CN117575111A - 一种基于迁移学习的农业遥感图像时空序列预测方法 - Google Patents
一种基于迁移学习的农业遥感图像时空序列预测方法 Download PDFInfo
- Publication number
- CN117575111A CN117575111A CN202410061794.6A CN202410061794A CN117575111A CN 117575111 A CN117575111 A CN 117575111A CN 202410061794 A CN202410061794 A CN 202410061794A CN 117575111 A CN117575111 A CN 117575111A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- remote sensing
- self
- training
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013526 transfer learning Methods 0.000 title claims abstract description 50
- 230000007246 mechanism Effects 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000004140 cleaning Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012805 post-processing Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 230000003213 activating effect Effects 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000005538 encapsulation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 10
- 238000013508 migration Methods 0.000 abstract description 9
- 230000005012 migration Effects 0.000 abstract description 9
- 238000009826 distribution Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241000135164 Timea Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/096—Transfer learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Mining & Mineral Resources (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Image Analysis (AREA)
Abstract
本发明属于农业遥感图像处理技术领域，具体是一种基于迁移学习的农业遥感图像时空序列预测方法，该方法包括：从农业遥感设备收集农作物产量相关的数据作为数据集；对数据集进行清洗和预处理；利用Transformer架构的自注意力机制来处理时空数据；进行迁移学习，利用之前预训练的模型权重作为初始权重进行训练；构建一个网络输出层，用于输出预测农作物产量的相关信息；根据具体的应用需求，对预测结果进行必要的后处理。本发明结合了迁移学习和Transformer自注意力机制，特别是利用了Transformer架构在处理时空序列数据上的优势，来预测农作物的产量，具有更快地训练模型并提高预测精度的优点。
Description
技术领域
本发明属于农业遥感图像处理技术领域，尤其涉及一种基于迁移学习的农业遥感图像时空序列预测方法。
背景技术
目前，及时准确的农业产量等预测以及农田信息对于决策者，农业信息调查和全球粮食安全具有重要意义，这很大程度上基于量化农业用地和单个地块级田地的空间分布；早期的田界信息主要通过人工判读来采集，成本巨大，效率低下；随着通过开放数据政策获得越来越多的遥感数据，自动化和半自动化农田提取已逐渐被采用到现代农业信息管理中。
随着数字农业和遥感技术的快速发展，农业遥感图像时空序列数据的获取和处理变得日益重要。这种数据对于监测农作物的健康状况、预测产量和分析农业生态环境等方面具有巨大的应用价值。
然而，由于地理和气象条件的变化，农业遥感图像在时空上存在着大量的不连续性和不稳定性，在农业遥感图像时空序列预测中，还面临以下挑战：
第一，农业遥感图像的时空特性和复杂性使得直接应用传统的迁移学习方法效果不佳；
第二，现有的预测系统多数是基于静态的单一时刻遥感图像，缺乏对时间序列数据的深入分析和处理；
第三，农业遥感图像数据的巨大量和复杂性，要求预测系统不仅要高效，还要有高度的准确性，目前的农业遥感图像时空序列预测技术在高效性和准确性上还欠佳。
发明内容
本发明实施例的目的在于提供一种基于迁移学习的农业遥感图像时空序列预测方法，旨在解决上述背景技术中所提出的技术问题。
为实现上述目的，本发明提供了一种基于迁移学习的农业遥感图像时空序列预测方法，该方法包括以下步骤：
获取农业遥感设备收集的一个农作物区域的农作物产量数据，将获取的农作物产量数据作为数据集；对所述数据集进行数据清洗、数据标准化、特征工程以及数据划分；
采用包含三层Transformer架构的自注意力机制，其中，第一层包括一个嵌入Embedding，第二层包括六个Transformer编码器模块，第三层包括一个输出层，并采用预处理后的数据集对Transformer架构的自注意力机制模型进行训练，得到最优配置参数的Transformer架构的自注意力机制神经网络模型；
以训练好的Transformer架构的自注意力机制神经网络模型作为迁移学习的起点，选择另一个农作物或区域作为目标任务，并收集相应的新遥感数据，对新遥感数据执行所述数据清洗、数据标准化、特征工程以及数据划分的步骤，并通过有限次训练来微调模型参数以适应目标域的特征，得到适用于目标任务的模型参数；
构建一个具有单个神经元的全连接层，并将迁移学习模型的输出连接到新建的全连接层；然后，使用线性激活函数对全连接层的输出进行激活，并使用均方误差MSE损失函数进行训练；训练过程中，通过调整模型参数以最小化MSE损失函数，得到训练后的预测模型；训练完成后，利用预测模型对新的农作物区域进行预测，输出预测的农作物产量数据，通过将新的农作物区域的特征输入预测模型中，模型会根据学习到的模式和权重来预测该区域的农作物产量；
