System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及生态观测领域,尤其涉及一种地上生物量预测模型和方法。
技术介绍
1、长期系统性的进行生态系统数据观测并进行相关研究,是认识和解决气候变化和人类活动引起的生态和环境问题的重要手段。随着多年以来我国生态研究的展开,观测站点已遍布我国大江南北,为生态考察提供重要数据参考。随着近年来信息科学的高速发展,以人工智能和大数据为代表的新型信息技术得到了突飞猛进的提高。将人工智能和大数据技术与生态学研究相结合,将为生态科学的发展带来新活力。
2、地上生物量、地下生物量、土壤碳等地上生物量是研究生态水平的重要参考,主要依靠野外站点进行地面测量收集。对地上生物量的测量和收集是极耗时间和精力的工作,且目前全国站点覆盖范围十分有限,地上生物量受所在地理位置,气温,湿度等多种因素的影响,预测难度很大,若要得到全国范围内地上生物量的情况,还需要结合其他手段。
技术实现思路
1、为了解决该问题,本申请实施例提供了一种地上生物量预测模型和方法,能够根据卫星遥感数据进行地上生物量预测,提高预测精度,从而为生态学研究提供重要参考。
2、第一方面,本申请实施例提出一种地上生物量预测模型,地上生物量预测模型用于根据目标区域的遥感生态数据推理目标区域地上生物量的值,目标区域是按气候类型划分的地理区域;地上生物量预测模型包括:第一神经网络,以多种类型的生态特征数据作为输入,对多种类型的生态特征数据分别卷积、压缩、激励后再进行拼接和flatten处理,经过多次全连接后输出第一地上生物量推理结果
3、以此,本申请实施例提出的地上生物量预测模型,针对目标区域地上生物量的预测,采用生态特征数据分类方式,能够在选取较少特征的情况下,使用卷积神经网络结合注意力机制的方式,实现较高预测精度;使用多个神经网络进行集成化学习,有助于提升模型泛化性,使其在升尺度推理中表现良好。
4、在一些可能的实施方式中,第一神经网络包括压缩单元和激励单元;其中,压缩单元对维度w*h*c的特征矩阵f进行维度压缩,通过一个全连接层得到每个特征通道的权重预测结果csq′;激励单元将不同通道的权重预测结果csq′通过激励加到w*h*c的卷积图对应通道参数c上。
5、以此,在本申请实施例提出的地上生物量预测模型中,第一神经网络将压缩和激励机制融入卷积神经网络cnn,引入了通道权重c(channel),以指示不同特征的channel的权重,学习channel之间的相关性,筛选出了针对channel的注意力的作用,在只稍微增加计算量的情况下,提高了卷积神经网络模型cnn在预测任务上的性能。
6、在一些可能的实施方式中,第二神经网络包括空间注意力机制和通道注意力机制;其中,通道注意力机制对维度w*h*c的卷积图f进行平均池化和最大值池化聚合空间信息,得到两个c维池化特征f_avg和f_max;将f_avg和f_max输入包括至少一个隐层的多层感知器里,得到两个1x1xc的通道注意力图;将两个1x1xc的通道注意力图进行对应元素相加,激活,得到通道注意力图;空间注意力机制对经过通道注意力图加权后的卷积图f’沿着通道方向顺序进行最大池化和平均池化,得到特征地图f’_avg和f’_max,两者维度均是1×h×w;将f’_avg和f’_max进行维度拼接,利用7x7的卷积层生成空间注意力图。
7、以此,在本申请实施例提出的地上生物量预测模型中,第二神经网络将包括空间注意力机制和通道注意力机制的cbam模块引入卷积神经网络cnn,将空间的相关性和通道的相关性进一步结合,提高了预测精度。
8、在一些可能的实施方式中,辅助预测神经网络还包括第三神经网络,辅助的地上生物量推理结果还包括第三地上生物量推理结果;第三神经网络以多种类型的生态特征数据作为输入,使用类inception单元结构,使用不同大小卷积核分别对输入特征进行卷积,再使用零填充操作使经不同卷积核卷积的输出结果大小一致,之后拼接,flatten处理后经过多次全连接,最终输出所述第三地上生物量推理结果。
9、以此,在本申请实施例提出的地上生物量预测模型中,将基于类inception单元结构等的深度学习神经网络模型对同一任务的不同预测结果,加入bpnn集成器进行集成学习,提高bpnn集成器的预测结果的准确度。
10、第二方面,本申请实施例提出一种地上生物量预测方法,基于如第一方面任意一项地上生物量预测模型实现,方法包括:采集目标区域的遥感生态数据获得多种类型的生态特征数据;目标区域是按气候类型划分的地理区域地理区域;多种类型生态特征数据包括以下一个或多个类型的生态特征数据:mat,map,par,ndvi,dem,slope,aspec;将多种类型的生态特征数据输入地上生物量预测模型,输出目标区域内地上生物量的值。
