【技术实现步骤摘要】
本专利技术属于农业信息化，具体涉及一种基于多源异构数据的农作物产量预测方法及系统。
技术介绍
1、近年来，世界农业生产面临着一系列挑战。随着单一耕作农业、双季耕种、作物轮作以及土壤休养时间不足变得越来越普遍，传统的粗放型、高投入种植制度和农业技术已经逐渐达到了效能极限，作为一个传统的农业大国，农业生产在我国经济发展中占有举足轻重的地位，农作物产业发展直接关系到国家粮食安全和社会稳定。强化粮食安全保障是国家的重大需求，发展智慧农业，提高粮食生产技术服务和管理决策的科学性、精准性和智能性是保障粮食安全的根本出路，而客观、准确地分析大面积农作物的生长态势是智慧农业亟待解决的重要问题。
2、近年来不断有研究人员对农作物建模与生长态势规律进行深入研究，或基于规则从生理生态上动态模拟真实植物的自然生长过程；或基于图像利用机器视觉算法进行植物三维重建；或基于激光扫描获取点云数据对植物的几何参数进行量化和建模。然而，已有研究主要侧重于单一植株的生长分析、小面积的生长分析或者单一类型数据对植株生长态势的影响，很少涉及基于多源数据对大面积农作物为群体生长态势分析这一重要研究课题。
3、因此，针对上述问题，如何提供一种能够从复杂数据中获取农作物生长态势信息，使农作物建模从纯粹的单株植物的态势计算上升到大面积群体生长态势，并对大面积农作物进行精准的产量预测，是目前有待解决的技术问题。
技术实现思路
1、本专利技术的目的是提供一种基于多源异构数据的农作物产量预测方法以及系统，用以解决
2、为了实现上述目的，本专利技术采用以下技术方案：
3、一种基于多源异构数据的农作物产量预测方法，包括：
4、获取农作物生长周期内的多源异构数据以及多光谱遥感影像,所述多源异构数据至少包括土壤数据、周围环境数据和农作物数据；
5、基于三维卷积神经网络构建深度空谱特征学习模块；
6、通过长短期记忆网络构建时间相关性建模模块，所述时间相关性建模模块用于提取多光谱遥感影像或多源异构数据中的时间信息；
7、基于所述深度空谱特征学习模块和时间相关性建模模块构建出生长态势感知模型；
8、根据所述生长态势感知模型对农作物进行产量预测。
9、一些实施例中，基于三维卷积神经网络构建深度空谱特征学习模块之后，还包括：
10、通过深度空谱特征学习模块将多光谱遥感影像或所述多源异构数据转换为系列高级空谱特征。
11、一些实施例中，通过深度空谱特征学习模块将多光谱遥感影像转换为系列高级空谱特征，包括：
12、将获取的多光谱遥感影像定义为vi∈rh×w×c×t，其中，r表示实数集，h×w表示影像尺寸大小，c表示光谱通道数，t表示农作物在生长周期获得的多光谱遥感影像的张数；
13、基于在时间序列下获得的多光谱遥感影像的张数，将多光谱遥感影像进行拆分，以得到多个遥感影像块x；
14、对于t时刻下的遥感影像块三维卷积层沿遥感影像块的宽高度和时间维度滑动三维卷积核后，每个三维卷积核为每个空间-光谱-时间数据体生成一个三维特征图，所述三维特征图是根据如下公式(1)确定的：
15、
16、其中，fc3d(w,h,b)表示系列高级空谱特征，表示三维卷积运算，wpqr表示三维卷积核中的权重矩阵，p、q、r表示卷积核的元素索引。
17、一些实施例中，所述长短期记忆网络基于三维卷积神经网络对农作物时间特征进行建模，并以时间序列空谱特征f＝{f1,f2…ft}为模型输入，以得到时间相关性建模模块，所述长短期记忆网络包括三个门控单元，所述三个门控单元包括输入门、遗忘门和输出门。
18、一些实施例中，根据如下公式(2)、(3)和(4)获取三个门控单元，包括：
19、
20、
21、
22、其中，ft表示遗忘门，it表示输入门，ot表示输出门，σ表示sigmoid激活函数，wf、wi和wo表示权重矩阵，表示当前时间步的输入数据，bf、bi和bo表示偏置值，ht-1表示上一时刻的隐藏状态。
23、一些实施例中，还包括细胞状态和隐藏状态，所述细胞状态利用输出门决定下一个隐藏状态，根据如下公式(5)和(6)获取细胞状态和隐藏状态：
24、
25、ht＝ot×tanh (ct) (6)
26、其中，其中，it代表当前时间步的输入，ot代表输出，ct表示当前细胞状态，ct-1代表上一时刻模型输出的细胞状态，ht表示隐藏状态，bc表示偏置值，tanh为激活函数。
27、一些实施例中，在时间相关性建模模块后连接一个全连接层，将最后一个时间步的隐藏状态ht映射为农作物的产量值，其中，在时间相关性建模模块后连接一个全连接层后构建出完整的生长态势感知模型。