根据历史数据对预测的农作物产量进行调整和校正，并将预测结果在地图上可视化，以展示农作物产量在不同地区的分布情况。
作为本发明进一步的方案，构建数据集，对数据集进行清洗和预处理的步骤包括：
构建数据集：从农业遥感设备收集多个农作物产量的数据，数据包括目标农作物的光谱特征﹑纹理特征、形状特征；并通过摄像头对农作物进行拍摄收集多种农作物的图片，对图像进行重命名，如1.jpg，2.jpg，3.jpg，作为数据集；
将所述农作物的数据集进行预处理：基于采集的历史农作物数据，建立原始数据特征表，标注原始数据特征表中数据的特征，训练模型前对训练集数据按对应类别进行标签标注，汇总数据表中每一列的特征值得到处理后的汇总数据表，划分处理后的汇总数据表得到训练集和测试集；对构建的农作物产量数据集进行去噪、填充缺失值处理，对构建的农作物图片数据进行翻转、平移和随机裁剪的数据增强处理。
作为本发明进一步的方案，嵌入Embedding表示遥感图像补丁嵌入，对于遥感图像数据将每个图像补丁通过一个小型的卷积神经网络转换为一个向量。
作为本发明进一步的方案，Transformer编码器由六个重复的编码器组成，每个编码器包含一个自注意力子层和一个前馈神经网络子层，每个子层后面都跟着归一化和残差连接。
作为本发明进一步的方案，采用预处理后的数据集对Transformer架构的自注意力机制模型进行训练的步骤包括：
输入数据：将划分好的数据集中的训练集输入到Transformer模型中进行训练；
构建Transformer架构的自注意力机制模型，Transformer模型包含编码器模块和解码器模块，编码器模块对输入的数据集通过自注意力模块加权，然后通过前向传播后转化为包含输入信息的隐向量序列；
解码器模块对编码器模块输出的隐向量之间用自注意力机制模块加权，并依次输出整个需要预测的农作物产量预测结果；
构建自注意力机制模块，自注意力机制模块用于求取数据中每个输入与其余输入的相关性，自注意力机制模块嵌入在编码器模块中，提高了模型捕捉序列特征的能力；
在编码器中加入目标序列对隐向量序列的注意力机制，通过注意力机制为时空序列预测模型输出的隐向量和时空序列预测模型外部输入目标序列之间进行的注意力；时空序列预测模型中设有封装Mask模块，用于遮挡编码器输入注意力机制部分输入；
时空序列预测模型中设有封装Mask模块，用于在编码器计算过键值，查询的点积后，获得一个矩阵，采用一个三角形的矩阵遮挡当前输入之后时间序列的特征。
作为本发明进一步的方案，自注意力机制的计算如下所示：
（1）；
其中，自注意力机制结构包含查询向量，键向量/>和值向量/>，/>、/>为特征向量的表示，/>是查询向量，/>表示激活函数，/>为特征/>和特征/>之间的相关性权重，根据注意力矩阵将特征信息聚合到特征向量上，/>表示的是词向量的维度。
作为本发明进一步的方案，自注意力相关矩阵的定义如下：
（2）；
（3）；
（4）；
其中，表示通道特征维度，/>表示长度，/>表示序列数据，/>、/>和/>表示可学习权重参数。
作为本发明进一步的方案，自注意力矩阵的计算如下：
（5）；
其中，函数将注意力矩阵正则化为概率矩阵，/>表示长度，K为键向量，Q为查询向量，使用概率表示相关性权重。
作为本发明进一步的方案，构建一个具有单一神经元的全连接层，并在全连接层之后加入一个激活层，其包括：将从数据集中提取的特征表示连接在一起，获得给数据集的特征表示，特征表示的特征向量被输入到具有单一神经元的全连接层、激活层中以获得最终的时空序列预测。
作为本发明进一步的方案，采用预处理后的数据集对Transformer 架构的自注意力机制模型进行训练的步骤还包括利用模型损失函数对模型参数调优的过程，该过程包括：
前向传播网络由多个全连接层和激活层构成；
通过使用损失函数进行模型训练，并对时空序列预测模型进行调优；对预测结果进行必要的后处理，对预测模型进行测试和参数调优，使用交叉熵损失函数进行模型训练，交叉熵损失函数计算如下：
（6）；
其中，表示真实值，/>表示预测值，/>表示样本大小；/>表示第/>个样本，根据随机梯度下降算法，找到使损失函数中的损失最小的模型参数，获得训练后的时空序列预测模型；
将划分好的测试集输入到训练完成以后的时空序列预测模型中，进行测试并输出预测结果。
与现有技术相比，本发明基于迁移学习的农业遥感图像时空序列预测方法的有益效果是：
第一，使用Transformer网络和迁移学习来进行时空序列预测，将获得的农作物数据特征信息输入到Transformer编码器中，以便可以将Transformer和注意力机制的优点结合在一起；
第二，由于Transformer和注意力机制相结合，可以在更深层次上挖掘农作物数据中的时空信息，通过结合Transformer、注意力机制以及迁移学习进行空序列预测，提高了模型的泛化能力，在农作物数据上取得了很好的效果。
综上所述，本发明基于迁移学习的农业遥感图像时空序列预测方法，与其他现有技术相比，本模型可以显著提高预测精度。
附图说明
图1为本发明一种基于迁移学习的农业遥感图像时空序列预测方法的实现流程图；
图2为本发明基于迁移学习的农业遥感图像时空序列预测方法的一个子流程图；
图3为本发明基于迁移学习的农业遥感图像时空序列预测方法的逻辑原理图；
图4为本发明迁移学习方法示例图；
图5为本发明基于迁移学习的农业遥感图像时空序列预测系统的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
目前，随着数字农业和遥感技术的快速发展，农业遥感图像时空序列数据的获取和处理变得日益重要；这种数据对于监测农作物的健康状况、预测产量和分析农业生态环境等方面具有巨大的应用价值；然而，由于地理和气象条件的变化，农业遥感图像在时空上存在着大量的不连续性和不稳定性，其中，在农业遥感图像时空序列预测中，还面临以下挑战：农业遥感图像的时空特性和复杂性使得直接应用传统的迁移学习方法效果不佳；现有的预测系统多数是基于静态的单一时刻遥感图像，缺乏对时间序列数据的深入分析和处理；农业遥感图像数据的巨大量和复杂性，要求预测系统不仅要高效，还要有高度的准确性，目前的农业遥感图像时空序列预测技术在高效性和准确性上还欠佳。
