信息状况作为标签，对该网络进行训练得到预测模型，用以对甘蔗气象灾害进行预测。本发明专利技术通过图神经网络建立多灾种预测模型，预测前把节点信息聚集之后做非线性变换，增加模型的表达能力，提高预测精度。提高预测精度。提高预测精度。

【技术实现步骤摘要】
一种多源异构数据融合的甘蔗多灾种气象灾害预警方法


[0001]本专利技术涉及农业灾害预警技术，具体涉及一种多源异构数据融合的甘蔗多灾种气象灾害预警方法。

技术介绍

[0002]目前，甘蔗大田生长周期长达10
‑
24个月，在不同生长环节容易受到不同灾害的影响，特别是干旱、低温冻害、台风、洪涝等气象灾害对甘蔗生长造成严重损失。快速准确的甘蔗多灾种预警对于高效开展甘蔗防灾减灾具有重要意义。现有各种甘蔗灾害监测预警系统，功能单一，只能实时监测，且各系统信息孤立，不具备多灾种监测预警能力，缺乏有效防御灾害能力。
[0003]甘蔗灾情信息收集是开展甘蔗多灾种预警基础。传感器技术、互联网、无人机遥感、卫星遥感技术快速发展，为快速获取甘蔗灾情信息提供了有效技术手段，结合传统地面灾情调查，为甘蔗多灾种预警提供了丰富的数据源。但目前对于收集到的多源异构甘蔗灾情信息，缺乏有效的处理手段。

技术实现思路

[0004]本专利技术的主要目的在于提供一种多源异构数据融合的甘蔗多灾种气象灾害预警方法，通过图神经网络(graphneural network，GNN)融合文本数据、气象灾害数据、历史气象数据、天气预报数据、卫星遥感影像数据，提取异构数据灾害特征；通过图神经网络每一个节点将自身的特征信息经过变换后发射给邻居节点；每个节点接收邻居节点的特征信息聚集起来，对节点的局部结构信息进行融合，解决各灾种系统信息孤立问题；通过图神经网络建立多灾种预测模型，预测前把节点信息聚集之后做非线性变换，增加模型的表达能力，提高预测精度。
[0005]本专利技术采用的技术方案是：一种多源异构数据融合的甘蔗多灾种气象灾害预警方法，包括：
[0006]步骤S1，收集大量甘蔗气象灾害多源异构数据，包括新闻数据、气象灾害数据、历史气象数据、天气预报数据、卫星遥感影像数据；
[0007]步骤S2，针对不同结构的多源异构数据，采用不同的特征抽取机制用以提取数据特征；
[0008]步骤S3，构建图神经网络多源异构数据融合生成网络，以上述提取得到的特征作为输入，以真实甘蔗气象灾害信息状况作为标签，对该网络进行训练得到预测模型，用以对甘蔗气象灾害进行预测。
[0009]进一步地，所述步骤S1中的所述新闻数据包括甘蔗灾损程度、灾损面积，所述的气象灾害数据包括旱灾、低温冻害、风害、洪涝及病虫害等，所述历史气象数据包括气温、地表温度、土壤水分、风速等，所述卫星遥感影像数据包括甘蔗受灾前影像、受灾影像和受灾后影像。
[0010]更进一步地，所述步骤S2中针对不同结构的多源异构数据，采用不同的特征抽取机制用以提取数据特征，包括文本数据特征提取、遥感影像特征提取；
[0011]所述文本数据特征提取步骤具体为：
[0012]步骤S11:对新闻数据、气象灾害数据、历史气象数据、天气预报数据文本数据进行预处理；
[0013]步骤S12:基于预处理后文本数据，采用BERT模型词嵌入结合注意力机制的编解码获取文本数据隐层特征向量；
[0014]所述遥感影像数据特征提取步骤具体为：
[0015]步骤S21:对遥感图像进行预处理，去除遥感图像复杂背景，增强遥感图像的目标对比度；
[0016]步骤S22:通过轻量级多分支卷积神经网络(LMB
‑
CNN)，提取遥感图像的深度特征。
[0017]更进一步地，所述步骤S12采用BERT模型词嵌入结合注意力机制的编解码获取文本数据隐层特征向量包括输入、编码、输出3个部分组成：
[0018]所述输入部分通过使用分词器与词表查询，得到对应输入序列的一维字嵌入；
[0019]所述编码部分由h个自注意力机制堆叠的多头注意力机制将输入的上下文信息转化为相应的向量表示，然后整合成为前馈神经网络输入，Self
‑
Attention将BERT输入部分处理后的序列信息X乘以3个权重向量WQ,WK,WV，映射为不同空间的向量表示：Query(Q),Key(K),Value(V)，结合缩放点积算法进行多维深层特征抽取其计算公式如下：
[0020]Q＝X
*
W0,K＝X
*
W
κ
,V＝X
*
W
v
[0021][0022]所述输出部分结合整个Multi
‑
HeadAttention的每个Attention权重信息，使最终输出的WordEmbedding融入全文语义信息。
[0023]更进一步地，所述步骤S22包括:
[0024]轻量级多分支卷积神经网络(LMB
‑
CNN)主体是三个卷积块，每个卷积块包含三个分支；卷积块的上分支包括两个深度可分卷积，每个深度可分卷积包含一个3
×
3的深度卷积和一个1
×
1的标准卷积，标准卷积的计算为:
[0025]G
k,l,n
＝∑
i,j,m
K
i,j,m,n
·
F
k+i
‑
1,l+j
‑
1,m
[0026]其中F
k+i
‑
1,l+j
‑
1,m
表示位于第m个输入特征图的(k+i
‑
1,l+j
‑
1)数据，其中K
i,j,m,n
是位于第m个卷积核的(i
‑
1,i
‑
1)中的参数，G
k,l,n
是位于的(k,l)中的数据输出特征图。
[0027]更进一步地，所述步骤S3具体为:
[0028]步骤S31:构建内容关联异构图，G＝(V,E,O
V
,R
E
)，O
V
,R
E
分别代表对象类型和关系类型的集合；
[0029]步骤S32:对异构内容进行编码，把不同类型的异构数据经过预训练或者数值化处理，统一输出维度，采用Bi
‑
LSTM模型，将特征进行交叉，增强特征表达能力，生成节点的最终嵌入表达；
[0030]步骤S33:聚合异构邻居信息，包括相同类型的邻居聚合和类型节点聚合；
[0031]步骤S34:构建目标函数，利用对应的链接训练二值逻辑分类器挖掘图任务推断出目标标签。
[0032]更进一步地，所述步骤S32生成节点的最终嵌入表达公式为:
[0033][0034]式中：d为内容中嵌入维数，为特征转换器，参数θ
x
为全连接神经网络，运算符表示连接。
[0035]更进一步地，所述步骤S33相同类型的邻居聚合和类型节点聚合表达公式为：
[0036][0037][0038]式中：d为聚合内容嵌入维度，f1(v')是模块生成的v'的内容嵌入，是可全连接神经网络的t型邻居聚合器，α
...

