CN117972329A - 基于生长模型的作物生长趋势预测方法及系统 - Google Patents
基于生长模型的作物生长趋势预测方法及系统 Download PDFInfo
- Publication number
- CN117972329A CN117972329A CN202410386192.8A CN202410386192A CN117972329A CN 117972329 A CN117972329 A CN 117972329A CN 202410386192 A CN202410386192 A CN 202410386192A CN 117972329 A CN117972329 A CN 117972329A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- growth
- crop growth
- crop
- 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
- 230000012010 growth Effects 0.000 title claims abstract description 196
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000006870 function Effects 0.000 claims abstract description 102
- 230000004913 activation Effects 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 17
- 230000007246 mechanism Effects 0.000 claims abstract description 15
- 230000000750 progressive effect Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000002787 reinforcement Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 24
- 238000007781 pre-processing Methods 0.000 claims description 22
- 238000013461 design Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 15
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于生长模型的作物生长趋势预测方法及系统，方法包括数据采集、预处理、建立生长模型、模型损失函数设计和作物生长趋势预测。本发明属于数据处理技术领域，具体是指基于生长模型的作物生长趋势预测方法及系统，本方案通过引入距离函数描述作物位置与生长边界的距离关系；引入跳跃连接加强解码过程中的特征信息，基于参数整流线性单元设计激活函数，增强模型学习能力，引入多尺度融合方法和注意力模型提高模型鲁棒性和预测能力；引入尺度参数和损失阈值，根据不同情况下预测值和基线的差异进行调整，使得损失函数具有更好的适应性；通过将注意力矩阵与损失矩阵相乘，模型能够获得一个渐进的空间注意力机制。
Description
技术领域
本发明涉及数据处理技术领域，具体是指基于生长模型的作物生长趋势预测方法及系统。
背景技术
作物生长趋势预测属于农业领域中的农业科学和农业技术应用的范畴。这种预测技术通常是利用数据科学、机器学习和统计学等技术手段，结合植物生长的生物学规律以及环境因素的影响，对作物的生长情况进行预测。但是一般作物生长趋势预测方法存在作物位置与生长边界的距离关系把控不当导致模型对作物生长趋势的理解和预测能力弱的问题；一般作物生长趋势预测方法存在模型特征信息解释能力弱、激活函数的适应性低以及模型无法捕捉作物生长的大尺度趋势从而导致模型性能差的问题；一般作物生长趋势预测方法存在损失函数随损失赋予的权重不当导致模型收敛速度慢，模型精度低的问题。