[发明专利]一种深度时空特征联合学习的农作物产量估测方法

权利要求书

1.一种深度时空特征联合学习的农作物产量估测方法，其特征在于该方法包含如下步骤：

步骤1)：获取地区的历史作物产量数据和气象数据并进行预处理，对气象数据进行预处理获得气象参数，对产量数据进行预处理获得去趋势产量，分别作为后续作物单产时空特征深度学习模型的输入和输出数据；

步骤2)：构建作物单产时空特征深度学习模型，并对模型的超参数进行优化；

步骤3)：将步骤1)获得的气象参数作为输入，将步骤1)获得的去趋势产量作为输出，形成训练集样本进而训练作物单产时空特征深度学习模型，采用Adam优化方法结合反向传播方法训练获得模型的参数，经过多轮训练后得到最优参数，进而获得训练后的模型；

步骤4)：将待测作物产量的气象参数输入训练后的模型，输出预测结果，获得农作物产量估测结果；

所述步骤2)中，作物单产时空特征深度学习模型主要由输入层、长短期记忆神经网络层、注意力神经网络层和多任务输出层依次连接构成；

所述的输入层中输入作物生长期间内的气象参数时间序列，并采用min-max归一化处理将各气象参数值域变换为[0,1]；

所述的长短期记忆神经网络层由长短期记忆神经单元组成，每个时刻的气象参数x_t输入到各自对应的由三个连续依次连接的长短期记忆神经单元组成的长短期记忆组中，并且所有时刻的气象参数x_t所对应的长短期记忆组中第一个长短期记忆神经单元沿时间依次传递连接，共享神经网络的参数；所有时刻的气象参数x_t所对应的长短期记忆组中第二个长短期记忆神经单元沿时间依次传递连接，共享神经网络的参数；所有时刻的气象参数x_t所对应的长短期记忆组中第三个长短期记忆神经单元沿时间依次传递连接，共享神经网络的参数；最后各个时刻的气象参数x_t经长短期记忆组处理输出各自的隐层特征h_t；

所述的注意力神经网络层采用一层全连接神经网络层，输入长短期记忆神经网络层在各时刻t提取的隐藏特征h_t，输出各时刻的注意力值α_t，之后根据注意力值α_t对整个时间序列的隐藏特征h_t按照以下公式进行处理，得到注意力加权的隐藏特征α_th_t，得到所有时序的注意力加权的隐藏特征合并成一特征向量H：

α_t＝softmax(W_A*h_t+b_A)

H＝α₁h₁+α₂h₂+…+α_th_t

其中，W_A和b_A分别 表示注意力神经网络层的可学习的权重矩阵和偏差向量，softmax()是激活函数；

所述的多任务输出层输出对应地理区域r内的作物产量y，处理如以下公式：

y＝W_r*H+b_r

其中，r表示对应地理区域的索引，w_r和b_r分别表示对应于地理区域r的多任务输出层的可学习的权重矩阵和偏差向量。

2.根据权利要求1所述的一种深度时空特征联合学习的农作物产量估测方法，其特征在于：所述的步骤1)中，数据预处理包括：根据历史作物产量数据构建产量-年份一元线性回归方程，对作物产量数据进行去趋势处理，将产量-年份一元线性回归方程拟合得到的残差作为去趋势产量，作为模型输出的真实值；从历史的气象数据中提取时间序列的作物播种至成熟的气象参数并进行归一化处理作为模型输入。

3.根据权利要求1所述的一种深度时空特征联合学习的农作物产量估测方法，其特征在于：所述历史气象数据具体包括固定时间段内的日最高温度、日最低温度和日平均温度以及固定时间段内的日降水量。

4.根据权利要求1所述的一种深度时空特征联合学习的农作物产量估测方法，其特征在于：所述步骤2)中，模型超参数优化包括长短期记忆神经网络层的层数、注意力神经网络层数、多任务输出层的层数及任务数目、各层隐藏特征维度和模型训练学习率。

5.根据权利要求1所述的一种深度时空特征联合学习的农作物产量估测方法，其特征在于：所述步骤4)中，通过模型输出估测农作物样本的作物产量。