CN112560633B - 基于深度学习的植物关键物候期时间点预测方法及系统 - Google Patents
基于深度学习的植物关键物候期时间点预测方法及系统 Download PDFInfo
- Publication number
- CN112560633B CN112560633B CN202011432779.6A CN202011432779A CN112560633B CN 112560633 B CN112560633 B CN 112560633B CN 202011432779 A CN202011432779 A CN 202011432779A CN 112560633 B CN112560633 B CN 112560633B
- Authority
- CN
- China
- Prior art keywords
- training
- model
- layer
- dimensional
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 111
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 44
- 238000012795 verification Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 238000011176 pooling Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 5
- 238000001556 precipitation Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 5
- 229920006395 saturated elastomer Polymers 0.000 claims description 5
- 239000002689 soil Substances 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 7
- 230000015654 memory Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000035613 defoliation Effects 0.000 description 2
- 230000035784 germination Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/38—Outdoor scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的植物关键物候期时间点预测方法及系统，其方法包括：对采集到的相关气象数据进行归一化处理，并将处理后所形成的若干个特征变量划分至训练集与验证集中；搭建一维卷积神经网络回归模型，并将所述训练集中包含的所有特征变量时间序列导入网络结构进行训练，输出训练模型；以均方误差作为评估指标，将所述验证集中包含的所有特征变量导入所述训练模型进行验证，存储最优模型；将其他区域的气象数据导入所述最优模型进行预测，获取区域内的不同植被物候天数。本发明实施例可覆盖全球尺度下不同生长季节的植被物候，且保证输出结果的高准确率。
Description
技术领域
本发明涉及植被物候识别技术领域，尤其涉及一种基于深度学习的植物关键物候期时间点预测方法及系统。
背景技术
植被物候是表征植被-气候相互变化关系的关键指标，对于气候因子变化的响应以及解析气候变化与植被间的复杂关系至关重要。随着植被物候定量研究的深入，数值模式已逐步应用到物候学研究领域中，学者们由此提出基于过程或基于机理的物候模型，其基本思路是利用气象等外部强迫输入数据来预测生态系统关键物候期，其中起主导作用的气象变量包括光周期、水利用率与温度。然而，此类模型仅可模拟出单一植被物候且多依赖于日梯度的概念，并通过单一变量(例如温度)驱动来判断，但随着全球变暖现象可能会造成未来物候模拟的误差，使得最终输出模拟结果的准确率较低以及覆盖范围较窄。
随着人工智能与大数据技术的兴起，机器学习、深度学习、迁移学习等方法为遥感数据处理提供新方法和新视角，相关技术人员也提出大量基于机器学习方法的植被叶面积指数模拟或植被关键物候期识别的研究，但基本上均是聚焦于小区域或者野外站点尺度下春季物候的模拟研究，无法对全球尺度下不同生长季节的植被物候展开全面的分析。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于深度学习的植物关键物候期时间点预测方法及系统，可覆盖全球尺度下不同生长季节的植被物候，且保证输出结果的高准确率。