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供了基于生长模型的作物生长趋势预测方法及系统，针对一般作物生长趋势预测方法存在作物位置与生长边界的距离关系把控不当导致模型对作物生长趋势的理解和预测能力弱的问题，本方案通过引入距离函数描述作物位置与生长边界的距离关系，为模型提供了额外的空间信息，简化模型输出并增强模型的可解释性；针对一般作物生长趋势预测方法存在模型特征信息解释能力弱、激活函数的适应性低以及模型无法捕捉作物生长的大尺度趋势从而导致模型性能差的问题，本方案通过引入跳跃连接加强解码过程中的特征信息，基于参数整流线性单元设计激活函数，增强模型学习能力，引入多尺度融合方法和注意力模型提高模型鲁棒性和预测能力；针对一般作物生长趋势预测方法存在损失函数随损失赋予的权重不当导致模型收敛速度慢，模型精度低的问题，本方案通过引入尺度参数和损失阈值，根据不同情况下预测值和基线的差异进行调整，使得损失函数具有更好的适应性；通过将注意力矩阵与损失矩阵相乘，模型能够获得一个渐进的空间注意力机制，从而增强了模型对输入数据的学习能力，提高了模型的泛化能力和性能。
本发明采取的技术方案如下：本发明提供的基于生长模型的作物生长趋势预测方法，该方法包括以下步骤：
步骤S1：数据采集；
步骤S2：预处理；
步骤S3：建立生长模型；
步骤S4：模型损失函数设计；
步骤S5：作物生长趋势预测。
进一步地，在步骤S1中，所述数据采集是基于时间序列采集作物生长历史数据和实时数据；其中作物生长历史数据和实时数据都包括区域的空间数据、作物生长情况数据、环境因素数据和生长边界数据；作物生长历史数据还包括作物生长状态，将下一时间的作物生长状态作为当前时间的数据标签。
进一步地，在步骤S2中，所述预处理具体包括以下步骤：
步骤S21：引入符号距离函数，用符号距离函数来生成位置编码作为模型输出维度之一，描述作物位置与生长边界之间的距离，表示如下：
；
式中，f(·)是表示符号距离函数，用于描述作物的空间位置和生长趋势；p表示作物生长区域内的位置点，Ω表示作物生长区域的内部集合，表示作物生长区域的边界，d(·)表示从位置点p到作物生长区域边界的距离函数；
步骤S22：数据预处理，对数据进行数据清洗、数据转化、标准化处理和数据集划分；所述数据清洗是处理缺失值、重复值和异常值；所述数据转化是将数据转换为向量形式；所述标准化处理是基于最大最小归一化对数据进行标准化处理；所述数据集划分是对数据随机划分为训练集和测试集。
进一步地，在步骤S3中，所述建立生长模型具体包括以下步骤：
步骤S31：模型架构设计，模型主要由编码路径和解码路径组成；在编码路径中，输入层由一维卷积层和池化层组成，用于处理时间序列数据；模型在输入层之前加入了两个全连接层，通过逐步的维度扩展满足模型的输入要求；在解码路径中，编码的特征图通过卷积层和上采样层进行解码；另外模型添加了跳跃连接，连接了编码和解码路径中的特征图，增加了解码过程中的特征信息；每个样本表示一个时间序列，其中包含关于作物的特征数据；输入数据的尺寸为[batchsize,sequencelength,features]，其中batchsize是每个训练批次的样本数量，sequencelength是序列的长度，features是每个时间步的特征数量；模型输出对作物生长状态的预测；在解码路径的最后一层，使用激活函数将模型输出进行映射，表示作物生长状态的概率；输出的尺寸输入的作物特征序列长度相匹配，每个时间步对应一个预测值；通过训练过程，模型学习从输入作物特征到对应生长状态的映射关系，从而在测试阶段进行准确的作物生长预测；
步骤S32：激活函数设计，采用参数整流线性单元进行设计激活函数；所使用的激活函数允许激活负范围内的特征，可学习参数并赋予模型自适应学习能力；同时，由于训练参数在通道维度上是共享的，因此参数的增加对模型的训练速度影响小；表示如下：
；
；
式中，σ(·)是激活函数；x是激活函数的输入；a是负数部分的斜率，是可学习参数，基于损失函数的梯度自适应调整；a(t+1)和a(t)分别是第t+1次迭代和第t次迭代时的可学习参数；是学习率；/>是损失函数的梯度；
步骤S33：引入多尺度融合方法，多尺度融合方法旨在通过整合不同层次的特征图来理解作物生长的多尺度结构，在编码阶段，特征融合方法用于整合来自不同层次的特征，以捕获作物生长的大尺度趋势；在解码阶段，通过将来自不同层次的特征图上采样到输出尺寸，并通过卷积层进行进一步聚合，模型在输出端获取来自不同层次的特征信息；表示如下：
；
式中，Fenc是编码路径得到的特征表示，FuseFeatures表示特征融合操作，用于整合来自不同层次的特征以捕获作物生长的大尺度趋势；Fmultiscale是多尺度特征；
