[发明专利]一种基于给定农灾资料强化学习的灾后作物产值预估方法

说明书

本发明公开了一种基于给定农灾资料强化学习的灾后作物产值预估方法，基于历史气象农灾数据和历史环境信息数据构成的原始数据集，农业灾害发生概率模型、模拟作物生长模型、多层感知机模型、初级灾后作物产值预估模型；并结合环境特征向量集、历史气象农灾数据动态变量和历史环境信息数据静态变量、动态静态气象及农业关联数据分组数据特征之间的关联性，获得最终灾后作物产值预估模型同时利用Q学习算法，本发明提出带有环境信息编码的针对收成季节推移的农业产值异构预测网络，遵循时间维度，解析各关联数据分组所对应二维特征平面集合，并采用异构神经网络组件细粒度解析动态与静态特征要素，全面考虑了气象与农业各要素在产值与灾害上的相关性。

技术领域

本发明属于深度学习与强化学习技术领域，具体涉及的是一种基于给定农灾资料强化学习的灾后作物产值预估方法。

背景技术

为了应对气候变化、不断增加的人口和粮食需求的挑战，及时、准确、可靠的大规模作物产量估计在作物管理、食品安全评价、食品贸易和决策方面比以往任何时候都更加必要。随着人工智能和大数据分析的发展，基于数据挖掘和机器学习技术的预测模型广泛存在。深度学习在各个领域的应用越来越多，并表现出比传统技术更好的性能。虽然深度学习在产量估算方面取得了一些进展，但将深度学习应用于农业仍处于起步阶段，特别是在作物产量估算方面。它可以自动地从输入数据中提取新的特征，并减少了对特征工程的需要。由于农作物病害发生的原因很多，大部分病害发生与气象条件、土壤条件、生物学特性以及农业基础措施等很多因素紧密相关，而且在病害发生和发展的不同阶段一般是很多环境因素综合发生作用，各个因素之间经常相互制约和相互影响，现有传统农作物病害预测方法的准确率不高。依靠传统方式构建的建模变量特征集不能充分挖掘非连续特征在高维空间的联系。Palanivel等提出了一种在大数据计算模式下利用机器学习技术预测作物产量的方法。对于各类农业气象灾害重要因素的考量，Xu等基于循环神经网络设计了时空循环神经网络，利用多维环境数据对小麦黄锈病严重程度进行预测。Feng等使用多层感知器预测地面干旱指数。

发明内容

本发明的目的在于：提供一种基于给定农灾资料强化学习的灾后作物产值预估方法,以解决现有技术中现有传统农作物病害预测方法的准确率不高的问题。

为实现上述目的，本发明提供如下技术方案：基于预设划分的各个目标地理区域、各个目标地理区域所对应历史气象农灾数据和历史环境信息数据构成的原始数据集、各个目标地理区域对应的收成季时间区、以及各个目标地理区域所对应历史气象农灾数据和历史环境信息数据构成的原始数据集对应的最终目标地理区域的农业产值，执行以下步骤S1至步骤S9,获得最终灾后作物产值预估模型，实现给定气象农灾数据和环境信息数据的各个目标地理区域的农业产值预测；

步骤S1:基于各个目标地理区域所对应的历史气象农灾数据和历史环境信息数据构成的原始数据集，对所述原始数据集中的各个数据进行特征分析，获得各个目标地理区域所对应的环境特征向量集；

步骤S2:利用自编码网络，基于各个目标地理区域，以环境特征向量集中的各个环境特征向量为输入、环境特征向量集所对应的解码重构后的非线性组合环境特征集为输出，构建农业灾害发生概率模型；

步骤S3：分别将各个收成季时间区划分为以下四个目标时间区：收成季开始前时间区、收成季初期时间区、收成季中期时间区、收成季后期时间区，进一步提取并获得各个目标时间区对应的非线性环境组合特征集中历史气象农灾数据动态变量和历史环境信息数据静态变量；

步骤S4:利用LSTM神经网络，以各个目标时间区对应的原始数据集中历史气象农灾数据动态变量为输入、各个目标时间区对应的原始数据集中历史气象农灾数据动态变量对应的动态气象及农业关联数据分组为输出构建模拟作物生长模型；

步骤S5:利用BP神经网络，以各个目标时间区对应的原始数据集中环境信息数据静态变量为输入、各个目标时间区对应的原始数据集中历史环境信息数据静态变量对应的静态变量气象及农业关联数据分组为输出构建多层感知机模型；