为了解决上述问题，本发明提出了一种基于深度学习的植物关键物候期时间点预测方法，所述方法包括：
对采集到的相关气象数据进行归一化处理，并将处理后所形成的若干个特征变量划分至训练集与验证集中；
搭建一维卷积神经网络回归模型，并将所述训练集中包含的所有特征变量时间序列导入网络结构进行训练，输出训练模型；
以均方误差作为评估指标，将所述验证集中包含的所有特征变量导入所述训练模型进行验证，存储最优模型；
将其他区域的气象数据导入所述最优模型进行预测，获取区域内的不同植被物候天数。
可选的，所述相关气象数据包括大气含量、降水量、太阳短波辐射量、最低温度、最高温度、平均温度、饱和蒸气压差、风速、土壤湿度和光照时长。
可选的，所述一维卷积神经网络回归模型依次包括输入层、卷积层组、平均池化层组、Flatten层、Dropout层、全连接层与输出层，其中所述卷积层组包含有三个卷积层，所述平均池化层组包含有两个平均池化层。
可选的，所述搭建一维卷积神经网络回归模型，并将所述训练集中包含的所有特征变量时间序列导入网络结构进行训练，输出训练模型包括：
利用所述卷积层组对所述训练集中包含的所有特征变量时间序列进行特征提取，同时结合所述平均池化层组对输出的卷积结果进行区域划分与降维处理，生成最终的一维特征图；
利用所述Flatten层将所述一维特征图转换为初始一维特征矢量网络；
利用所述Dropout层随机对所述初始一维特征矢量网络中的40％矢量数据赋予零值，获取更新后的一维特征矢量网络；
利用所述全连接层对所述更新后的一维特征矢量网络中包含的所有矢量数据进行特征提取与回归处理，得到对应植被的物候天数；
利用所述输出层对回归结果进行误差计算，并通过反向传播算法对所述一维卷积神经网络进行参数迭代更新与误差修正，输出训练模型。
可选的，所述利用所述卷积层组对所述训练集中包含的所有特征变量时间序列进行特征提取，同时结合所述平均池化层组对输出的卷积结果进行区域划分与降维处理，生成最终的一维特征图包括：
利用第一卷积层对所述训练集中包含的所有特征变量时间序列进行特征提取，生成第一卷积结果；同时利用第一平均池化层将所述第一卷积结果划分为若干个矩阵区域，并对每个矩阵区域进行均值降维，生成初级一维特征图；
利用第二卷积层对所述初级一维特征图中包含的所有特征变量进行特征提取，生成第二卷积结果；同时利用第二平均池化层将所述第二卷积结果划分为若干个矩阵区域，并对每个矩阵区域进行均值降维，生成次级一维特征图；
利用第三卷积层对所述次级一维特征图中包含的所有特征变量进行特征提取，生成第三卷积结果，并结合内部ReLu激活函数对所述第三卷积结果进行非线性映射，生成最终的一维特征图。
可选的，所述利用所述输出层对回归结果进行误差计算包括：
确定所述输出层所利用到的损失函数，并基于所述损失函数计算出回归结果的损失值。
可选的，所述以均方误差作为评估指标，将所述验证集中包含的所有特征变量导入所述训练模型进行验证，存储最优模型包括：
将所述验证集中包含的所有特征变量导入所述训练模型进行运算，输出预测结果；
计算所述预测结果与真实结果之间的均方误差，并判断所述均方误差是否小于等于阈值；
若是，则将所述训练模型指定为最优模型并进行存储；
若否，则更新所述一维卷积神经网络回归模型的学习率，并返回将所述训练集中包含的所有特征变量时间序列导入更新后的一维卷积神经网络回归模型进行训练，输出新的训练模型。
可选的，所述学习率的计算公式为：
其中，lr为学习率，i为对所述训练集中所包含的所有特征变量进行训练的次数，epochs为可允许训练的总次数。
另外，本发明实施例还提供了一种基于深度学习的植物关键物候期时间点预测系统，所述系统包括：
预处理模块，用于对采集到的相关气象数据进行归一化处理，并将处理后所形成的若干个特征变量划分至训练集与验证集中；
训练模块，用于搭建一维卷积神经网络回归模型，并将所述训练集中包含的所有特征变量时间序列导入网络结构进行训练，输出训练模型；
验证模块，用于以均方误差作为评估指标，将所述验证集中包含的所有特征变量导入所述训练模型进行验证，存储最优模型；
预测模块，用于将其他区域的气象数据导入所述最优模型进行预测，获取区域内的不同植被物候天数。
在本发明实施例中，通过以不同空间与时间上的多种气象特征作为输入驱动，同时结合一维卷积神经网络的强大预测能力，可对全球尺度下不同生长季节的植被物候进行有效预测，为植被物候的科学管理提供基础支撑与参考依据；仅通过一维卷积神经网络来完成相关的特征提取功能，避免人为干扰，可保证最终输出结果的高准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例中的基于深度学习的植物关键物候期时间点预测方法的流程示意图；
图2是本发明实施例中的一维卷积神经网络回归模型的网络结构图；