步骤S34：添加注意力模块，注意力模块根据作物的空间分布和生长状态，自适应地调整特征图中各个位置的重要性；注意力模块通过聚合特征图的信息，并根据作物的生长环境生成自适应的注意力图；这包括使用平均池化层和最大池化层来聚合特征图的信息，并将其输入到共享网络中以生成注意力图；通过信息压缩和乘法操作，模型专注于对作物生长预测有利的特征；表示如下：
；
；
式中，Attention表示注意力操作，用于生成自适应的注意力图A；表示逐元素乘法，Fattended是经过注意力机制调整后的特征表示，以聚焦于关键特征；
步骤S35：模型整体映射，表示如下：
；
式中，Y是模型输出；Decoder表示解码路径操作；Fenc表示编码路径得到的特征表示，SkipConnection表示跳跃连接操作。
进一步地，在步骤S4中，所述模型损失函数设计具体包括以下步骤：
步骤S41：引入双尺度损失函数，为更有效地衡量模型预测结果与基线之间的差异，并根据这种差异调整损失函数的权重，损失函数结合了两种不同尺度的损失计算方式，以应对不同情况下的损失变化，表示如下：
；
；
式中，Lh(·)是双尺度损失函数；α是模型参数，Rs是尺度参数，用于调整损失函数；s是输入数据；是模型在输入s下对第i个类别的预测输出，M-1表示模型的倒数第二层；/>是模型在输入s下对第i个类别的预测输出的基线；δX(·)是预测值和基线的差；K是类别总数；η是损失阈值；
步骤S42：改进损失函数，通过将注意力矩阵与损失矩阵相乘，模型获得了一个渐进的空间注意力机制：
；
；
式中，I(p)是缩放用归一化函数；β是注意力因子；δXt(α,s)和δXall(α,s)分别是第t次训练时的差和历史训练的差；LAttention(p)是最终的模型损失。
进一步地，在步骤S5中，所述作物生长趋势预测是基于采集的作物生长历史数据对生长模型进行训练；预先设有测试阈值，当模型对测试集的最终损失低于测试阈值时，生长模型建立完成；将作物生长实时数据输入至生长模型，基于模型输出的作物生长状态实现作物生长趋势预测。
本发明提供的基于生长模型的作物生长趋势预测系统，包括数据采集模块、预处理模块、生长模型建立模块、模型损失函数设计模块和作物生长趋势预测模块；
所述数据采集模块采集作物生长历史数据和实时数据，并将数据发送至预处理模块；
所述预处理模块通过引入符号距离函数生成位置编码，然后进行数据预处理操作，并将数据发送至预定义模块；
所述生长模型建立模块引入跳跃连接加强解码过程中的特征信息，基于参数整流线性单元设计激活函数，引入多尺度融合方法和注意力模型，并将数据发送至模型损失函数设计模块；
所述模型损失函数设计模块通过将注意力矩阵与损失矩阵相乘，模型获得一个渐进的空间注意力机制，进而得到最终模型损失，并将数据发送至作物生长趋势预测模块；
所述作物生长趋势预测模块基于建立完成的生长模型和作物生长实时数据实现作物生长趋势预测。
采用上述方案本发明取得的有益效果如下：
（1）针对一般作物生长趋势预测方法存在作物位置与生长边界的距离关系把控不当导致模型对作物生长趋势的理解和预测能力弱的问题，本方案通过引入距离函数描述作物位置与生长边界的距离关系，为模型提供了额外的空间信息，简化模型输出并增强模型的可解释性。
（2）针对一般作物生长趋势预测方法存在模型特征信息解释能力弱、激活函数的适应性低以及模型无法捕捉作物生长的大尺度趋势从而导致模型性能差的问题，本方案通过引入跳跃连接加强解码过程中的特征信息，基于参数整流线性单元设计激活函数，增强模型学习能力，引入多尺度融合方法和注意力模型提高模型鲁棒性和预测能力。
（3）针对一般作物生长趋势预测方法存在损失函数随损失赋予的权重不当导致模型收敛速度慢，模型精度低的问题，本方案通过引入尺度参数和损失阈值，根据不同情况下预测值和基线的差异进行调整，使得损失函数具有更好的适应性；通过将注意力矩阵与损失矩阵相乘，模型能够获得一个渐进的空间注意力机制，从而增强了模型对输入数据的学习能力，提高了模型的泛化能力和性能。
附图说明
图1为本发明提供的基于生长模型的作物生长趋势预测方法的流程示意图；
图2为本发明提供的基于生长模型的作物生长趋势预测系统的示意图；
图3为步骤S3的流程示意图。
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例一，参阅图1，本发明提供的基于生长模型的作物生长趋势预测方法，该方法包括以下步骤：
步骤S1：数据采集；
步骤S2：预处理，通过引入符号距离函数生成位置编码，然后进行数据预处理操作；
步骤S3：建立生长模型，引入跳跃连接加强解码过程中的特征信息，基于参数整流线性单元设计激活函数，引入多尺度融合方法和注意力模型；