为解决上述问题，本发明公开了一种基于迁移学习的农业遥感图像时空序列预测方法，通过从农业遥感设备收集农作物产量相关的数据作为数据集；对数据集进行清洗和预处理；利用Transformer架构的自注意力机制来处理时空数据；进行迁移学习，利用之前预训练的模型权重作为初始权重进行训练；构建一个网络输出层，用于输出预测农作物产量的相关信息；根据具体的应用需求，对预测结果进行必要的后处理；本发明的预测方法具有更快地训练模型并提高预测精度的优点。
以下结合具体实施例对本发明的具体实现进行详细描述。
如图1、图3和图4所示，在本发明的第一方面，提供了一种基于迁移学习的农业遥感图像时空序列预测方法，该方法包括以下步骤：
步骤S101：获取农业遥感设备收集的一个农作物区域的农作物产量数据，将获取的农作物产量数据作为数据集；对所述数据集进行数据清洗、数据标准化、特征工程以及数据划分；
步骤S102：采用包含三层Transformer架构的自注意力机制，其中，第一层包括一个嵌入Embedding，第二层包括六个Transformer编码器模块，第三层包括一个输出层，并采用预处理后的数据集对Transformer架构的自注意力机制模型进行训练，得到最优配置参数的Transformer架构的自注意力机制神经网络模型；
作为优选，嵌入Embedding表示遥感图像补丁嵌入，对于遥感图像数据将每个图像补丁通过一个小型的卷积神经网络转换为一个向量；
进一步的，Transformer编码器由六个重复的编码器组成，每个编码器包含一个自注意力子层和一个前馈神经网络子层，每个子层后面都跟着归一化和残差连接。
本发明的基于迁移学习的农业遥感图像时空序列预测方法还包括：
步骤S103：以训练好的Transformer架构的自注意力机制神经网络模型作为迁移学习的起点，选择另一个农作物或区域作为目标任务，并收集相应的新遥感数据，对新遥感数据执行所述数据清洗、数据标准化、特征工程以及数据划分的步骤，并通过有限次训练来微调模型参数以适应目标域的特征，得到适用于目标任务的模型参数；
步骤S104：构建一个具有单个神经元的全连接层，并将迁移学习模型的输出连接到新建的全连接层；然后，使用线性激活函数对全连接层的输出进行激活，并使用均方误差MSE损失函数进行训练；训练过程中，通过调整模型参数以最小化MSE损失函数，得到训练后的预测模型；训练完成后，利用预测模型对新的农作物区域进行预测，输出预测的农作物产量数据，通过将新的农作物区域的特征输入预测模型中，模型会根据学习到的模式和权重来预测该区域的农作物产量；
步骤S105：根据历史数据对预测的农作物产量进行调整和校正，并将预测结果在地图上可视化，以展示农作物产量在不同地区的分布情况。
进一步的，在本发明实施例中，构建数据集，对数据集进行清洗和预处理的步骤包括：
构建数据集：从农业遥感设备收集多个农作物产量的数据，数据包括目标农作物的光谱特征﹑纹理特征、形状特征；并通过摄像头对农作物进行拍摄收集多种农作物的图片，对图像进行重命名，如1.jpg，2.jpg，3.jpg，作为数据集；
将所述农作物的数据集进行预处理：基于采集的历史农作物数据，建立原始数据特征表，标注原始数据特征表中数据的特征，训练模型前对训练集数据按对应类别进行标签标注，汇总数据表中每一列的特征值得到处理后的汇总数据表，划分处理后的汇总数据表得到训练集和测试集；对构建的农作物产量数据集进行去噪、填充缺失值处理，对构建的农作物图片数据进行翻转、平移和随机裁剪的数据增强处理。
请继续参阅图2，采用预处理后的数据集对Transformer架构的自注意力机制模型进行训练的步骤包括：
步骤S201：输入数据：将划分好的数据集中的训练集输入到Transformer模型中进行训练；
步骤S202：构建Transformer架构的自注意力机制模型，Transformer模型包含编码器模块和解码器模块，编码器模块对输入的数据集通过自注意力模块加权，然后通过前向传播后转化为包含输入信息的隐向量序列；
步骤S203：解码器模块对编码器模块输出的隐向量之间用自注意力机制模块加权，并依次输出整个需要预测的农作物产量预测结果；
步骤S204：构建自注意力机制模块，自注意力机制模块用于求取数据中每个输入与其余输入的相关性，自注意力机制模块嵌入在编码器模块中，用于提高模型捕捉序列特征的能力；
步骤S205：在编码器中加入目标序列对隐向量序列的注意力机制，通过注意力机制为时空序列预测模型输出的隐向量和时空序列预测模型外部输入目标序列之间进行的注意力；时空序列预测模型中设有封装Mask模块，用于遮挡编码器输入注意力机制部分输入；
步骤S206：时空序列预测模型中设有封装Mask模块，用于在编码器计算过键值，查询的点积后，获得一个矩阵，采用一个三角形的矩阵遮挡当前输入之后时间序列的特征。
使用Transformer网络和迁移学习来进行时空序列预测，将获得的农作物数据特征信息输入到Transformer编码器中，以便可以将Transformer和注意力机制的优点结合在一起；由于Transformer和注意力机制相结合，可以在更深层次上挖掘农作物数据中的时空信息，通过结合Transformer、注意力机制以及迁移学习进行空序列预测，提高了模型的泛化能力，在农作物数据上取得了很好的效果。
进一步的，在本发明实施例中，自注意力机制的计算如下所示：
（1）；
其中，自注意力机制结构包含查询向量，键向量/>和值向量/>，/>、/>为特征向量的表示，/>是查询向量，/>表示激活函数，/>为特征/>和特征/>之间的相关性权重，/>根据注意力矩阵将特征信息聚合到特征向量上，/>表示的是词向量的维度。
进一步的，在本发明实施例中，自注意力相关矩阵的定义如下：
（2）；
（3）；
（4）；
其中，表示通道特征维度，/>表示长度，/>表示序列数据，/>、/>和/>表示可学习权重参数。
进一步的，在本发明实施例中，自注意力矩阵的计算如下：
（5）；
其中，函数将注意力矩阵正则化为概率矩阵，/>表示长度，K为键向量，Q为查询向量，使用概率表示相关性权重。
进一步的，构建一个具有单一神经元的全连接层，并在全连接层之后加入一个激活层，其包括：将从数据集中提取的特征表示连接在一起，获得给数据集的特征表示，特征表示的特征向量被输入到具有单一神经元的全连接层、激活层中以获得最终的时空序列预测。
进一步的，采用预处理后的数据集对Transformer 架构的自注意力机制模型进行训练的步骤还包括利用模型损失函数对模型参数调优的过程，该过程包括：
前向传播网络由多个全连接层和激活层构成；
通过使用损失函数进行模型训练，并对时空序列预测模型进行调优；对预测结果进行必要的后处理，对预测模型进行测试和参数调优，使用交叉熵损失函数进行模型训练，交叉熵损失函数计算如下：
（6）；
其中，表示真实值，/>表示预测值，/>表示样本大小；/>表示第/>个样本，根据随机梯度下降算法，找到使损失函数中的损失最小的模型参数，获得训练后的时空序列预测模型；