图3是本发明实施例中的基于深度学习的植物关键物候期时间点预测系统的结构组成示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例
请参与图1，图1示出了本发明实施例中的基于深度学习的植物关键物候期时间点预测方法的流程示意图。
如图1所示，一种基于深度学习的植物关键物候期时间点预测方法，所述方法包括如下步骤：
S101、对采集到的相关气象数据进行归一化处理，并将处理后所形成的若干个特征变量划分至训练集与验证集中；
本发明实施过程为：首先借助各类传感器针对性地采集某一年份下任意N类植被的N×M(M为对应一类植被的采集总数)份相关气象数据，其中所述相关气象数据包括大气含量、降水量、太阳短波辐射量、最低温度、最高温度、平均温度、饱和蒸气压差、风速、土壤湿度和光照时长，此时针对任意一份相关气象数据，可将其中的10类气象数据定义为10组特征类别，且每一组特征类别均包含有365个特征变量；其次，以每一组特征类别中的最大值与最小值为基准，对每一组特征类别中所包含的所有特征变量进行常规的归一化处理，使得其中每一个特征变量的取值范围为[0,1]；接着，从N×M份相关气象数据中随机选取出N×M×2/3份相关气象数据作为训练样本，并且按照4:1的比例将N×M×2/3份相关气象数据进一步划分至训练集与验证集中，而剩下的N×M×1/3份相关气象数据将形成测试集。
S102、搭建一维卷积神经网络回归模型，并将所述训练集中包含的所有特征变量时间序列导入网络结构进行训练，输出训练模型；
在本发明实施例中，结合图2所示出的一维卷积神经网络回归模型的网络结构图可知，所搭建的一维卷积神经网络回归模型(one-dimensional convolutional neuralnetwork regression，1D-CNNR)依次包括输入层、卷积层组、平均池化层组、Flatten层、Dropout层、全连接层与输出层，其中所述卷积层组包含有三个卷积层，且每个卷积层包括512个卷积核以及深度为3的一个滤波器，所述平均池化层组包含有两个平均池化层。具体实施过程包括：
(1)利用所述卷积层组对所述训练集中包含的所有特征变量时间序列进行特征提取，同时结合所述平均池化层组对输出的卷积结果进行区域划分与降维处理，生成最终的一维特征图；
具体的，利用第一卷积层对所述训练集中包含的所有特征变量时间序列进行特征提取，生成第一卷积结果；同时利用第一平均池化层将所述第一卷积结果划分为若干个矩阵区域，并对每个矩阵区域进行均值降维，生成初级一维特征图；
利用第二卷积层对所述初级一维特征图中包含的所有特征变量进行特征提取，生成第二卷积结果；同时利用第二平均池化层将所述第二卷积结果划分为若干个矩阵区域，并对每个矩阵区域进行均值降维，生成次级一维特征图；
利用第三卷积层对所述次级一维特征图中包含的所有特征变量进行特征提取，生成第三卷积结果，并结合内部ReLu激活函数对所述第三卷积结果进行非线性映射，生成最终的一维特征图。
(2)利用所述Flatten层(展平层)将所述一维特征图转换为初始一维特征矢量网络；
(3)利用所述Dropout层随机对所述初始一维特征矢量网络中的40％矢量数据赋予零值，避免出现过拟合现象，从而获取更新后的一维特征矢量网络；
(4)利用所述全连接层对所述更新后的一维特征矢量网络中包含的所有矢量数据进行特征提取与回归处理，得到对应植被的物候天数；
(5)利用所述输出层对回归结果进行误差计算，并通过反向传播算法对所述一维卷积神经网络进行参数迭代更新与误差修正，输出训练模型。
具体的，首先确定所述输出层所利用到的损失函数，并基于所述损失函数计算出回归结果的损失值为：
式中：obsi为真实观测值，modi为模型回归结果，m为当前训练样本集的数目(即一个batch的大小)，当所述训练集中所包含的所有特征变量导入执行训练时，会优先将所有特征变量分成若干个batch，即通过把所述训练集分成若干个训练样本集依次执行来减少系统处理难度；
其次，通过现有的反向传播算法对所述一维卷积神经网络中各层结构所对应的权值进行迭代更新，直至所述损失函数处于收敛状态时，输出训练模型。
S103、以均方误差作为评估指标，将所述验证集中包含的所有特征变量导入所述训练模型进行验证，存储最优模型；
本发明实施过程包括：将所述验证集中包含的所有特征变量导入所述训练模型进行运算，输出预测结果；计算所述预测结果与真实结果之间的均方误差，并判断所述均方误差是否小于等于阈值，其相应的判断结果为：若所述均方误差小于等于阈值，则停止训练后将所述训练模型指定为最优模型并进行存储；若所述均方误差大于阈值，则更新所述一维卷积神经网络的学习率，并返回执行步骤S102，此时将所述训练集中所包含的所有特征变量导入更新后的一维卷积神经网络进行训练，输出新的训练模型。
其中，所述学习率的计算公式为：
式中：lr为学习率，i为对所述训练集中所包含的所有特征变量进行训练的次数，epochs为可允许训练的总次数。
