【技术实现步骤摘要】
本专利技术涉及农作物产量预测，并特别涉及一种基于注意力机制的大面积自适应产量预测方法及系统。
技术介绍
1、现有的农作物产量预测技术主要包括下三类：
2、(1)基于农作物机理的作物产量预测模型。作物产量估计的机理模型(或过程模型)基于对作物生长和发育过程的生物物理理解来预测作物产量。这些模型使用来自气候、土壤和作物管理实践的数据来模拟作物的生长过程，从而预测作物的产量。由于需要详细模拟作物生长的各个阶段和影响作物生长的各种环境因素，这种模型通常十分复杂，需要对管理做出很强的假设，而且会带来很大的计算开销。
3、(2)基于传统统计机器学习的作物产量预测模型。与机理模型不同，统计机器学习模型主要依赖于历史数据和统计算法来预测作物产量，它通常更容易实现且适用于大规模数据集。例如支持向量回归(svr)和随机森林模型(rf),传统机器学习模型基于数据特征进行建模，在作物产量预测任务上表现出远好于机理模型的结果。然而，传统机器学习通常依赖于人工特征工程，这意味着需要专业知识来确定和创建可能影响作物产量的特征，这个过程可能非常耗时而且容易遗漏重要的特征。其次，传统机器学习难以捕捉复杂的非线性关系和处理高维数据。
4、(3)基于深度学习的作物产量预测模型。近些年来，随着深度学习的发展，越来越多的学者将深度学习方法应用到作物估产领域中来，并取得了令人瞩目的成果。深度学习应用之初是基于人工神经网络，利用气候、土壤和管理实践等数据来预测玉米产量，并与多元线性回归模型进行对比，结果发现人工神经网络明显优于多元线性回归
5、近些年来，这种解释变量对于模型预测产量在空间上产生不同的效应的现象即空间异质性越来越受到人们的重视。已有研究表明，在作物产量预测任务中考虑作物生长的空间异质性能够有效提高产量预测的准确性。
6、针对空间异质性的研究。现有的方法主要有两种：
7、(1)分区域建立模型。这种方法假设在每个划分好的区域内，模型输出变量和输入变量之间的关系是固定的，与区域内位置无关的高维复杂函数。比如在多个小麦种植区的每个区域都建立了产量预测模型。利用物候对齐的方法使用作物物候时间序列来调整每个区域用于作物产量预测的生长周期。引入多任务学习，将不同地区的产量预测作为写作任务来学习。这些空间异质性学习方法在很大程度上依赖于复杂的人工干预(人为地理划分)，然而，想要在大范围地区获得很准确的地理划分是有挑战性的，而且有限数据集的分离导致难以训练实现模型的泛化性能。
8、(2)采用注意力机制自适应计算空间差异的模型已被提出从而避免了人工干预，利用注意力机制，设计了一个时间注意力网络模型来自适应学习不同地区作物生长周期的变化，不同地区，作物生长周期对最终产量的贡献差异直接体现在周期注意力数值的差异。利用注意力机制来让模型从数据中自适应学习和计算作物生长建模的空间异质性的方法，成功避免了人为因素的干扰且具有很好的泛化性能。
9、但是，利用注意力机制来计算空间异质性的方法仍然存在缺陷。利用时间注意力网络来学习不同地区，作物的时间累积生长的变化，也即不同生长时间周期对最终产量的贡献差异。然而，他们都忽略了空间异质性的一个更重要的特性，那就是作物生长的空间异质性不仅在不同地区作物时间累积生长的变化，还有不同影响因素也即解释变量对产量的贡献差异。这种解释变量对于模型预测产量在空间上的不同效应的空间异质性更为常见和重要。
技术实现思路
1、本专利技术的目的是解决在产量预测任务中空间异质性问题，通过同时引入时间注意力和特征注意力网络，自适应计算学习大范围内作物生长的空间异质性。
2、本专利技术提出了一种基于注意力机制的大面积自适应作物产量预测方法，包括：
3、步骤1、获取多个已标注实际产量的作物时序数据，该作物时序数据为各时间点对应的生长环境数据；构建包括长短时记忆层、时间注意力层、特征注意力层和全连接层的作物产量预测模型；
4、步骤2、将该作物时序数据输入该长短时记忆层，得到作物生长二维特征矩阵，沿时间维度，将该作物生长二维特征矩阵拆分，得到各个时间点对应的生长特征；沿特征维度，将该作物生长二维特征矩阵拆分，得到各个特征对应的时序特征；