步骤S4：模型损失函数设计，通过将注意力矩阵与损失矩阵相乘，模型获得一个渐进的空间注意力机制，进而得到最终模型损失；
步骤S5：作物生长趋势预测。
实施例二，参阅图1，该实施例基于上述实施例，在步骤S1中，数据采集是基于时间序列采集作物生长历史数据和实时数据；其中作物生长历史数据和实时数据都包括区域的空间数据、作物生长情况数据、环境因素数据和生长边界数据；作物生长历史数据还包括作物生长状态，将下一时间的作物生长状态作为当前时间的数据标签。
实施例三，参阅图1，该实施例基于上述实施例，在步骤S2中，预处理具体包括以下步骤：
步骤S21：引入符号距离函数，用符号距离函数来生成位置编码作为模型输出维度之一，描述作物位置与生长边界之间的距离，表示如下：
；
式中，f(·)是表示符号距离函数，用于描述作物的空间位置和生长趋势；p表示作物生长区域内的位置点，Ω表示作物生长区域的内部集合，表示作物生长区域的边界，d(·)表示从位置点p到作物生长区域边界的距离函数；
步骤S22：数据预处理，对数据进行数据清洗、数据转化、标准化处理和数据集划分；所述数据清洗是处理缺失值、重复值和异常值；所述数据转化是将数据转换为向量形式；所述标准化处理是基于最大最小归一化对数据进行标准化处理；所述数据集划分是对数据随机划分为训练集和测试集。
通过执行上述操作，针对一般作物生长趋势预测方法存在作物位置与生长边界的距离关系把控不当导致模型对作物生长趋势的理解和预测能力弱的问题，本方案通过引入距离函数描述作物位置与生长边界的距离关系，为模型提供了额外的空间信息，简化模型输出并增强模型的可解释性。
实施例四，参阅图1和图3，该实施例基于上述实施例，在步骤S3中，建立生长模型具体包括以下步骤：
步骤S31：模型架构设计，模型主要由编码路径和解码路径组成；在编码路径中，输入层由一维卷积层和池化层组成，用于处理时间序列数据；模型在输入层之前加入了两个全连接层，通过逐步的维度扩展满足模型的输入要求；在解码路径中，编码的特征图通过卷积层和上采样层进行解码；另外模型添加了跳跃连接，连接了编码和解码路径中的特征图，增加了解码过程中的特征信息；每个样本表示一个时间序列，其中包含关于作物的特征数据；输入数据的尺寸为[batchsize,sequencelength,features]，其中batchsize是每个训练批次的样本数量，sequencelength是序列的长度，features是每个时间步的特征数量；模型输出对作物生长状态的预测；在解码路径的最后一层，使用激活函数将模型输出进行映射，表示作物生长状态的概率；输出的尺寸输入的作物特征序列长度相匹配，每个时间步对应一个预测值；通过训练过程，模型学习从输入作物特征到对应生长状态的映射关系，从而在测试阶段进行准确的作物生长预测；
步骤S32：激活函数设计，采用参数整流线性单元进行设计激活函数；所使用的激活函数允许激活负范围内的特征，可学习参数并赋予模型自适应学习能力；同时，由于训练参数在通道维度上是共享的，因此参数的增加对模型的训练速度影响小；表示如下：
；
；
式中，σ(·)是激活函数；x是激活函数的输入；a是负数部分的斜率，是可学习参数，基于损失函数的梯度自适应调整；a(t+1)和a(t)分别是第t+1次迭代和第t次迭代时的可学习参数；是学习率；/>是损失函数的梯度；
步骤S33：引入多尺度融合方法，多尺度融合方法旨在通过整合不同层次的特征图来理解作物生长的多尺度结构，在编码阶段，特征融合方法用于整合来自不同层次的特征，以捕获作物生长的大尺度趋势；在解码阶段，通过将来自不同层次的特征图上采样到输出尺寸，并通过卷积层进行进一步聚合，模型在输出端获取来自不同层次的特征信息；表示如下：
；
式中，Fenc是编码路径得到的特征表示，FuseFeatures表示特征融合操作，用于整合来自不同层次的特征以捕获作物生长的大尺度趋势；Fmultiscale是多尺度特征；
步骤S34：添加注意力模块，注意力模块根据作物的空间分布和生长状态，自适应地调整特征图中各个位置的重要性；注意力模块通过聚合特征图的信息，并根据作物的生长环境生成自适应的注意力图；这包括使用平均池化层和最大池化层来聚合特征图的信息，并将其输入到共享网络中以生成注意力图；通过信息压缩和乘法操作，模型专注于对作物生长预测有利的特征；表示如下：
；
；
式中，Attention表示注意力操作，用于生成自适应的注意力图A；表示逐元素乘法，Fattended是经过注意力机制调整后的特征表示，以聚焦于关键特征；
步骤S35：模型整体映射，表示如下：
；