S104、将其他区域的气象数据导入所述最优模型进行预测，获取区域内的不同植被物候天数，即不同植被在春季的发芽时长、在夏季的繁茂时长、在秋季的落叶时长以及在冬季的凋零时长。
在本发明实施例中，通过以不同空间与时间上的多种气象特征作为输入驱动，同时结合一维卷积神经网络的强大预测能力，可对全球尺度下不同生长季节的植被物候进行有效预测，为植被物候的科学管理提供基础支撑与参考依据；仅通过一维卷积神经网络来完成相关的特征提取功能，避免人为干扰，可保证最终输出结果的高准确率。
实施例
请参阅图3，图3示出了本发明实施例中的基于深度学习的植物关键物候期时间点预测系统的结构组成示意图。
如图3所示，一种基于深度学习的植物关键物候期时间点预测系统，所述系统包括如下：
预处理模块201，用于对采集到的相关气象数据进行归一化处理，并将处理后所形成的若干个特征变量划分至训练集与验证集中；
本发明实施过程为：首先借助各类传感器针对性地采集某一年份下任意N类植被的N×M(M为对应一类植被的采集总数)份相关气象数据，其中所述相关气象数据包括大气含量、降水量、太阳短波辐射量、最低温度、最高温度、平均温度、饱和蒸气压差、风速、土壤湿度和光照时长，此时针对任意一份相关气象数据，可将其中的10类气象数据定义为10组特征类别，且每一组特征类别均包含有365个特征变量；其次，以每一组特征类别中的最大值与最小值为基准，对每一组特征类别中所包含的所有特征变量进行常规的归一化处理，使得其中每一个特征变量的取值范围为[0,1]；接着，从N×M份相关气象数据中随机选取出N×M×2/3份相关气象数据作为训练样本，并且按照4:1的比例将N×M×2/3份相关气象数据进一步划分至训练集与验证集中，而剩下的N×M×1/3份相关气象数据将形成测试集。
训练模块202，用于搭建一维卷积神经网络回归模型，并将所述训练集中包含的所有特征变量时间序列导入网络结构进行训练，输出训练模型；
在本发明实施例中，结合图2所示出的一维卷积神经网络回归模型的网络结构图可知，所搭建的一维卷积神经网络回归模型(one-dimensional convolutional neuralnetwork regression，1D-CNNR)依次包括输入层、卷积层组、平均池化层组、Flatten层、Dropout层、全连接层与输出层，其中所述卷积层组包含有三个卷积层，且每个卷积层包括512个卷积核以及深度为3的一个滤波器，所述平均池化层组包含有两个平均池化层。具体实施过程包括：
(1)利用所述卷积层组对所述训练集中包含的所有特征变量时间序列进行特征提取，同时结合所述平均池化层组对输出的卷积结果进行区域划分与降维处理，生成最终的一维特征图；
具体的，利用第一卷积层对所述训练集中包含的所有特征变量时间序列进行特征提取，生成第一卷积结果；同时利用第一平均池化层将所述第一卷积结果划分为若干个矩阵区域，并对每个矩阵区域进行均值降维，生成初级一维特征图；
利用第二卷积层对所述初级一维特征图中包含的所有特征变量进行特征提取，生成第二卷积结果；同时利用第二平均池化层将所述第二卷积结果划分为若干个矩阵区域，并对每个矩阵区域进行均值降维，生成次级一维特征图；
利用第三卷积层对所述次级一维特征图中包含的所有特征变量进行特征提取，生成第三卷积结果，并结合内部ReLu激活函数对所述第三卷积结果进行非线性映射，生成最终的一维特征图。
(2)利用所述Flatten层(展平层)将所述一维特征图转换为初始一维特征矢量网络；
(3)利用所述Dropout层随机对所述初始一维特征矢量网络中的40％矢量数据赋予零值，避免出现过拟合现象，从而获取更新后的一维特征矢量网络；
(4)利用所述全连接层对所述更新后的一维特征矢量网络中包含的所有矢量数据进行特征提取与回归处理，得到对应植被的物候天数；
(5)利用所述输出层对回归结果进行误差计算，并通过反向传播算法对所述一维卷积神经网络进行参数迭代更新与误差修正，输出训练模型。
具体的，首先确定所述输出层所利用到的损失函数，并基于所述损失函数计算出回归结果的损失值为：
式中：obsi为真实观测值，modi为模型回归结果，m为当前训练样本集的数目(即一个batch的大小)，当所述训练集中所包含的所有特征变量导入执行训练时，会优先将所有特征变量分成若干个batch，即通过把所述训练集分成若干个训练样本集依次执行来减少系统处理难度；
其次，通过现有的反向传播算法对所述一维卷积神经网络中各层结构所对应的权值进行迭代更新，直至所述损失函数处于收敛状态时，输出训练模型。
验证模块203，用于以均方误差作为评估指标，将所述验证集中包含的所有特征变量导入所述训练模型进行验证，存储最优模型；
