【技术实现步骤摘要】
本专利技术涉及农业人工智能，尤其涉及一种基于图卷积神经网络的甘蓝生长环境关系推理方法及装置。
技术介绍
1、甘蓝是一种十字花科芸薹属二年生草本植物，其生长周期较短，约为80至120天，既是主要的食用蔬菜和饲料来源，同时也是一种重要的中药材。以甘蓝叶入药，具有抗癌以及改善胃溃疡、高血糖和高血脂等作用。因此，理解和预测环境因素如何影响甘蓝生长，并着力提高甘蓝产量和品质对农业领域乃至医药领域都具有重要意义。
2、在甘蓝生长与环境因素的关系分析中，现有技术要么依赖于经验和人工判断，缺乏系统性和科学性，存在着效率低下、资源浪费和产量不稳定等问题；要么基于深度学习神经网络模型（例如图卷积网络（graph convolution network，gcn）模型等）对甘蓝生长指标与某一种环境因素之间的相互作用进行分析，然而由于甘蓝的生长周期较短，其生长的各个阶段变化较快，对光照强度、环境温度、土壤湿度和降水量等多种环境因素变化敏感。因此，现有的深度学习神经网络模型无法准确出推理甘蓝的生长状态与环境因素的关系，从而优化其生长环境，提高甘蓝的产量和质量。
技术实现思路
1、本专利技术提供一种基于图卷积神经网络的甘蓝生长环境关系推理方法及装置，用以解决现有技术中存在的上述问题。
2、本专利技术提供一种基于图卷积神经网络的甘蓝生长环境关系推理方法，包括如下步骤：
3、采集甘蓝的生长指标数据和甘蓝的环境因素数据；
4、将所述甘蓝的生长指标数据输入长短期记忆网络模
5、将所述甘蓝的预测产量、所述甘蓝的预测质量以及所述加权环境特征输入图卷积神经网络，得到所述图卷积神经网络输出的所述甘蓝的预测产量与环境因素之间的关系以及所述甘蓝的预测质量与环境因素之间的关系；
6、其中，所述图卷积神经网络包括图卷积网络、门控递归单元和全连接层；所述图卷积网络用于提取甘蓝生长的空间特征；所述门控递归单元用于提取甘蓝生长的时间特征；所述全连接层用于输出所述甘蓝的预测产量与环境因素之间的关系以及所述甘蓝的预测质量与环境因素之间的关系。
7、根据本专利技术提供的一种基于图卷积神经网络的甘蓝生长环境关系推理方法，所述将所述甘蓝的预测产量、所述甘蓝的预测质量以及所述加权环境特征输入图卷积神经网络，得到所述图卷积神经网络输出的所述甘蓝的预测产量与环境因素之间的关系以及所述甘蓝的预测质量与环境因素之间的关系，包括：
8、将所述甘蓝的生长指标数据和所述甘蓝的环境因素数据，输入所述图卷积网络，提取甘蓝生长的空间特征；
9、将所述甘蓝生长的空间特征、所述甘蓝的生长指标数据以及所述甘蓝的环境因素数据，输入所述门控递归单元，提取甘蓝生长的时间特征；
10、将所述甘蓝生长的空间特征和所述甘蓝生长的时间特征进行特征拼接，获得甘蓝生长的全局特征；
11、基于所述甘蓝的预测产量、所述甘蓝的预测质量、所述加权环境特征以及所述甘蓝生长的全局特征，输入所述全连接层，得到所述全连接层输出的所述甘蓝的预测产量与环境因素之间的关系以及所述甘蓝的预测质量与环境因素之间的关系。
12、根据本专利技术提供的一种基于图卷积神经网络的甘蓝生长环境关系推理方法，所述图卷积网络是以甘蓝生长的生长指标和环境因素作为图的节点，并以所述生长指标和所述环境因素之间的关联关系作为图的边进行构建的。
13、根据本专利技术提供的一种基于图卷积神经网络的甘蓝生长环境关系推理方法，所述将所述甘蓝的环境因素数据输入卷积神经网络模型，得到所述卷积神经网络模型输出的加权环境特征，包括：
14、将所述甘蓝的环境因素数据输入所述卷积神经网络模型的卷积层，提取环境特征；
15、将所述环境特征输入所述卷积神经网络模型的注意力层，得到所述环境特征的注意力权重；
16、基于所述环境特征的注意力权重，通过所述卷积神经网络模型的融合层，得到所述加权环境特征。
17、根据本专利技术提供的一种基于图卷积神经网络的甘蓝生长环境关系推理方法，所述生长指标包括生长阶段、生长速率、株高以及叶面积指数中的至少两种。
18、根据本专利技术提供的一种基于图卷积神经网络的甘蓝生长环境关系推理方法，所述环境因素包括土壤湿度、环境温度、降水量、光照强度以及病虫害信息中的至少两种。
19、本专利技术还提供一种基于图卷积神经网络的甘蓝生长环境关系推理装置，包括如下模块：
20、采集模块，用于采集甘蓝的生长指标数据和甘蓝的环境因素数据；
21、处理模块，用于将所述甘蓝的生长指标数据输入长短期记忆网络模型，得到所述长短期记忆网络模型输出的甘蓝的预测产量和甘蓝的预测质量，并且，将所述甘蓝的环境因素数据输入卷积神经网络模型，得到所述卷积神经网络模型输出的加权环境特征；
22、确定模块，用于将所述甘蓝的预测产量、所述甘蓝的预测质量以及所述加权环境特征输入图卷积神经网络，得到所述图卷积神经网络输出的所述甘蓝的预测产量与环境因素之间的关系以及所述甘蓝的预测质量与环境因素之间的关系；