将划分好的测试集输入到训练完成以后的时空序列预测模型中，进行测试并输出预测结果。
综上所述，本发明采用农业遥感设备收集到的农作物产量数据，通过先进的Transformer架构的自注意力机制进行农作物产量预测；
本发明的预测方法首先对遥感数据进行清洗和预处理，然后利用Transformer架构进行模型训练，得到最优配置参数；进一步通过迁移学习，将已训练好的模型应用于不同农作物或区域的农作物产量预测，并进行精准的产量输出。
本发明的Transformer架构模型在农作物产量预测中实现了高效的数据处理与学习。通过自注意力机制，能够更深入地捕捉时间序列中的复杂模式。故本发明方法具有数据处理能力强、训练速度优越、预测精度相较于其他算法更为出色、模型参数经济并且易于在不同农作物或区域进行迁移的优势。
综上所述，本发明结合了迁移学习和Transformer自注意力机制，特别是利用了Transformer架构在处理时空序列数据上的优势，来预测农作物的产量。基于这种方法，构建了一个专为农业遥感图像设计的时空序列预测模型，该模型特别适用于处理和预测大规模的农业遥感图像数据，且可方便地部署于各种设备上。
本发明的优点为：
第一，减小了计算量，提升模型精度；第二，灵活的迁移学习，减少标注需求；第三，高效的预测性能，并节省计算资源；第四，跨农作物预测，提高模型的泛化能力；第五，直观的可视化工具。
本发明实施例的第二个方面，如图5所示，本发明还提供了一种基于迁移学习的农业遥感图像时空序列预测系统，包括：
数据处理模块301，用于获取农业遥感设备收集的一个农作物区域的农作物产量数据，将获取的农作物产量数据作为数据集；对所述数据集进行清洗和预处理；
模型训练模块302，用于采用包含三层Transformer 架构的自注意力机制，其中，第一层包括一个嵌入Embedding，第二层包括六个Transformer编码器模块，第三层包括一个输出层，并采用预处理后的数据集对Transformer架构的自注意力机制模型进行训练，得到最优配置参数的Transformer 架构的自注意力机制神经网络模型；
模型迁移学习模块303，用于以训练好的Transformer 架构的自注意力机制神经网络模型作为迁移学习的起点，选择另一个农作物或区域作为目标任务，并收集相应的新遥感数据，对新遥感数据执行所述数据清洗、数据标准化、特征工程以及数据划分的步骤，并通过有限次训练来微调模型参数以适应目标域的特征，得到适用于目标任务的模型参数；
数据预测模块304，用于构建一个具有单个神经元的全连接层，并将迁移学习模型的输出连接到新建的全连接层；然后，使用线性激活函数对全连接层的输出进行激活，并使用均方误差MSE损失函数进行训练；训练过程中，通过调整模型参数以最小化MSE损失函数，得到训练后的预测模型；训练完成后，利用预测模型对新的农作物区域进行预测，输出预测的农作物产量数据；
结果展示模块305，用于根据历史数据对预测的农作物产量进行调整和校正，并将预测结果在地图上可视化，以展示农作物产量在不同地区的分布情况。
本发明的基于迁移学习的农业遥感图像时空序列预测系统，通过数据处理模块获取农业遥感设备收集的一个农作物区域的农作物产量数据，将获取的农作物产量数据作为数据集；对所述数据集进行清洗和预处理；通过模型训练模块采用包含三层Transformer架构的自注意力机制，其中，第一层包括一个嵌入Embedding，第二层包括六个Transformer编码器模块，第三层包括一个输出层，并采用预处理后的数据集对Transformer架构的自注意力机制模型进行训练，得到最优配置参数的Transformer 架构的自注意力机制神经网络模型；通过模型迁移学习模块，以训练好的Transformer 架构的自注意力机制神经网络模型作为迁移学习的起点，选择另一个农作物或区域作为目标任务，并收集相应的新遥感数据，对新遥感数据执行清洗和预处理的步骤，通过有限次训练得到目标域模型参数；通过数据预测模块构建一个具有单一神经元的全连接层，将迁移学习模型的输出连接到新建的全连接层，使用线性激活函数、均方误差MSE损失函数进行训练，输出预测的农作物产量；通过结果展示模块根据历史数据对预测的农作物产量进行调整和校正，并将预测结果在地图上可视化，以展示农作物产量在不同地区的分布情况，可以显著提高预测精度，并将应用于不同农作物或区域的农作物产量预测，并进行精准的产量输出。
本发明实施例的第三个方面，还提供了一种计算机设备，包括存储器和处理器，该存储器中存储有计算机程序，该计算机程序被该处理器执行时实现上述第一方面提供的基于迁移学习的农业遥感图像时空序列预测方法；该方法包括以下步骤：
获取农业遥感设备收集的一个农作物区域的农作物产量数据，将获取的农作物产量数据作为数据集；对所述数据集进行清洗和预处理；
采用包含三层Transformer 架构的自注意力机制，其中，第一层包括一个嵌入Embedding，第二层包括六个Transformer编码器模块，第三层包括一个输出层，并采用预处理后的数据集对Transformer 架构的自注意力机制模型进行训练，得到最优配置参数的Transformer 架构的自注意力机制神经网络模型；
以训练好的Transformer 架构的自注意力机制神经网络模型作为迁移学习的起点，选择另一个农作物或区域作为目标任务，并收集相应的新遥感数据，对新遥感数据执行清洗和预处理的步骤，通过有限次训练得到目标域模型参数；
构建一个具有单一神经元的全连接层，将迁移学习模型的输出连接到新建的全连接层，使用线性激活函数、均方误差MSE损失函数进行训练，输出预测的农作物产量；
根据历史数据对预测的农作物产量进行调整和校正，并将预测结果在地图上可视化，以展示农作物产量在不同地区的分布情况。
在该计算机设备中包括一个处理器以及一个存储器，并还可以包括：输入系统和输出系统。处理器、存储器、输入系统和输出系统可以通过总线或者其他方式连接，输入系统可接收输入的数字或字符信息，以及产生与基于迁移学习的农业遥感图像时空序列预测的迁移有关的信号输入。输出系统可包括显示屏等显示设备。
存储器作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的基于迁移学习的农业遥感图像时空序列预测方法对应的程序指令/模块。存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储基于迁移学习的农业遥感图像时空序列预测方法的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至本地模块。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制计算机设备的总体操作。本实施例中，处理器用于运行存储器中存储的程序代码或者处理数据。本实施例计算机设备的多个计算机设备的处理器通过运行存储在存储器中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的基于迁移学习的农业遥感图像时空序列预测方法的步骤。