本发明实施过程包括：将所述验证集中包含的所有特征变量导入所述训练模型进行运算，输出预测结果；计算所述预测结果与真实结果之间的均方误差，并判断所述均方误差是否小于等于阈值，其相应的判断结果为：若所述均方误差小于等于阈值，则停止训练后将所述训练模型指定为最优模型并进行存储；若所述均方误差大于阈值，则更新所述一维卷积神经网络的学习率，并返回执行步骤S102，此时将所述训练集中所包含的所有特征变量导入更新后的一维卷积神经网络进行训练，输出新的训练模型。
其中，所述学习率的计算公式为：
式中：lr为学习率，i为对所述训练集中所包含的所有特征变量进行训练的次数，epochs为可允许训练的总次数。
预测模块204，用于将其他区域的气象数据导入所述最优模型进行预测，获取区域内的不同植被物候天数，即不同植被在春季的发芽时长、在夏季的繁茂时长、在秋季的落叶时长以及在冬季的凋零时长。
在本发明实施例中，通过以不同空间与时间上的多种气象特征作为输入驱动，同时结合一维卷积神经网络的强大预测能力，可对全球尺度下不同生长季节的植被物候进行有效预测，为植被物候的科学管理提供基础支撑与参考依据；仅通过一维卷积神经网络来完成相关的特征提取功能，避免人为干扰，可保证最终输出结果的高准确率。
本发明实施例可提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，且所述计算机程序被处理器加载并执行实现上述实施例中的基于深度学习的植物关键物候期时间点预测方法。其中，所述计算机可读存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory，只读存储器)、RAM(Random AcceSS Memory，随即存储器)、EPROM(EraSable Programmable Read-OnlyMemory，可擦写可编程只读存储器)、EEPROM(Electrically EraSable ProgrammableRead-Only Memory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是说，存储设备包括由设备(例如计算机、手机等)以可读的形式存储或传输信息的任何介质，可以是只读存储器，磁盘或光盘等。
以上对本发明实施例所提供的一种基于深度学习的植物关键物候期时间点预测方法及系统进行了详细介绍，本文中采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于深度学习的植物关键物候期时间点预测方法，其特征在于，所述方法包括：
对采集到的相关气象数据进行归一化处理，并将处理后所形成的若干个特征变量划分至训练集与验证集中；
搭建一维卷积神经网络回归模型，并将所述训练集中包含的所有特征变量时间序列导入网络结构进行训练，输出训练模型；
以均方误差作为评估指标，将所述验证集中包含的所有特征变量导入所述训练模型进行验证，存储最优模型；
将其他区域的气象数据导入所述最优模型进行预测，获取区域内的不同植被物候天数；
所述相关气象数据包括大气含量、降水量、太阳短波辐射量、最低温度、最高温度、平均温度、饱和蒸气压差、风速、土壤湿度和光照时长；
所述一维卷积神经网络回归模型依次包括输入层、卷积层组、平均池化层组、Flatten层、Dropout层、全连接层与输出层，其中所述卷积层组包含有三个卷积层，所述平均池化层组包含有两个平均池化层；
所述以均方误差作为评估指标，将所述验证集中包含的所有特征变量导入所述训练模型进行验证，存储最优模型包括：
将所述验证集中包含的所有特征变量导入所述训练模型进行运算，输出预测结果；
计算所述预测结果与真实结果之间的均方误差，并判断所述均方误差是否小于等于阈值；
若是，则将所述训练模型指定为最优模型并进行存储；
若否，则更新所述一维卷积神经网络回归模型的学习率，并返回将所述训练集中包含的所有特征变量时间序列导入更新后的一维卷积神经网络回归模型进行训练，输出新的训练模型。
2.根据权利要求1所述的基于深度学习的植物关键物候期时间点预测方法，其特征在于，所述搭建一维卷积神经网络回归模型，并将所述训练集中包含的所有特征变量时间序列导入网络结构进行训练，输出训练模型包括：
利用所述卷积层组对所述训练集中包含的所有特征变量时间序列进行特征提取，同时结合所述平均池化层组对输出的卷积结果进行区域划分与降维处理，生成最终的一维特征图；
利用所述Flatten层将所述一维特征图转换为初始一维特征矢量网络；
利用所述Dropout层随机对所述初始一维特征矢量网络中的40%矢量数据赋予零值，获取更新后的一维特征矢量网络；
利用所述全连接层对所述更新后的一维特征矢量网络中包含的所有矢量数据进行特征提取与回归处理，得到对应植被的物候天数；
利用所述输出层对回归结果进行误差计算，并通过反向传播算法对所述一维卷积神经网络进行参数迭代更新与误差修正，输出训练模型。