式中，Y是模型输出；Decoder表示解码路径操作；Fenc表示编码路径得到的特征表示，SkipConnection表示跳跃连接操作。
通过执行上述操作，针对一般作物生长趋势预测方法存在模型特征信息解释能力弱、激活函数的适应性低以及模型无法捕捉作物生长的大尺度趋势从而导致模型性能差的问题，本方案通过引入跳跃连接加强解码过程中的特征信息，基于参数整流线性单元设计激活函数，增强模型学习能力，引入多尺度融合方法和注意力模型提高模型鲁棒性和预测能力。
实施例五，参阅图1，该实施例基于上述实施例，在步骤S4中，模型损失函数设计具体包括以下步骤：
步骤S41：引入双尺度损失函数，为更有效地衡量模型预测结果与基线之间的差异，并根据这种差异调整损失函数的权重，损失函数结合了两种不同尺度的损失计算方式，以应对不同情况下的损失变化，表示如下：
；
；
式中，Lh(·)是双尺度损失函数；α是模型参数，Rs是尺度参数，用于调整损失函数；s是输入数据；是模型在输入s下对第i个类别的预测输出，M-1表示模型的倒数第二层；/>是模型在输入s下对第i个类别的预测输出的基线；δX(·)是预测值和基线的差；K是类别总数；η是损失阈值；
步骤S42：改进损失函数，通过将注意力矩阵与损失矩阵相乘，模型获得了一个渐进的空间注意力机制：
；
；
式中，I(p)是缩放用归一化函数；β是注意力因子；δXt(α,s)和δXall(α,s)分别是第t次训练时的差和历史训练的差；LAttention(p)是最终的模型损失。
通过执行上述操作，针对一般作物生长趋势预测方法存在损失函数随损失赋予的权重不当导致模型收敛速度慢，模型精度低的问题，本方案通过引入尺度参数和损失阈值，根据不同情况下预测值和基线的差异进行调整，使得损失函数具有更好的适应性；通过将注意力矩阵与损失矩阵相乘，模型能够获得一个渐进的空间注意力机制，从而增强了模型对输入数据的学习能力，提高了模型的泛化能力和性能。
实施例六，参阅图1，该实施例基于上述实施例，在步骤S5中，作物生长趋势预测是基于采集的作物生长历史数据对生长模型进行训练；预先设有测试阈值，当模型对测试集的最终损失低于测试阈值时，生长模型建立完成；将作物生长实时数据输入至生长模型，基于模型输出的作物生长状态实现作物生长趋势预测。
实施例七，参阅图2，该实施例基于上述实施例，本发明提供的基于生长模型的作物生长趋势预测系统，包括数据采集模块、预处理模块、生长模型建立模块、模型损失函数设计模块和作物生长趋势预测模块；
所述数据采集模块采集作物生长历史数据和实时数据，并将数据发送至预处理模块；
所述预处理模块通过引入符号距离函数生成位置编码，然后进行数据预处理操作，并将数据发送至预定义模块；
所述生长模型建立模块引入跳跃连接加强解码过程中的特征信息，基于参数整流线性单元设计激活函数，引入多尺度融合方法和注意力模型，并将数据发送至模型损失函数设计模块；
所述模型损失函数设计模块通过将注意力矩阵与损失矩阵相乘，模型获得一个渐进的空间注意力机制，进而得到最终模型损失，并将数据发送至作物生长趋势预测模块；
所述作物生长趋势预测模块基于建立完成的生长模型和作物生长实时数据实现作物生长趋势预测。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。
Claims (7)
1.基于生长模型的作物生长趋势预测方法，其特征在于：该方法包括以下步骤：
步骤S1：数据采集；
步骤S2：预处理，通过引入符号距离函数生成位置编码，然后进行数据预处理操作；
步骤S3：建立生长模型，引入跳跃连接加强解码过程中的特征信息，基于参数整流线性单元设计激活函数，引入多尺度融合方法和注意力模型；
步骤S4：模型损失函数设计，通过将注意力矩阵与损失矩阵相乘，模型获得一个渐进的空间注意力机制，进而得到最终模型损失；
步骤S5：作物生长趋势预测。
2.根据权利要求1所述的基于生长模型的作物生长趋势预测方法，其特征在于：在步骤S4中，所述模型损失函数设计具体包括以下步骤：
步骤S41：引入双尺度损失函数，为更有效地衡量模型预测结果与基线之间的差异，并根据这种差异调整损失函数的权重，损失函数结合了两种不同尺度的损失计算方式，以应对不同情况下的损失变化，表示如下：
；
；
式中，Lh(·)是双尺度损失函数；α是模型参数，Rs是尺度参数，用于调整损失函数；s是输入数据；是模型在输入s下对第i个类别的预测输出，M-1表示模型的倒数第二层；是模型在输入s下对第i个类别的预测输出的基线；δX(·)是预测值和基线的差；K是类别总数；η是损失阈值；
步骤S42：改进损失函数，通过将注意力矩阵与损失矩阵相乘，模型获得了一个渐进的空间注意力机制：