本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能，但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
最后需要说明的是，本文的计算机可读存储介质（例如，存储器）可以是易失性存储器或非易失性存储器，或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的，非易失性存储器可以包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦写可编程ROM（EEPROM）或快闪存储器。易失性存储器可以包括随机存取存储器（RAM），该RAM可以充当外部高速缓存存储器。作为例子而非限制性的，RAM 可以以多种形式获得，比如同步RAM（DRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据速率SDRAM（DDRSDRAM）、增强SDRAM（ESDRAM）、同步链路DRAM（SLDRAM）、以及直接Rambus RAM（DRRAM）。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。
结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里功能的下列部件来实现或执行：通用处理器、数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器，但是可替换地，处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。
以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。
应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围（包括权利要求）被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。
Claims (10)
1.一种基于迁移学习的农业遥感图像时空序列预测方法，其特征在于：
该方法包括以下步骤：
获取农业遥感设备收集的一个农作物区域的农作物产量数据，将获取的农作物产量数据作为数据集；对所述数据集进行数据清洗、数据标准化、特征工程以及数据划分；
采用包含三层Transformer架构的自注意力机制，其中，第一层包括一个嵌入Embedding，第二层包括六个Transformer编码器模块，第三层包括一个输出层，并采用预处理后的数据集对Transformer架构的自注意力机制模型进行训练，得到最优配置参数的Transformer架构的自注意力机制神经网络模型；
以训练好的Transformer架构的自注意力机制神经网络模型作为迁移学习的起点，选择另一个农作物或区域作为目标任务，并收集相应的新遥感数据，对新遥感数据执行所述数据清洗、数据标准化、特征工程以及数据划分的步骤，并通过有限次训练来微调模型参数以适应目标域的特征，得到适用于目标任务的模型参数；
构建一个具有单个神经元的全连接层，并将迁移学习模型的输出连接到新建的全连接层；然后，使用线性激活函数对全连接层的输出进行激活，并使用均方误差MSE损失函数进行训练；训练过程中，通过调整模型参数以最小化MSE损失函数，得到训练后的预测模型；训练完成后，利用预测模型对新的农作物区域进行预测，输出预测的农作物产量数据；
根据历史数据对预测的农作物产量进行调整和校正，将预测结果在地图上可视化。
2.根据权利要求1所述的基于迁移学习的农业遥感图像时空序列预测方法，其特征在于，构建数据集，对数据集进行清洗和预处理的步骤包括：
构建数据集：从农业遥感设备收集多个农作物产量的数据，数据包括目标农作物的光谱特征﹑纹理特征、形状特征；并通过摄像头对农作物进行拍摄收集多种农作物的图片，对图像进行重命名；
将农作物的数据集进行预处理：基于采集的历史农作物数据，建立原始数据特征表，标注原始数据特征表中数据的特征，训练模型前对训练集数据按对应类别进行标签标注，汇总数据表中每一列的特征值得到处理后的汇总数据表，划分处理后的汇总数据表得到训练集和测试集；对构建的农作物产量数据集进行去噪、填充缺失值处理，对构建的农作物图片数据进行翻转、平移和随机裁剪的数据增强处理。
3.根据权利要求2所述的基于迁移学习的农业遥感图像时空序列预测方法，其特征在于，嵌入Embedding表示遥感图像补丁嵌入，对于遥感图像数据将每个图像补丁通过一个小型的卷积神经网络转换为一个向量。
4.根据权利要求3所述的基于迁移学习的农业遥感图像时空序列预测方法，其特征在于，Transformer编码器由六个重复的编码器组成，每个编码器包含一个自注意力子层和一个前馈神经网络子层，每个子层后面都跟着归一化和残差连接。
5.根据权利要求4所述的基于迁移学习的农业遥感图像时空序列预测方法，其特征在于，采用预处理后的数据集对Transformer架构的自注意力机制模型进行训练的步骤包括：
输入数据：将划分好的数据集中的训练集输入到Transformer模型中进行训练；
构建Transformer架构的自注意力机制模型，Transformer模型包含编码器模块和解码器模块，编码器模块对输入的数据集通过自注意力模块加权，然后通过前向传播后转化为包含输入信息的隐向量序列；
解码器模块对编码器模块输出的隐向量之间用自注意力机制模块加权，并依次输出整个需要预测的农作物产量预测结果；
构建自注意力机制模块，自注意力机制模块用于求取数据中每个输入与其余输入的相关性，自注意力机制模块嵌入在编码器模块中，用于提高模型捕捉序列特征的能力；
在编码器中加入目标序列对隐向量序列的注意力机制，通过注意力机制为时空序列预测模型输出的隐向量和时空序列预测模型外部输入目标序列之间进行的注意力；时空序列预测模型中设有封装Mask模块，用于遮挡编码器输入注意力机制部分输入；
时空序列预测模型中设有封装Mask模块，用于在编码器计算过键值，查询的点积后，获得一个矩阵，采用一个三角形的矩阵遮挡当前输入之后时间序列的特征。
