【技术实现步骤摘要】
本专利技术涉及植物病害监控，尤其涉及一种基于时序高光谱特征的稻瘟病害发生预测方法、装置、设备及计算机可读存储介质。
技术介绍
1、水稻是全球数十亿人口赖以生存的最重要粮食作物和重要的工业原料，同时也是多种植物病虫害的寄主。由病原真菌pyricularia oryzae引起的稻瘟病是世界水稻生产上最具毁灭性的病害之一，由该病害造成的水稻产量损失每年达10％～30％，严重时甚至绝收；此外，稻瘟病菌还可侵染麦类、谷类等其他50多种禾本科植物。早期监测与预警稻瘟病的发生对于限制其流行暴发至关重要。
2、然而，传统的检测方法主要依赖于专家的目视检查，这种方法不仅耗时耗力，还需要大量经验丰富的专业人员。此外，在田间条件下，当叶片上没有可见症状时，难以检测稻瘟病的早期感染，使得稻瘟病的检测结果具有滞后性，不利于水稻病害的预测预报及科学精准防控。
技术实现思路
1、本专利技术提供一种基于时序高光谱特征的稻瘟病害发生预测方法、装置、设备及存储介质，其主要目的在于根据水稻稻瘟病发病的早期特征，实现稻瘟病早期预测预报。
2、为实现上述目的，本专利技术提供的一种基于时序高光谱特征的稻瘟病害发生预测方法，包括：
3、实时采集目标监控区域中水稻的高光谱数据，得到预设时间段内的高光谱数据集合；
4、根据预设的有效特征波段对所述高光谱数据集合进行数据截取，得到有效高光谱数据集合；
5、利用预训练的稻瘟病害发生预测模型对所述有效高光谱数据集合进行特征编码，
6、对所述高光谱编码向量集合进行多尺度特征提取，得到多尺度特征集合，并将所述多尺度特征集合中的各个多尺度特征进行特征拼接，得到多尺度特征序列；
7、利用所述稻瘟病害发生预测模型中预构建的编码器，对所述多尺度特征序列进行基于特征趋势的时序特征分解，得到第一趋势编码向量集合及第一季节编码向量集合；
8、对所述高光谱编码向量集合进行基于特征趋势的时序特征分解，得到第二趋势编码向量集合及第二季节编码向量集合；
9、利用所述稻瘟病害发生预测模型中预构建的译码器，对所述第一趋势编码向量集合、第一季节编码向量集合、第二趋势编码向量集合及第二季节编码向量集合进行稻瘟病病害发生预测操作，得到所述目标监控区域内的稻瘟病害发生预测结果，所述稻瘟病害发生预测结果包括确诊结果及病情发展预测结果。
10、可选的，所述根据预设的有效特征波段对所述高光谱数据集合进行数据截取之前，所述方法还包括：
11、根据预构建的皮尔逊系数及随机森林算法，计算所述高光谱数据集合中各个波段的数据特征对于所述稻瘟病害的皮尔逊相关系数曲线；
12、判断所述高光谱数据集合之前的历史高光谱数据集合中是否检测到稻瘟病害发生的早期特征；
13、当所述历史高光谱数据集合检测到所述早期特征时，选取预设的第一阈值作为截取阈值；
14、当所述历史高光谱数据集合未检测到所述早期特征时，选取预设的第二阈值作为截取阈值；
15、筛选所述皮尔逊相关系数曲线中相关系数大于所述截取阈值的波段，得到有效特征波段。
16、可选的，所述根据预构建的皮尔逊系数及随机森林算法，计算所述高光谱数据集合中各个波段的数据特征对于所述稻瘟病的皮尔逊相关系数曲线，包括：
17、获取预构建的决策树森林；
18、根据预构建的oob误差分析算法，计算所述决策树森林中的目标决策树对应的袋外数据，及获取所述袋外数据中的错误样本数量；
19、对所述目标决策树进行基于目标波长的特征扰动，得到更新袋外数据，并计算所述更新袋外数据的更新错误样本数量；
20、对各个目标决策树进行预设次数的上述特征扰动的迭代操作，得到针对所述目标波长的目标波长误差数量；
21、根据所述目标波长误差数量及所述错误样本数量，计算所述目标波长的重要性得分，所述目标波长的重要性得分，表示为：
22、
23、式中，xj表示目标波长j的高光谱数据，sim(xj)表示目标波长j的高光谱数据的重要性得分，ntree表示所述决策树森林中决策树的总数，i表示第i个决策树，表示决策树i对于目标波长j的目标波长误差数量，erroobi表示决策树i的错误样本数量；
24、根据预构建的k折交叉验证算法及所述目标波长的重要性得分，从所述决策树森林中筛选预设数量的最优决策树集合，并获取所述最优决策树集合对应的随机森林特征波长集合；
25、根据皮尔逊系数，对所述随机森林特征波长集合中各个波长的高光谱数据进行相关性计算，得到皮尔逊相关系数曲线。
26、可选的，所述利用预训练的稻瘟病害发生预测模型对所述有效高光谱数据集合进行特征编码之前，所述方法还包括：
27、获取预构建的稻瘟病害发生预测模型，及获取根据预设试验条件记录的样本集合，并根据预设的训测比例将所述样本集合进行随机分组，得到训练集及测试集；
28、依次从所述训练集中提取一个目标样本，利用所述稻瘟病害发生预测模型对所述目标样本进行稻瘟病害发生预测，得到初级预测结果；
29、根据预构建的交叉熵损失算法，计算所述目标样本对应的真实标签与所述初级预测结果之间的损失值；
