【技術實現步驟摘要】
本專利技術涉及農業作物產量預測，并特別涉及一種基于線性時序特征與多尺度注意力的作物估產方法及裝置。
技術介紹
1、現有的作物產量預測技術主要包括但不限于以下四類：
2、(1)基于統計分析的方法。這種方法依賴于大量本地數據的收集和分析，以此作為預測的基礎。然而，其主要缺陷在于數據收集的成本高且耗時。此外，數據收集和分析過程中的人為因素容易引入誤差，導致預測結果的準確性受到影響。例如，數據錄入錯誤、采樣偏差和其他統計問題都可能導致預測偏差。
3、(2)基于作物生長原理的模型。該方法通過深入理解作物從種植到收獲的各個階段，以預測其產量。其核心在于綜合考慮土壤、氣候、水分、光照等多種因素。然而，作物生長過程復雜，受多種因素的相互作用影響，即使經驗豐富的研究者也難以完全模擬。這些模型通常過于簡化，導致在真實場景下的預測精度較低。
4、(3)基于傳統機器學習方法對作物產量進行預測。隨著機器學習技術的發展，越來越多的研究者使用這些技術來預測作物產量。機器學習方法能夠管理和分析復雜的數據模式，識別和理解影響因素之間的復雜關系，而不需要事先深入了解作物生長的基本機制。機器學習模型具有自動調整和優化參數的能力，這與傳統的作物模型形成了對比。常見的機器學習技術包括隨機森林回歸、支持向量回歸、多層回歸、lasso回歸和boosted回歸樹。這些方法能夠捕捉作物生長中的復雜非線性關系，在產量預測中表現出色。然而，這些模型的性能依賴于特征選擇的質量，特征選擇的手工設計可能影響模型的表現。
5、(4)基于深度學
6、在作物產量預測中，基于深度學習的模型主要依賴于作物生長環境的表格記錄和遙感時序圖像數據。由于可獲取性、成本和誤差等因素，大部分研究集中在這兩種數據類型之一。基于作物生長環境記錄的模型通常包括氣候變量、降水、土壤條件、種子基因型和地理位置等數據，這些要素共同定義了作物的生長環境。利用dnn網絡從異質數據中提取特征以預測玉米產量。設計cnn-rnn框架，通過一維卷積捕獲作物對不同土壤和氣候變量的依賴性，隨后使用rnn捕捉基因型對產量隨時間變化的影響。進一步完善這一模型，整合圖神經網絡(gnn)，以增強模型對不同地理特征的適應性和穩健性。盡管深度學習在產量預測中表現優于lasso、決策樹等傳統方法，但由于影響作物生長的變量多樣且研究者選擇的輸入變量不一致，這些模型的性能難以直接比較。此外，數據通常來自傳感器或氣象站，低采樣密度和傳感器誤差進一步限制了模型的性能。
7、衛星遙感技術的發展使得能夠持續提取作物生長的時空信息。現有技術注意到電磁波與作物生長的相互作用，使得遙感技術能夠提供足夠的空間覆蓋、時間連續性和可用性，以監測作物生長。因此，基于遙感的深度學習產量估算方法日益增多。利用長短期記憶網絡從modis直方圖時間序列中挖掘時間關系，并使用高斯過程集成時空特征，以學習跨區域作物生長的差異，但其提取特征的核函數依賴于經驗，且具有非常有限的表征能力。通過一種雙流卷積神經網絡(cnn)，從無人機遙感圖像中提取產量分布的空間特征。通過一種cnn-rnn結構，用于分析作物生長過程中的空間-光譜變化和時間依賴性。然而，這些研究并未考慮不同作物階段對產量的影響。模型結合注意力機制和時間模型，對不同作物生長階段的特征賦予權重，以研究它們對作物產量的貢獻。或利用先驗知識指導注意力訓練，同時結合圖卷積網絡處理地理空間拓撲結構，學習跨區域作物生長的差異。然而，rnn在積累時間特征時可能會導致注意力偏移問題，而由先驗知識指導的注意力權重可能過度依賴專家經驗，潛在地與模型學習的高維特征相沖突。上述模型僅關注從遙感序列中提取作物生長特征。由于遙感技術的分辨率限制以及地表數據的固有不可見性，這些模型無法完全捕捉作物生長環境中的細微差異及其長期趨勢。
8、在對廣大地區的作物產量進行預測時，現有模型常常遇到困難。這其中的原因是，因為地理位置的不同，各個地區的氣候、土壤和其他環境變量都對作物的生長和產量產生獨特的影響。現有模型在應對不同地區作物生長環境差異時表現不足，這一局限性既來自輸入數據，也源于模型結構本身。以當前流行的遙感圖像作為輸入的研究方案為例，雖然遙感圖像具有廣泛覆蓋的優勢，但由于分辨率限制，無法提供每個區域作物生長環境的細節。此外，遙感圖像無法捕捉地表以下的信息，如土壤中各類化合物的含量，這進一步限制了模型對作物生長環境的全面認知。
9、目前面臨的兩個主要挑戰是：
10、(1)現有模型主要依賴從遙感圖像中提取作物生長環境的特征，然而，這種方法忽視了遙感圖像本身無法提供完整生長環境信息的事實。因此，模型對作物生長環境的理解存在局限性，對不同地區特征差異的識別不足，進而影響了模型的預測性能。