6.根据权利要求5所述的基于迁移学习的农业遥感图像时空序列预测方法，其特征在于，自注意力机制的计算如下所示：
（1）；
其中，自注意力机制结构包含查询向量，键向量/>和值向量/>，/>、/>为特征向量的表示，/>是查询向量，/>表示激活函数，/>为特征/>和特征/>之间的相关性权重，根据注意力矩阵将特征信息聚合到特征向量上，/>表示的是词向量的维度。
7.根据权利要求6所述的基于迁移学习的农业遥感图像时空序列预测方法，其特征在于，自注意力相关矩阵的定义如下：
（2）；
（3）；
（4）；
其中，表示通道特征维度，/>表示长度，/>表示序列数据，/>、/>和表示可学习权重参数。
8.根据权利要求7所述的基于迁移学习的农业遥感图像时空序列预测方法，其特征在于，自注意力矩阵的计算如下：
（5）；
其中，函数将注意力矩阵正则化为概率矩阵，/>表示长度，K为键向量，Q为查询向量，使用概率表示相关性权重。
9.根据权利要求8所述的基于迁移学习的农业遥感图像时空序列预测方法，其特征在于，构建一个具有单一神经元的全连接层，并在全连接层之后加入一个激活层，其包括：将从数据集中提取的特征表示连接在一起，获得给数据集的特征表示，特征表示的特征向量被输入到具有单一神经元的全连接层、激活层中以获得最终的时空序列预测。
10.根据权利要求9所述的基于迁移学习的农业遥感图像时空序列预测方法，其特征在于，采用预处理后的数据集对Transformer架构的自注意力机制模型进行训练的步骤还包括利用模型损失函数对模型参数调优的过程，该过程包括：
前向传播网络由多个全连接层和激活层构成；
通过使用损失函数进行模型训练，并对时空序列预测模型进行调优；对预测结果进行必要的后处理，对预测模型进行测试和参数调优，使用交叉熵损失函数进行模型训练，交叉熵损失函数计算如下：
（6）；
其中，表示真实值，/>表示预测值，/>表示样本大小；/>表示第/>个样本，根据随机梯度下降算法，找到使损失函数中的损失最小的模型参数，获得训练后的时空序列预测模型；
将划分好的测试集输入到训练完成以后的时空序列预测模型中，进行测试并输出预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410061794.6A CN117575111B (zh) | 2024-01-16 | 2024-01-16 | 一种基于迁移学习的农业遥感图像时空序列预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410061794.6A CN117575111B (zh) | 2024-01-16 | 2024-01-16 | 一种基于迁移学习的农业遥感图像时空序列预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117575111A true CN117575111A (zh) | 2024-02-20 |
| CN117575111B CN117575111B (zh) | 2024-04-12 |
Family
ID=89895931
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410061794.6A Active CN117575111B (zh) | 2024-01-16 | 2024-01-16 | 一种基于迁移学习的农业遥感图像时空序列预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117575111B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117992737B (zh) * | 2024-04-01 | 2024-05-31 | 齐鲁工业大学(山东省科学院) | 基于遥感大数据的土地利用判别方法、装置及电子设备 |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015000049A (ja) * | 2013-06-18 | 2015-01-05 | 株式会社日立製作所 | 収量予測システムおよび収量予測装置 |
| US20170161627A1 (en) * | 2015-12-02 | 2017-06-08 | The Climate Corporation | Forecasting field level crop yield during a growing season |
| EP3816879A1 (en) * | 2019-11-04 | 2021-05-05 | Gaf AG | A method of yield estimation for arable crops and grasslands and a system for performing the method |
| CN113435649A (zh) * | 2021-06-29 | 2021-09-24 | 布瑞克农业大数据科技集团有限公司 | 一种全域农业数据整理方法、系统、装置及介质 |
| US20220019795A1 (en) * | 2020-07-16 | 2022-01-20 | The Climate Corporation | Predicting horticultural yield for a field location using multi-band aerial imagery |
| CN114067217A (zh) * | 2021-09-17 | 2022-02-18 | 北京理工大学 | 基于非下采样分解转换器的sar图像目标识别方法 |
| CN114998361A (zh) * | 2022-06-07 | 2022-09-02 | 山西云时代智慧城市技术发展有限公司 | 一种基于Transformers-MulMLA的农业土地覆盖时空语义分割方法 |
| CN115051925A (zh) * | 2021-06-18 | 2022-09-13 | 北京邮电大学 | 一种基于迁移学习的时空序列预测方法 |
| CN115222100A (zh) * | 2022-06-23 | 2022-10-21 | 郑州大学 | 基于三维循环卷积神经网络和多时相遥感影像的农作物产量预测方法 |
| CN115238964A (zh) * | 2022-06-28 | 2022-10-25 | 安徽未来种业有限公司 | 一种水稻收成预测评估方法及系统 |