5、步骤3、将各个时间点对应的生长特征输入该时间注意力层，将得到的该作物时序数据中各时间点的权重与该作物生长二维特征矩阵相乘，得到第一矩阵；将各个特征对应的时序特征输入该特征注意力层，将得到的该作物时序数据中各个特征的权重与该作物生长二维特征矩阵相乘，得到第二矩阵；将该第一矩阵和该第二矩阵拼接后送入该全连接层，得到预测产量；根据该预测产量和该实际产量构建损失函数训练该作物产量预测模型，使该特征注意力层学习不同地区环境因素对作物产量的影响权重的差异性；
6、步骤4、将待预测的作物时序数据输入训练完成后的作物产量预测模型，得到作物产量预测结果。
7、所述的基于注意力机制的大面积自适应作物产量预测方法，该生长环境数据包括天气数据和土壤数据。
8、所述的基于注意力机制的大面积自适应作物产量预测方法，该作物产量预测模型还包括卷积层cnn；该步骤3包括将各个特征对应的时序特征输入该卷积层cnn提取时间模式，得到各个特征的频域特征，将该频域特征输入该特征注意力层，得到该作物时序数据中各个特征的权重。
9、所述的基于注意力机制的大面积自适应作物产量预测方法，该多个已标注实际产量的作物时序数据为同一种作物在不同地区的作物时序数据，本文档来自技高网...
【技术保护点】
1.一种基于注意力机制的大面积自适应作物产量预测方法，其特征在于，包括：
2.如权利要求1所述的基于注意力机制的大面积自适应作物产量预测方法，其特征在于，该生长环境数据包括天气数据和土壤数据。
3.如权利要求1所述的基于注意力机制的大面积自适应作物产量预测方法，其特征在于，该作物产量预测模型还包括卷积层CNN；该步骤3包括将各个特征对应的时序特征输入该卷积层CNN提取时间模式，得到各个特征的频域特征，将该频域特征输入该特征注意力层，得到该作物时序数据中各个特征的权重。
4.如权利要求1所述的基于注意力机制的大面积自适应作物产量预测方法，其特征在于，该多个已标注实际产量的作物时序数据为同一种作物在不同地区的作物时序数据，且该待预测的作物时序数据的作物类别与该已标注实际产量的作物时序数据的作物类别相同。
5.一种基于注意力机制的大面积自适应作物产量预测系统，其特征在于，包括：
6.如权利要求5所述的基于注意力机制的大面积自适应作物产量预测系统，其特征在于，该生长环境数据包括天气数据和土壤数据。
7.如权利要求5所
8.如权利要求5所述的基于注意力机制的大面积自适应作物产量预测系统，其特征在于，该多个已标注实际产量的作物时序数据为同一种作物在不同地区的作物时序数据，且该待预测的作物时序数据的作物类别与该已标注实际产量的作物时序数据的作物类别相同。
9.一种服务器，其特征在于，包括权利要求5-8所述的一种基于注意力机制的大面积自适应作物产量预测装置。
10.一种存储介质，用于存储一种执行权利要求1-4所述基于注意力机制的大面积自适应作物产量预测方法的计算机程序。
...【技术特征摘要】
1.一种基于注意力机制的大面积自适应作物产量预测方法，其特征在于，包括：
2.如权利要求1所述的基于注意力机制的大面积自适应作物产量预测方法，其特征在于，该生长环境数据包括天气数据和土壤数据。
3.如权利要求1所述的基于注意力机制的大面积自适应作物产量预测方法，其特征在于，该作物产量预测模型还包括卷积层cnn；该步骤3包括将各个特征对应的时序特征输入该卷积层cnn提取时间模式，得到各个特征的频域特征，将该频域特征输入该特征注意力层，得到该作物时序数据中各个特征的权重。
4.如权利要求1所述的基于注意力机制的大面积自适应作物产量预测方法，其特征在于，该多个已标注实际产量的作物时序数据为同一种作物在不同地区的作物时序数据，且该待预测的作物时序数据的作物类别与该已标注实际产量的作物时序数据的作物类别相同。
5.一种基于注意力机制的大面积自适应作物产量预测系统，其特征在于，包括：
6.如权利要求5所述的基于注意...
【专利技术属性】
技术研发人员：向炜，龙隆，刘子辰，李虎，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。