；
；
式中，I(p)是缩放用归一化函数；β是注意力因子；δXt(α,s)和δXall(α,s)分别是第t次训练时的差和历史训练的差；LAttention(p)是最终的模型损失。
3.根据权利要求1所述的基于生长模型的作物生长趋势预测方法，其特征在于：在步骤S3中，所述建立生长模型具体包括以下步骤：
步骤S31：模型架构设计，模型主要由编码路径和解码路径组成；在编码路径中，输入层由一维卷积层和池化层组成，用于处理时间序列数据；模型在输入层之前加入了两个全连接层，通过逐步的维度扩展满足模型的输入要求；在解码路径中，编码的特征图通过卷积层和上采样层进行解码；另外模型添加了跳跃连接，连接了编码和解码路径中的特征图，增加了解码过程中的特征信息；每个样本表示一个时间序列，其中包含关于作物的特征数据；输入数据的尺寸为[batchsize,sequencelength,features]，其中batchsize是每个训练批次的样本数量，sequencelength是序列的长度，features是每个时间步的特征数量；模型输出对作物生长状态的预测；在解码路径的最后一层，使用激活函数将模型输出进行映射，表示作物生长状态的概率；输出的尺寸输入的作物特征序列长度相匹配，每个时间步对应一个预测值；通过训练过程，模型学习从输入作物特征到对应生长状态的映射关系，从而在测试阶段进行准确的作物生长预测；
步骤S32：激活函数设计，采用参数整流线性单元进行设计激活函数；所使用的激活函数允许激活负范围内的特征，可学习参数并赋予模型自适应学习能力；同时，由于训练参数在通道维度上是共享的，因此参数的增加对模型的训练速度影响小；表示如下：
；
；
式中，σ(·)是激活函数；x是激活函数的输入；a是负数部分的斜率，是可学习参数，基于损失函数的梯度自适应调整；a(t+1)和a(t)分别是第t+1次迭代和第t次迭代时的可学习参数；是学习率；/>是损失函数的梯度；
步骤S33：引入多尺度融合方法，多尺度融合方法旨在通过整合不同层次的特征图来理解作物生长的多尺度结构，在编码阶段，特征融合方法用于整合来自不同层次的特征，以捕获作物生长的大尺度趋势；在解码阶段，通过将来自不同层次的特征图上采样到输出尺寸，并通过卷积层进行进一步聚合，模型在输出端获取来自不同层次的特征信息；表示如下：
；
式中，Fenc是编码路径得到的特征表示，FuseFeatures表示特征融合操作，用于整合来自不同层次的特征以捕获作物生长的大尺度趋势；Fmultiscale是多尺度特征；
步骤S34：添加注意力模块，注意力模块根据作物的空间分布和生长状态，自适应地调整特征图中各个位置的重要性；注意力模块通过聚合特征图的信息，并根据作物的生长环境生成自适应的注意力图；这包括使用平均池化层和最大池化层来聚合特征图的信息，并将其输入到共享网络中以生成注意力图；通过信息压缩和乘法操作，模型专注于对作物生长预测有利的特征；表示如下：
；
；
式中，Attention表示注意力操作，用于生成自适应的注意力图A；表示逐元素乘法，Fattended是经过注意力机制调整后的特征表示，以聚焦于关键特征；
步骤S35：模型整体映射，表示如下：
；
式中，Y是模型输出；Decoder表示解码路径操作；Fenc表示编码路径得到的特征表示，SkipConnection表示跳跃连接操作。
4.根据权利要求1所述的基于生长模型的作物生长趋势预测方法，其特征在于：在步骤S2中，所述预处理具体包括以下步骤：
步骤S21：引入符号距离函数，用符号距离函数来生成位置编码作为模型输出维度之一，描述作物位置与生长边界之间的距离，表示如下：
；
式中，f(·)是表示符号距离函数，用于描述作物的空间位置和生长趋势；p表示作物生长区域内的位置点，Ω表示作物生长区域的内部集合，表示作物生长区域的边界，d(·)表示从位置点p到作物生长区域边界的距离函数；
步骤S22：数据预处理，对数据进行数据清洗、数据转化、标准化处理和数据集划分；所述数据清洗是处理缺失值、重复值和异常值；所述数据转化是将数据转换为向量形式；所述标准化处理是基于最大最小归一化对数据进行标准化处理；所述数据集划分是对数据随机划分为训练集和测试集。
5.根据权利要求1所述的基于生长模型的作物生长趋势预测方法，其特征在于：在在步骤S1中，所述数据采集是基于时间序列采集作物生长历史数据和实时数据；其中作物生长历史数据和实时数据都包括区域的空间数据、作物生长情况数据、环境因素数据和生长边界数据；作物生长历史数据还包括作物生长状态，将下一时间的作物生长状态作为当前时间的数据标签。