| WO2022243985A1 (en) * | 2021-05-21 | 2022-11-24 | Soul Machines Limited | Transfer learning in image recognition systems |
| US20220374785A1 (en) * | 2021-05-21 | 2022-11-24 | Hitachi High-Tech Corporation | Machine Learning System |
| CN115439754A (zh) * | 2022-08-02 | 2022-12-06 | 武汉大学 | 一种基于时序遥感影像的大范围跨物候区农作物制图方法 |
| US20220405864A1 (en) * | 2019-11-19 | 2022-12-22 | Zhejiang University | Crop yield estimation method based on deep temporal and spatial feature combined learning |
| CN116090327A (zh) * | 2022-09-23 | 2023-05-09 | 武汉大学 | 时间序列预测模型构建方法、装置、设备及可读存储介质 |
| CN116383768A (zh) * | 2023-04-17 | 2023-07-04 | 深圳市中用软件科技有限公司 | 基于多模态信息融合的农作物产量预测方法及装置 |
| CN116933124A (zh) * | 2023-06-16 | 2023-10-24 | 新奥新智科技有限公司 | 时间序列数据预测方法、装置、设备及存储介质 |
| US20230359829A1 (en) * | 2022-05-05 | 2023-11-09 | Mineral Earth Sciences Llc | Incorporating unstructured data into machine learning-based phenotyping |
| CN117152105A (zh) * | 2023-09-08 | 2023-12-01 | 华南农业大学 | 果园荔枝估产方法、装置、设备及介质 |
-
2024
- 2024-01-16 CN CN202410061794.6A patent/CN117575111B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015000049A (ja) * | 2013-06-18 | 2015-01-05 | 株式会社日立製作所 | 収量予測システムおよび収量予測装置 |
| US20170161627A1 (en) * | 2015-12-02 | 2017-06-08 | The Climate Corporation | Forecasting field level crop yield during a growing season |
| EP3816879A1 (en) * | 2019-11-04 | 2021-05-05 | Gaf AG | A method of yield estimation for arable crops and grasslands and a system for performing the method |
| US20220405864A1 (en) * | 2019-11-19 | 2022-12-22 | Zhejiang University | Crop yield estimation method based on deep temporal and spatial feature combined learning |
| US20220019795A1 (en) * | 2020-07-16 | 2022-01-20 | The Climate Corporation | Predicting horticultural yield for a field location using multi-band aerial imagery |
| WO2022243985A1 (en) * | 2021-05-21 | 2022-11-24 | Soul Machines Limited | Transfer learning in image recognition systems |
| US20220374785A1 (en) * | 2021-05-21 | 2022-11-24 | Hitachi High-Tech Corporation | Machine Learning System |
| CN115051925A (zh) * | 2021-06-18 | 2022-09-13 | 北京邮电大学 | 一种基于迁移学习的时空序列预测方法 |
| CN113435649A (zh) * | 2021-06-29 | 2021-09-24 | 布瑞克农业大数据科技集团有限公司 | 一种全域农业数据整理方法、系统、装置及介质 |
| CN114067217A (zh) * | 2021-09-17 | 2022-02-18 | 北京理工大学 | 基于非下采样分解转换器的sar图像目标识别方法 |
| US20230359829A1 (en) * | 2022-05-05 | 2023-11-09 | Mineral Earth Sciences Llc | Incorporating unstructured data into machine learning-based phenotyping |
| CN114998361A (zh) * | 2022-06-07 | 2022-09-02 | 山西云时代智慧城市技术发展有限公司 | 一种基于Transformers-MulMLA的农业土地覆盖时空语义分割方法 |
| CN115222100A (zh) * | 2022-06-23 | 2022-10-21 | 郑州大学 | 基于三维循环卷积神经网络和多时相遥感影像的农作物产量预测方法 |
| CN115238964A (zh) * | 2022-06-28 | 2022-10-25 | 安徽未来种业有限公司 | 一种水稻收成预测评估方法及系统 |
| CN115439754A (zh) * | 2022-08-02 | 2022-12-06 | 武汉大学 | 一种基于时序遥感影像的大范围跨物候区农作物制图方法 |
| CN116090327A (zh) * | 2022-09-23 | 2023-05-09 | 武汉大学 | 时间序列预测模型构建方法、装置、设备及可读存储介质 |