11、(2)受到傳統遞歸神經網絡結構的限制：當試圖擬合不同地區的作物生長階段對最終產量的影響時，一些模型可能受到傳統遞歸神經網絡結構的約束，導致注意力權重偏移的問題。這種結構限制可能會妨礙模型深入理解和表示作物生長的動態變化，進一步降低預測的準確性和可靠性。
技術實現思路
1、本專利技術的目的是克服上述現有技術局限于僅從遙感圖像中提取作物生長環境特征，從而引起的模型忽略不同地區環境差異性、以及以往模型對作物生長階段的注意力權重偏移所導致的模型在大范圍地區進行產量預測的精度較低的問題，提出了一種新的估產模型。
2、針對現有技術的不足，如圖7所示，本專利技術提出了一種基于線性時序特征與多尺度注意力的作物估產方法，其中包括：
3、構建步驟，構建包括線性時間特征提取模塊和多尺度注意力特征模塊的估產模型，該線性時間特征提取模塊用于從不同地區的作物產量時間序列中提取環境模式特征，該多尺度注意力特征模塊用于從遙感圖像序列中分析作物的實時生長情況生成遙感特征；
4、訓練步驟，獲取由多個地塊的歷史年份作物產量及每個地塊對應的遙感圖像序列構成的訓練數據，且每個地塊已標注產量標簽；該線性時間特征模塊將該訓練數據中地塊的歷史年份作物產量和相應的年份視作一個時間序列，通過線性回歸提取該時間序列的環境模式特征；該多尺度注意力特征模塊利用不同尺度的注意力機制，提取該訓練數據中遙感圖像序列的遙感特征；該環境模式特征和該遙感特征送入多層感知器的解碼器，得到預測產量，根據該預測產量和該產量標簽，構建損失函數反向傳播訓練該估產模型；
5、估產步驟，將待估產地塊的歷史作物產量和遙感圖像序列輸入訓練完成后的該估產模型，得到待估產地塊的產量預測結果。
6、所述的基于線性時序特征與多尺度注意力的作物估產方法，其中該線性時間特征塊包括：
7、判斷歷史年份作物產量是否存在缺失，若是，則使用平衡二叉樹kd識別每個缺失數據對應地塊的最近鄰地塊，并采用最近鄰地塊的回歸參數作為缺失數據的統計本文檔來自技高網...
【技術保護點】
1.一種基于線性時序特征與多尺度注意力的作物估產方法，其特征在于，包括：
2.如權利要求1所述的基于線性時序特征與多尺度注意力的作物估產方法，其特征在于，該線性時間特征塊包括：
3.如權利要求1所述的基于線性時序特征與多尺度注意力的作物估產方法，其特征在于，該多尺度注意力特征模塊由卷積塊和在不同時間尺度上操作的注意力層組成，用于在從作物生長季節內的遙感數據中提取有效特征并識別趨勢；
4.如權利要求3所述的基于線性時序特征與多尺度注意力的作物估產方法，其特征在于，該多尺度注意力特征模塊包括兩個注意力層；
5.一種基于線性時序特征與多尺度注意力的作物估產裝置，其特征在于，包括：
6.如權利要求5所述的基于線性時序特征與多尺度注意力的作物估產裝置，其特征在于，該線性時間特征塊包括：
7.如權利要求5所述的基于線性時序特征與多尺度注意力的作物估產裝置，其特征在于，該多尺度注意力特征模塊由卷積塊和在不同時間尺度上操作的注意力層組成，用于在從作物生長季節內的遙感數據中提取有效特征并識別趨勢；
8.一種電子設備
9.一種計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現權利要求1-4中任一所述基于線性時序特征與多尺度注意力的作物估產方法的步驟。
10.一種計算機程序產品，包括計算機程序，其特征在于，該計算機程序被處理器執行時實現權利要求1-4中任一所述基于線性時序特征與多尺度注意力的作物估產方法的步驟。
...【技術特征摘要】
1.一種基于線性時序特征與多尺度注意力的作物估產方法，其特征在于，包括：
2.如權利要求1所述的基于線性時序特征與多尺度注意力的作物估產方法，其特征在于，該線性時間特征塊包括：
3.如權利要求1所述的基于線性時序特征與多尺度注意力的作物估產方法，其特征在于，該多尺度注意力特征模塊由卷積塊和在不同時間尺度上操作的注意力層組成，用于在從作物生長季節內的遙感數據中提取有效特征并識別趨勢；
4.如權利要求3所述的基于線性時序特征與多尺度注意力的作物估產方法，其特征在于，該多尺度注意力特征模塊包括兩個注意力層；
5.一種基于線性時序特征與多尺度注意力的作物估產裝置，其特征在于，包括：
6.如權利要求5所述的基于線性時序特征與多尺度注意力的作物估產裝置，其特征在于，該線性時間特征塊包括：
7.如權利要...
【專利技術屬性】
技術研發人員：李虎，龍隆，劉子辰，程霖，向煒，張玉成，高樹琴，
申請(專利權)人：中國科學院計算技術研究所，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。