[发明专利]基于深度学习的植物关键物候期时间点预测方法及系统

权利要求书

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。