30、最小化所述损失值，得到所述损失值最小时的网络模型参数；
31、根据预构建的k折交叉验证算法，计算各个目标样本对应的网络模型参数的网络参数均值，并对所述网络参数均值进行逆向网络更新操作，得到更新稻瘟病害发生预测模型；
32、利用所述测试集，根据预设的容差值，计算所述更新稻瘟病害发生预测模型的容差准确率，其中，所述容差准确率，表示为：
33、
34、式中，toleranceaccuracy表示容差准确率，predictioni表示第i个测试样本的初级预测结果，truthi表示第i个测试样本的真实标签，tolerance表示所述容差值，n表示所述测试集中的样本数量；|predictioni-truthi|<tolerance表示：当所述初级预测结果predictioni与真实标签truthi之间差值的绝对值小于所述容差值，则记作1，反之，则记作0；
35、判断所述容差准确率是否大于预设的合格阈值；
36、当所述容差准确率小于或等于所述合格阈值时，返回上述根据预设的训测比例将所述样本集合进行随机分组的步骤，重新分配训练集及测试集对稻瘟病预测模型进行训练；
37、当所述容差准确率大于所述合格阈值时，停止训练过程，得到训练完成的稻瘟病害发生预测模型。
38、可选的，所述获取根据预设试验条件记录的样本集合，包括：
39、获取预构建的感病品种及抗病品种，并根据预设的培养条件，对所述感病品种及抗病品种进行种植直至稻苗长至3.5-4叶龄；
40、对所述感病品种及抗病品种进行本文档来自技高网...
【技术保护点】
1.一种基于时序高光谱特征的稻瘟病害发生预测方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于时序高光谱特征的稻瘟病害发生预测方法，其特征在于，所述根据预设的有效特征波段对所述高光谱数据集合进行数据截取之前，所述方法还包括：
3.如权利要求2所述的基于时序高光谱特征的稻瘟病害发生预测方法，其特征在于，所述根据预构建的皮尔逊系数及随机森林算法，计算所述高光谱数据集合中各个波段的数据特征对于所述稻瘟病害的皮尔逊相关系数曲线，包括：
4.如权利要求3所述的基于时序高光谱特征的稻瘟病害发生预测方法，其特征在于，所述利用预训练的稻瘟病害发生预测模型对所述有效高光谱数据集合进行特征编码之前，所述方法还包括：
5.如权利要求4所述的基于时序高光谱特征的稻瘟病害发生预测方法，其特征在于，所述获取根据预设试验条件记录的样本集合，包括：
6.如权利要求5所述的基于时序高光谱特征的稻瘟病害发生预测方法，其特征在于，所述利用所述稻瘟病害发生预测模型中预构建的编码器对所述多尺度特征序列进行基于特征趋势的时序特征分解，得到第一趋势编码向量
7.如权利要求6所述的基于时序高光谱特征的稻瘟病害发生预测方法，其特征在于，所述利用所述稻瘟病害发生预测模型中预构建的译码器对所述第一趋势编码向量集合、第一季节编码向量集合、第二趋势编码向量集合及第二季节编码向量集合进行稻瘟病病害发生预测操作，得到所述目标监控区域内的稻瘟病害发生预测结果，所述稻瘟病害发生预测结果包括确诊结果及病情发展预测结果，包括：
8.一种基于时序高光谱特征的稻瘟病害发生预测装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，所述电子设备包括：
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于时序高光谱特征的稻瘟病害发生预测方法。
...【技术特征摘要】
1.一种基于时序高光谱特征的稻瘟病害发生预测方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于时序高光谱特征的稻瘟病害发生预测方法，其特征在于，所述根据预设的有效特征波段对所述高光谱数据集合进行数据截取之前，所述方法还包括：
3.如权利要求2所述的基于时序高光谱特征的稻瘟病害发生预测方法，其特征在于，所述根据预构建的皮尔逊系数及随机森林算法，计算所述高光谱数据集合中各个波段的数据特征对于所述稻瘟病害的皮尔逊相关系数曲线，包括：
4.如权利要求3所述的基于时序高光谱特征的稻瘟病害发生预测方法，其特征在于，所述利用预训练的稻瘟病害发生预测模型对所述有效高光谱数据集合进行特征编码之前，所述方法还包括：
5.如权利要求4所述的基于时序高光谱特征的稻瘟病害发生预测方法，其特征在于，所述获取根据预设试验条件记录的样本集合，包括：
6.如权利要求5所述的基于时序高光谱特征的稻瘟病害发生预测方法，其...
【专利技术属性】
技术研发人员：汪文娟，杨健源，俞龙，陈凯玲，苏菁，刘涛，刘彩云，黄浩宜，梁美玲，陈深，汪聪颖，朱小源，
申请(专利权)人：广东省农业科学院植物保护研究所，
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。