【技术保护点】

【技术特征摘要】
1.一种多源异构数据融合的甘蔗多灾种气象灾害预警方法，其特征在于，包括：步骤S1，收集大量甘蔗气象灾害多源异构数据，包括新闻数据、气象灾害数据、历史气象数据、天气预报数据、卫星遥感影像数据；步骤S2，针对不同结构的多源异构数据，采用不同的特征抽取机制用以提取数据特征；步骤S3，构建图神经网络多源异构数据融合生成网络，以上述提取得到的特征作为输入，以真实甘蔗气象灾害信息状况作为标签，对该网络进行训练得到预测模型，用以对甘蔗气象灾害进行预测。2.根据权利要求1所述的多源异构数据融合的甘蔗多灾种气象灾害预警方法，其特征在于，所述步骤S1中的所述新闻数据包括甘蔗灾损程度、灾损面积，所述的气象灾害数据包括旱灾、低温冻害、风害、洪涝及病虫害等，所述历史气象数据包括气温、地表温度、土壤水分、风速等，所述卫星遥感影像数据包括甘蔗受灾前影像、受灾影像和受灾后影像。3.根据权利要求1所述的多源异构数据融合的甘蔗多灾种气象灾害预警方法，其特征在于，所述步骤S2中针对不同结构的多源异构数据，采用不同的特征抽取机制用以提取数据特征，包括文本数据特征提取、遥感影像特征提取；所述文本数据特征提取步骤具体为：步骤S11:对新闻数据、气象灾害数据、历史气象数据、天气预报数据文本数据进行预处理；步骤S12:基于预处理后文本数据，采用BERT模型词嵌入结合注意力机制的编解码获取文本数据隐层特征向量；所述遥感影像数据特征提取步骤具体为：步骤S21:对遥感图像进行预处理，去除遥感图像复杂背景，增强遥感图像的目标对比度；步骤S22:通过轻量级多分支卷积神经网络(LMB
‑
CNN)，提取遥感图像的深度特征。4.根据权利要求3所述的多源异构数据融合的甘蔗多灾种气象灾害预警方法，其特征在于，所述步骤S12采用BERT模型词嵌入结合注意力机制的编解码获取文本数据隐层特征向量包括输入、编码、输出3个部分组成：所述输入部分通过使用分词器与词表查询，得到对应输入序列的一维字嵌入；所述编码部分由h个自注意力机制堆叠的多头注意力机制将输入的上下文信息转化为相应的向量表示，然后整合成为前馈神经网络输入，Self
‑
Attention将BERT输入部分处理后的序列信息X乘以3个权重向量WQ，WK，WV，映射为不同空间的向量表示：Query(Q)，Key(K)，Value(V)，结合缩放点积算法进行多维深层特征抽取其计算公式如下：Q＝X
*
W0，K＝X
*
W
κ
，V＝X
*
W
v
所述输出部分结合整个Multi
‑
HeadAttention的每个Attention权重信息，使最终输出的Word Embedding融入全文语义信息。5.根据权利要求3所述的多源异构数据融合的甘蔗多灾种气象灾害预警方法，其特征在于，所述步骤S22包括:轻量级多分支卷积神经网络(LMB
‑
CNN)主体是三个卷积...

【专利技术属性】
技术研发人员：韦高杨，黄秋燕，刘雨仙，何鑫兰，
申请(专利权)人：南宁师范大学，
类型：发明
国别省市：