11、以此,本申请实施例提出的地上生物量预测方法,针对目标区域地上生物量的预测,采用生态特征数据分类方式,能够在选取较少特征的情况下,使用卷积神经网络结合注意力机制的方式,实现较高预测精度;使用多个神经网络进行集成化学习,有助于提升模型泛化性,使其在升尺度推理中表现良好。
12、在一些可能的实施方式中,方法包括训练地上生物量预测模型,包括:根据目标区域内的目标站点的观测数据获得多种类型的生态特征数据;将多种类型的生态特征数据输入地上生物量预测模型,对第一神经网络、辅助预测神经网络以及bpnn集成器进行训练,训练的目标是bpnn集成器根据第一神经网络、辅助预测神经网络对同一个任务预测出的不同结果计算后输出符合要求的地上生物量值,符合要求的地上生物量值是指与观测数据对应的地上生物量标签值之间的误差在阈值范围内。
13、以此,本申请实施例提出一种地上生物量预测方法采用生态特征数据分类方式,可在选取较少特征的情况下训练生态预测模型,并取得良好性能,节约训练成本;将多种架构的深度学习神经网络模型对同一任务的不同预测结果,加入bpnn集成器进行集成学习,能够提高bpnn集成器预测的地上生物量值的准确度。
14、在一些可能的实施方式中,多种类型的生态特本文档来自技高网...
【技术保护点】
1.一种地上生物量预测模型,其特征在于,所述地上生物量预测模型用于根据目标区域的遥感生态数据推理所述目标区域地上生物量的值,所述目标区域是按气候类型划分的地理区域;所述地上生物量预测模型包括:
2.根据权利要求1所述的方法,其特征在于,所述第一神经网络包括压缩单元和激励单元;其中,所述压缩单元对维度W*H*C的特征矩阵F进行维度压缩,通过一个全连接层得到每个特征通道的权重预测结果Csq′;所述激励单元将不同通道的权重预测结果Csq′通过激励加到W*H*C的卷积图对应通道参数C上。
3.根据权利要求1或2所述的方法,其特征在于,所述第二神经网络包括空间注意力机制和通道注意力机制;
4.根据权利要求1或2所述的方法,其特征在于,所述辅助预测神经网络还包括第三神经网络,所述辅助的地上生物量推理结果还包括所述第三地上生物量推理结果;
5.一种地上生物量预测方法,基于如权利要求1-4任意一项所述地上生物量预测模型实现,其特征在于,所述方法包括:
6.根据权利要求5所述的方法,其特征在于,所述方法包括训练所述地上生物量预测模型,包括
7.根据权利要求5或6所述的方法,其特征在于,所述多种类型的生态特征数据包括气候类型特征数据和植被类型的特征数据,所述将所述多种类型的生态特征数据输入地上生物量预测模型,输出所述目标区域内地上生物量的推理结果,还包括:
8.根据权利要求5或6所述的方法,其特征在于,所述方法还包括采用迁移学习和微调优化所述地上生物量预测模型,包括:
9.根据权利要求5或6所述的方法,其特征在于,所述方法还包括:
10.一种电子设备,包括:至少一个存储器,用于存储程序;至少一个处理器,用于执行存储器存储的程序,当存储器存储的程序被执行时,处理器用于执行如权利要求5-9任意一项所述的方法。
...【技术特征摘要】
1.一种地上生物量预测模型,其特征在于,所述地上生物量预测模型用于根据目标区域的遥感生态数据推理所述目标区域地上生物量的值,所述目标区域是按气候类型划分的地理区域;所述地上生物量预测模型包括:
2.根据权利要求1所述的方法,其特征在于,所述第一神经网络包括压缩单元和激励单元;其中,所述压缩单元对维度w*h*c的特征矩阵f进行维度压缩,通过一个全连接层得到每个特征通道的权重预测结果csq′;所述激励单元将不同通道的权重预测结果csq′通过激励加到w*h*c的卷积图对应通道参数c上。
3.根据权利要求1或2所述的方法,其特征在于,所述第二神经网络包括空间注意力机制和通道注意力机制;
4.根据权利要求1或2所述的方法,其特征在于,所述辅助预测神经网络还包括第三神经网络,所述辅助的地上生物量推理结果还包括所述第三地上生物量推理结果;
5.一种地上生物量预测方法...
【专利技术属性】
技术研发人员:王子鉴,聂宁明,杨沁蒙,万萌,何洪林,王彦棡,任小丽,王珏,曹荣强,
申请(专利权)人:中国科学院计算机网络信息中心,
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。