23、其中，所述图卷积神经网络包括图卷积网络、门控递归单元和全连接层；所述图卷积网络用于提取甘蓝生长的空间特征；所述门控递归单元用于提取甘蓝生长的时间特征；所述全连接层用于输出所述甘蓝的预测产量与环境因素之间的关系以及所述甘蓝的预测质量与环境因素之间的关系。
24、本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述基于图卷积神经网络的甘蓝生长环境关系推理方法。
25、本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于图卷积神经网络的甘蓝生长环境关系推理方法。
26、本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于图卷积神经网络的甘蓝生长环境关系推理方法。
27、本专利技术提供的一种基于图卷积神经网络的甘蓝生长环境关系推理方法，通过首先采集甘蓝的生长指标数据和甘蓝的环境因素数据，然后基于甘蓝的生长指标数据获得甘蓝的预测产量和甘蓝的预测质量，并基于甘蓝的环境因素数据获得加权环境特征，最后基于甘蓝的预测产量、甘蓝的预测质量以及加权环境特征，通过图卷积神经网络得到甘蓝的预测产量与环境因素之间的关系以及甘蓝的预测质量与环境因素之间的关系，实现了在综合考虑甘蓝的多种生长数据的情况下，准确高效地推理出甘蓝的生长状态与环境因素的关系，从而以此为依据，为甘蓝的种植管理提供建议，优化甘蓝的生长环境，提高甘蓝的产量和质量。
本文档来自技高网...【技术保护点】
1.一种基于图卷积神经网络的甘蓝生长环境关系推理方法，其特征在于，包括：
2.根据权利要求1所述的基于图卷积神经网络的甘蓝生长环境关系推理方法，其特征在于，所述将所述甘蓝的预测产量、所述甘蓝的预测质量以及所述加权环境特征输入图卷积神经网络，得到所述图卷积神经网络输出的所述甘蓝的预测产量与环境因素之间的关系以及所述甘蓝的预测质量与环境因素之间的关系，包括：
3.根据权利要求2所述的基于图卷积神经网络的甘蓝生长环境关系推理方法，其特征在于，所述图卷积网络是以甘蓝生长的生长指标和环境因素作为图的节点，并以所述生长指标和所述环境因素之间的关联关系作为图的边进行构建的。
4.根据权利要求1所述的基于图卷积神经网络的甘蓝生长环境关系推理方法，其特征在于，所述将所述甘蓝的环境因素数据输入卷积神经网络模型，得到所述卷积神经网络模型输出的加权环境特征，包括：
5.根据权利要求1或3任一项所述的基于图卷积神经网络的甘蓝生长环境关系推理方法，其特征在于，所述生长指标包括生长阶段、生长速率、株高以及叶面积指数中的至少两种。
6.根据权利要求1或
7.一种基于图卷积神经网络的甘蓝生长环境关系推理装置，其特征在于，包括：
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述基于图卷积神经网络的甘蓝生长环境关系推理方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，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6任一项所述基于图卷积神经网络的甘蓝生长环境关系推理方法。
10.一种计算机程序产品，包括计算机程序，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6任一项所述基于图卷积神经网络的甘蓝生长环境关系推理方法。
...【技术特征摘要】
1.一种基于图卷积神经网络的甘蓝生长环境关系推理方法，其特征在于，包括：
2.根据权利要求1所述的基于图卷积神经网络的甘蓝生长环境关系推理方法，其特征在于，所述将所述甘蓝的预测产量、所述甘蓝的预测质量以及所述加权环境特征输入图卷积神经网络，得到所述图卷积神经网络输出的所述甘蓝的预测产量与环境因素之间的关系以及所述甘蓝的预测质量与环境因素之间的关系，包括：
3.根据权利要求2所述的基于图卷积神经网络的甘蓝生长环境关系推理方法，其特征在于，所述图卷积网络是以甘蓝生长的生长指标和环境因素作为图的节点，并以所述生长指标和所述环境因素之间的关联关系作为图的边进行构建的。
4.根据权利要求1所述的基于图卷积神经网络的甘蓝生长环境关系推理方法，其特征在于，所述将所述甘蓝的环境因素数据输入卷积神经网络模型，得到所述卷积神经网络模型输出的加权环境特征，包括：
5.根据权利要求1或3任一项所述的基于图卷积神经网络的甘蓝生长环境关系推理方法，其特征在于，所述生长指标包括...
【专利技术属性】
技术研发人员：吴华瑞，朱华吉，顾静秋，李庆学，韩笑，刘畅，
申请(专利权)人：北京市农林科学院信息技术研究中心，
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。