| CN116383768A (zh) * | 2023-04-17 | 2023-07-04 | 深圳市中用软件科技有限公司 | 基于多模态信息融合的农作物产量预测方法及装置 |
| CN116933124A (zh) * | 2023-06-16 | 2023-10-24 | 新奥新智科技有限公司 | 时间序列数据预测方法、装置、设备及存储介质 |
| CN117152105A (zh) * | 2023-09-08 | 2023-12-01 | 华南农业大学 | 果园荔枝估产方法、装置、设备及介质 |
Non-Patent Citations (5)
| Title |
|---|
| BOWEN CHENG: "Masked-attention Mask Transformer for Universal Image Segmentation", 2022 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR), 15 June 2022 (2022-06-15), pages 1280 - 1289, XP034194121, DOI: 10.1109/CVPR52688.2022.00135 * |
| 杨楠: "基于无人机RGB影像的小麦叶面积指数与产量估算研究", 麦类作物学报, vol. 43, no. 7, 15 July 2023 (2023-07-15), pages 920 - 932 * |
| 王鹏新: "基于深度学习的作物长势监测和产量估测研究进展", 农业机械学报, vol. 53, no. 2, 25 February 2022 (2022-02-25), pages 1 - 14 * |
| 赵龙才: "农作物遥感识别与单产估算研究综述", 农业机械学报, vol. 54, no. 2, 25 February 2023 (2023-02-25), pages 1 - 19 * |
| 陈仲新;任建强;唐华俊;史云;冷佩;刘佳;王利民;吴文斌;姚艳敏;哈斯图亚;: "农业遥感研究应用进展与展望", 遥感学报, no. 05, 25 September 2016 (2016-09-25), pages 748 - 767 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117992737B (zh) * | 2024-04-01 | 2024-05-31 | 齐鲁工业大学(山东省科学院) | 基于遥感大数据的土地利用判别方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117575111B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111027686B (zh) | 一种滑坡位移的预测方法、装置及设备 | |
| CN110781756A (zh) | 基于遥感图像的城市道路提取方法及装置 | |
| CN111612035A (zh) | 训练迁移模型的方法、故障检测的方法以及装置 | |
| CN112419202A (zh) | 基于大数据及深度学习的野生动物图像自动识别系统 | |
| CN110852473A (zh) | 一种基于神经网络算法的陆地水储量预测方法及设备 | |
| Zhao et al. | Mastgn: Multi-attention spatio-temporal graph networks for air pollution prediction | |
| CN116106988A (zh) | 天气预测方法、装置、电子设备及存储介质 | |
| CN111460733A (zh) | 一种基于深度学习的山火预警方法 | |
| CN116484189A (zh) | 一种基于深度学习的era5降水产品降尺度方法 | |
| CN112598590B (zh) | 基于深度学习的光学遥感时间序列影像重建方法及系统 | |
| Baydaroğlu et al. | Temporal and spatial satellite data augmentation for deep learning-based rainfall nowcasting | |
| CN117575111B (zh) | 一种基于迁移学习的农业遥感图像时空序列预测方法 | |
| CN113590971A (zh) | 一种基于类脑时空感知表征的兴趣点推荐方法及系统 | |
| CN113222209A (zh) | 基于域适应的区域尾气迁移预测方法、系统及存储介质 | |
| Raj et al. | ArDHO-deep RNN: autoregressive deer hunting optimization based deep recurrent neural network in investigating atmospheric and oceanic parameters | |
| CN112418481A (zh) | 雷达回波图预测方法、装置、计算机设备和存储介质 | |
| CN116152206A (zh) | 一种光伏输出功率预测方法、终端设备及存储介质 | |
| Sun et al. | Deep learning in statistical downscaling for deriving high spatial resolution gridded meteorological data: A systematic review | |
| CN116188993A (zh) | 一种基于多任务学习的遥感图像耕地地块分割方法 | |
| CN114418243B (zh) | 分布式新能源云端网格预测方法与系统 | |
| CN116151449A (zh) | 一种电力负荷的短期预测方法及装置 | |
| CN115936762A (zh) | 景区人流量的预测方法、装置、设备及存储介质 | |
| CN112149711B (zh) | 水文地形数据生成方法、装置、计算机设备和存储介质 | |
| CN113344846A (zh) | 基于生成对抗网络和压缩感知的遥感图像融合方法及系统 | |
| CN111460965B (zh) | 一种基于无人机影像的涝渍区智能分析系统及其方法 |
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 |