[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

说明书

本发明公开了一种深度时空特征联合学习的作物产量估测方法。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；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；将气象参数作为输入，将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获得模型的参数，将待测作物产量的气象参数输入训练后的模型，输出估测结果，获得农作物产量估测结果。本发明联合了时间特征学习和空间特征学习，在空间差异较大且复杂的研究区域内，本发明的作物产量估测精度更高，稳定性更好。

技术领域

本发明涉及农业气象领域，具体涉及一种深度时空特征联合学习的农作物产量估测方法。

背景技术

构建作物产量估测模型，是当前量化评估作物生长对于气象资源变化的响应的重要研究方法。气象资源对作物的影响存在时间序列上的动态变化和累积效应，理解这些时序特征有利于优化作物生产决策；而气象资源在空间分布上存在空间异质性，进而导致作物生长情况和产量分布在空间上的分布差异，并影响模型的稳定性。如何构建一个深度学习模型对作物生长与气象关联的时序特征与空间特征进行联合学习是目前的技术难点，也是关键的突破口。

当前作物产量估测模型主要依赖于三种途径：(1)生理过程驱动的过程机理模型；(2)统计回归模型；(3)数据驱动的机器学习模型。过程机理模型因其过于参数化和数据要求难以在大空间尺度范围下应用，统计回归模型难以处理数据中的非线性关系和共线性问题，而当前的机器学习方法仅是使用机器学习模型对数据特征进行提取，进行产量估测任务，现有技术中缺少了利用机器学习的作物产量估测方法，更缺少了能够联合利用时空特征学习与空间特征学习进行准确估测的方法。

发明内容

为了解决现有技术中存在的不足，本发明提供了一种深度时空特征联合学习的农作物产量估测方法。

本发明采用如下技术方案，具体步骤如下：

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。具体实施中，还与去趋势产量对比，处理获得模型对未知样本的预测效果。

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。

具体实施中可根据历史气象数据，计算玉米生育期内各时刻的气象参数并进行归一化处理作为模型各时刻的输入，在模型训练时进行时序迭代处理。

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。

所述步骤2)中，如图2所示，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]；