3.根据权利要求2所述的基于深度学习的植物关键物候期时间点预测方法，其特征在于，所述利用所述卷积层组对所述训练集中包含的所有特征变量时间序列进行特征提取，同时结合所述平均池化层组对输出的卷积结果进行区域划分与降维处理，生成最终的一维特征图包括：
利用第一卷积层对所述训练集中包含的所有特征变量时间序列进行特征提取，生成第一卷积结果；同时利用第一平均池化层将所述第一卷积结果划分为若干个矩阵区域，并对每个矩阵区域进行均值降维，生成初级一维特征图；
利用第二卷积层对所述初级一维特征图中包含的所有特征变量进行特征提取，生成第二卷积结果；同时利用第二平均池化层将所述第二卷积结果划分为若干个矩阵区域，并对每个矩阵区域进行均值降维，生成次级一维特征图；
利用第三卷积层对所述次级一维特征图中包含的所有特征变量进行特征提取，生成第三卷积结果，并结合内部ReLu激活函数对所述第三卷积结果进行非线性映射，生成最终的一维特征图。
4.根据权利要求2所述的基于深度学习的植物关键物候期时间点预测方法，其特征在于，所述利用所述输出层对回归结果进行误差计算包括：
确定所述输出层所利用到的损失函数，并基于所述损失函数计算出回归结果的损失值。
5.根据权利要求1所述的基于深度学习的植物关键物候期时间点预测方法，其特征在于，所述学习率的计算公式为：
；
其中，为学习率，/>为对所述训练集中所包含的所有特征变量进行训练的次数，/>为可允许训练的总次数。
6.一种基于深度学习的植物关键物候期时间点预测系统，其特征在于，所述系统包括：
预处理模块，用于对采集到的相关气象数据进行归一化处理，并将处理后所形成的若干个特征变量划分至训练集与验证集中；
训练模块，用于搭建一维卷积神经网络回归模型，并将所述训练集中包含的所有特征变量时间序列导入网络结构进行训练，输出训练模型；
验证模块，用于以均方误差作为评估指标，将所述验证集中包含的所有特征变量导入所述训练模型进行验证，存储最优模型；
预测模块，用于将其他区域的气象数据导入所述最优模型进行预测，获取区域内的不同植被物候天数；
所述相关气象数据包括大气含量、降水量、太阳短波辐射量、最低温度、最高温度、平均温度、饱和蒸气压差、风速、土壤湿度和光照时长；
所述一维卷积神经网络回归模型依次包括输入层、卷积层组、平均池化层组、Flatten层、Dropout层、全连接层与输出层，其中所述卷积层组包含有三个卷积层，所述平均池化层组包含有两个平均池化层；
所述以均方误差作为评估指标，将所述验证集中包含的所有特征变量导入所述训练模型进行验证，存储最优模型包括：
将所述验证集中包含的所有特征变量导入所述训练模型进行运算，输出预测结果；
计算所述预测结果与真实结果之间的均方误差，并判断所述均方误差是否小于等于阈值；
若是，则将所述训练模型指定为最优模型并进行存储；
若否，则更新所述一维卷积神经网络回归模型的学习率，并返回将所述训练集中包含的所有特征变量时间序列导入更新后的一维卷积神经网络回归模型进行训练，输出新的训练模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011432779.6A CN112560633B (zh) | 2020-12-09 | 2020-12-09 | 基于深度学习的植物关键物候期时间点预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011432779.6A CN112560633B (zh) | 2020-12-09 | 2020-12-09 | 基于深度学习的植物关键物候期时间点预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112560633A CN112560633A (zh) | 2021-03-26 |
| CN112560633B true CN112560633B (zh) | 2023-08-01 |
Family
ID=75060151
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011432779.6A Active CN112560633B (zh) | 2020-12-09 | 2020-12-09 | 基于深度学习的植物关键物候期时间点预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112560633B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113298286A (zh) * | 2021-03-31 | 2021-08-24 | 捷佳润科技集团股份有限公司 | 一种基于机器学习的火龙果上市时间预测的方法 |