28、一些实施例中，获取农作物生长周期内的多源异构数据，包括：
29、基于物联网传感器设备获取土壤数据和周围环境数据，所述土壤数据至少包括土壤温度、体积水含量、光合辐射、土壤水势和土壤氧气，所述周围环境数据至少包括降水量，蒸发量、温度、湿度、空气压力、风速情况、风向情况、光照、co2含量总辐射和光合有效辐射；
30、基于智能植被生理传感器设备获取农作物数据，所述农作物数据至少包括叶面湿度和叶面温度。
31、一些实施例中，获取农作物生长周期内的多源异构数据之后，还包括：
32、设定各多源异构数据的取值范围，若超出预设取值范围进行报警处理。
33、相应的，本申请还提供了一种基于多源异构数据的农作物产量预测系统，包括：
34、获取模块，用于获取农作物生长周期内的多源异构数据以及多光谱遥感影像,所述多源异构数据至少包括土壤数据、周围环境数据和农作物数据；
35、第一构建模块，用于基于三维卷积神经网络构建深度空谱特征学习模块；
36、第二构建模块，用于通过长短期记忆网络构建时间相关性建模模块，所述时间相关性建模模块用于提取多光谱遥感影像或多源异构数据中的时间信息；
37、第三构建模块，用于基于所述深度空谱特征学习模块和时间相关性建模模块构建出生长态势感知模型；
38、产量预测模块，用于根据所述生长态势感知模型对农作物进行产量预测。
39、有益效果：
40、1)本申请应用于大面积农作物生长监测，及早发现作物异常或健康问题，增强对农场的监测和洞察水平；识别并监测植物长势变化及不同长势的分布情况，进行差异化管理；监测特定任务，比如施肥、灌溉、喷药等措施对作物健康的影响；通过不同区域和年份的基准产能分析，预测当年的产能。
41、2)本申请在农业领域的应用能够让农业种植更科学、病虫防治也变得更加专业，减少了农药等化学药剂对环境的危害，保护生态环境，本文档来自技高网...
【技术保护点】
1.一种基于多源异构数据的农作物产量预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于三维卷积神经网络构建深度空谱特征学习模块之后，还包括：
3.根据权利要求2所述的方法，其特征在于，深度空谱特征学习模块至少包括三维卷积层，通过深度空谱特征学习模块将多光谱遥感影像转换为系列高级空谱特征，包括：
4.根据权利要求1所述的方法，其特征在于，所述长短期记忆网络基于三维卷积神经网络对农作物时间特征进行建模，并以时间序列空谱特征F＝{F1,F2…Ft}为模型输入，以得到时间相关性建模模块，所述长短期记忆网络包括三个门控单元，所述三个门控单元包括输入门、遗忘门和输出门，其中，所述时间序列空谱特征为深度空谱特征学习模块的输出。
5.根据权利要求4所述的方法，其特征在于，根据如下公式(2)、(3)和(4)获取三个门控单元，包括：
6.根据权利要求5所述的方法，其特征在于，还包括细胞状态和隐藏状态，所述细胞状态利用输出门决定下一个隐藏状态，根据如下公式(5)和(6)获取细胞状态和隐藏状态：
7.根据权
8.根据权利要求1所述的方法，其特征在于，获取农作物生长周期内的多源异构数据，包括：
9.根据权利要求8所述的方法，其特征在于，获取农作物生长周期内的多源异构数据之后，还包括：
10.一种基于多源异构数据的农作物产量预测系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于多源异构数据的农作物产量预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于三维卷积神经网络构建深度空谱特征学习模块之后，还包括：
3.根据权利要求2所述的方法，其特征在于，深度空谱特征学习模块至少包括三维卷积层，通过深度空谱特征学习模块将多光谱遥感影像转换为系列高级空谱特征，包括：
4.根据权利要求1所述的方法，其特征在于，所述长短期记忆网络基于三维卷积神经网络对农作物时间特征进行建模，并以时间序列空谱特征f＝{f1,f2…ft}为模型输入，以得到时间相关性建模模块，所述长短期记忆网络包括三个门控单元，所述三个门控单元包括输入门、遗忘门和输出门，其中，所述时间序列空谱特征为深度空谱特征学习模块的输出。
5.根据权利要求4所述的方法，其特征在于...
【专利技术属性】
技术研发人员：何岩峰，杜纪龙，李新峰，罗素华，于鑫，王燕娜，
申请(专利权)人：中电云科信息技术有限公司，
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。