6.根据权利要求1所述的基于生长模型的作物生长趋势预测方法，其特征在于：在步骤S5中，所述作物生长趋势预测是基于采集的作物生长历史数据对生长模型进行训练；预先设有测试阈值，当模型对测试集的最终损失低于测试阈值时，生长模型建立完成；将作物生长实时数据输入至生长模型，基于模型输出的作物生长状态实现作物生长趋势预测。
7.基于生长模型的作物生长趋势预测系统，用于实现如权利要求1-6中任一项所述的基于生长模型的作物生长趋势预测方法，其特征在于：包括数据采集模块、预处理模块、生长模型建立模块、模型损失函数设计模块和作物生长趋势预测模块；
所述数据采集模块采集作物生长历史数据和实时数据，并将数据发送至预处理模块；
所述预处理模块通过引入符号距离函数生成位置编码，然后进行数据预处理操作，并将数据发送至预定义模块；
所述生长模型建立模块引入跳跃连接加强解码过程中的特征信息，基于参数整流线性单元设计激活函数，引入多尺度融合方法和注意力模型，并将数据发送至模型损失函数设计模块；
所述模型损失函数设计模块通过将注意力矩阵与损失矩阵相乘，模型获得一个渐进的空间注意力机制，进而得到最终模型损失，并将数据发送至作物生长趋势预测模块；
所述作物生长趋势预测模块基于建立完成的生长模型和作物生长实时数据实现作物生长趋势预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410386192.8A CN117972329B (zh) | 2024-04-01 | 2024-04-01 | 基于生长模型的作物生长趋势预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410386192.8A CN117972329B (zh) | 2024-04-01 | 2024-04-01 | 基于生长模型的作物生长趋势预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117972329A true CN117972329A (zh) | 2024-05-03 |
| CN117972329B CN117972329B (zh) | 2024-05-31 |
Family
ID=90863048
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410386192.8A Active CN117972329B (zh) | 2024-04-01 | 2024-04-01 | 基于生长模型的作物生长趋势预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117972329B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107832878A (zh) * | 2017-10-31 | 2018-03-23 | 南京邮电大学盐城大数据研究院有限公司 | 一种基于大数据分析和生长模型的作物生长趋势分析方法 |
| CN110532936A (zh) * | 2019-08-26 | 2019-12-03 | 李清华 | 一种识别大田作物长势监控图像中绿色植物的方法及系统 |
| CN113155188A (zh) * | 2021-04-15 | 2021-07-23 | 浙江天演维真网络科技股份有限公司 | 一种基于大数据和作物生长环境模型的趋势分析方法 |
| CN115880433A (zh) * | 2022-12-20 | 2023-03-31 | 中国科学院合肥物质科学研究院 | 一种基于数字孪生的农作物培育优化方法 |
| CN116451842A (zh) * | 2023-03-17 | 2023-07-18 | 中联智慧农业股份有限公司 | 用于预测作物产量和生育期时间的方法及智能平台 |
-
2024
- 2024-04-01 CN CN202410386192.8A patent/CN117972329B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107832878A (zh) * | 2017-10-31 | 2018-03-23 | 南京邮电大学盐城大数据研究院有限公司 | 一种基于大数据分析和生长模型的作物生长趋势分析方法 |
| CN110532936A (zh) * | 2019-08-26 | 2019-12-03 | 李清华 | 一种识别大田作物长势监控图像中绿色植物的方法及系统 |
| CN113155188A (zh) * | 2021-04-15 | 2021-07-23 | 浙江天演维真网络科技股份有限公司 | 一种基于大数据和作物生长环境模型的趋势分析方法 |
| CN115880433A (zh) * | 2022-12-20 | 2023-03-31 | 中国科学院合肥物质科学研究院 | 一种基于数字孪生的农作物培育优化方法 |
| CN116451842A (zh) * | 2023-03-17 | 2023-07-18 | 中联智慧农业股份有限公司 | 用于预测作物产量和生育期时间的方法及智能平台 |
Non-Patent Citations (2)
| Title |
|---|
| 孙燕;马明建;: "基于遗传算法和BP神经网络的组培苗生长模型辨识", 农机化研究, no. 10, 1 October 2010 (2010-10-01), pages 30 - 33 * |
| 黄成威: "基于级联循环网络的林木生长参数预测", 《北京林业大学学报》, 31 August 2023 (2023-08-31), pages 94 - 108 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117972329B (zh) | 2024-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112991354B (zh) | 一种基于深度学习的高分辨率遥感影像语义分割方法 | |
| CN112347859B (zh) | 一种光学遥感图像显著性目标检测方法 | |
| CN109740731B (zh) | 一种自适应卷积层硬件加速器设计方法 | |
| CN112926256B (zh) | 基于深度强化学习的土壤重金属含量预测方法及系统 | |
| CN114662788B (zh) | 一种海水水质三维时空序列多参数精准预测方法及系统 | |
| CN116865261B (zh) | 基于孪生网络的电力负荷预测方法及系统 | |
| CN113516133A (zh) | 一种多模态图像分类方法及系统 | |
| 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 | |
| CN116844041A (zh) | 一种基于双向卷积时间自注意力机制的耕地提取方法 | |
| CN115588237A (zh) | 一种基于单目rgb图像的三维手部姿态估计方法 | |
| CN117117859A (zh) | 基于神经网络的光伏发电功率预测方法及系统 | |
| CN114529793A (zh) | 一种基于门控循环特征融合的深度图像修复系统及方法 | |
| CN117253031B (zh) | 一种基于多元复合深度学习的森林火灾监测方法 | |
| CN117972329B (zh) | 基于生长模型的作物生长趋势预测方法及系统 | |
| CN114463727A (zh) | 一种地铁驾驶员行为识别方法 | |
| CN114385619B (zh) | 一种多通道海洋观测时序标量数据缺失值预测方法及系统 | |
| CN114663307B (zh) | 基于不确定性网络的集成图像去噪系统 | |
| CN116543338A (zh) | 一种基于注视目标估计的学生课堂行为检测方法 | |
| CN116095183A (zh) | 一种数据压缩方法以及相关设备 | |
| CN114494284B (zh) | 一种基于显式监督区域关系的场景解析模型及方法 | |
| CN115410047A (zh) | 基于改进YOLO v5s的红外图像电动自行车目标检测方法 | |
| Lu et al. | The Markov-exponential grey model for efficient forecasting management | |
| CN110610459A (zh) | 图像处理方法及装置 | |
| CN113988357B (zh) | 基于深度学习的高层建筑风致响应预测方法及装置 | |
| CN117315397B (zh) | 一种基于类别曲率的含标签噪声数据分类方法 |
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 |