| CN114529097B (zh) * | 2022-02-26 | 2023-01-24 | 黑龙江八一农垦大学 | 多尺度农作物物候期遥感降维预测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108053061A (zh) * | 2017-12-08 | 2018-05-18 | 天津大学 | 一种基于改进卷积神经网络的太阳能辐照度预测方法 |
| CN111985825A (zh) * | 2020-08-26 | 2020-11-24 | 东北大学 | 一种用于滚磨机定向仪的晶面质量评估方法 |
-
2020
- 2020-12-09 CN CN202011432779.6A patent/CN112560633B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108053061A (zh) * | 2017-12-08 | 2018-05-18 | 天津大学 | 一种基于改进卷积神经网络的太阳能辐照度预测方法 |
| CN111985825A (zh) * | 2020-08-26 | 2020-11-24 | 东北大学 | 一种用于滚磨机定向仪的晶面质量评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112560633A (zh) | 2021-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
| CN112862630B (zh) | 基于天气类型指数区间的光伏功率预测方法、终端及介质 | |
| CN113468803B (zh) | 一种基于改进的woa-gru洪水流量预测方法及系统 | |
| CN112287294B (zh) | 一种基于深度学习的时空双向土壤含水量插值方法 | |
| CN112560633B (zh) | 基于深度学习的植物关键物候期时间点预测方法及系统 | |
| CN113505923B (zh) | 一种地区电网短期负荷预测方法及系统 | |
| CN109472283B (zh) | 一种基于多重增量回归树模型的危险天气预测方法和装置 | |
| CN116739172B (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
| CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
| CN106919645A (zh) | 复杂地貌大景区的景点气象要素智能精细预测方法 | |
| CN117613883A (zh) | 发电功率预测方法、装置、计算机设备及存储介质 | |
| CN113987912A (zh) | 一种基于地理信息的污染物在线监测系统 | |
| CN106845080A (zh) | 基于差异修正的景区旅游气象灾害智能预测方法 | |
| CN114996943B (zh) | 一种用于水库蓄水气候效应评估的中尺度数值模拟方法 | |
| CN110837911B (zh) | 一种大尺度地表节肢动物空间分布模拟方法 | |
| CN115936177A (zh) | 一种基于神经网络的光伏输出功率预测方法及系统 | |
| CN111612648B (zh) | 光伏发电预测模型的训练方法、装置和计算机设备 | |
| CN117233869A (zh) | 一种基于GRU-BiTCN的站点短期风速预测方法 | |
| CN112270453A (zh) | 含光伏负荷的广义负荷的结构解析方法、装置与处理器 | |
| CN115587664B (zh) | 基于图卷积长短期记忆网络的太阳辐射预测方法及系统 | |
| CN115238967A (zh) | 一种结合云图和相邻电站集群的光伏功率预测方法及装置 | |
| CN115860165A (zh) | 一种考虑初损的神经网络流域降雨径流预报方法及系统 | |
| CN210895535U (zh) | 一种基于卷积循环神经网络的气温预测系统 | |
| Sahani et al. | Precise single step and multistep short-term photovoltaic parameters forecasting based on reduced deep convolutional stack autoencoder and minimum variance multikernel random vector functional network | |
| CN113592664B (zh) | 农作物生产空间预测模拟方法、设备、模型及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |