本發(fā)明涉及農(nóng)作物產(chǎn)量測(cè)算，尤其涉及一種基于融合網(wǎng)絡(luò)模型的作物產(chǎn)量反演方法及系統(tǒng)。

背景技術(shù)：

1、在農(nóng)作物管理領(lǐng)域，預(yù)估作物產(chǎn)量，可以調(diào)節(jié)資源投入，預(yù)測(cè)農(nóng)作物價(jià)格走勢(shì)，既是提前進(jìn)行價(jià)格制定、有效增加收益的方法，也是減少資源浪費(fèi)，提高農(nóng)產(chǎn)品質(zhì)量、耕地產(chǎn)能和農(nóng)業(yè)生產(chǎn)效率的有效途徑；同時(shí)，高精度的產(chǎn)量預(yù)估，能夠優(yōu)化農(nóng)作物的空間種植格局，加強(qiáng)對(duì)農(nóng)作物的生產(chǎn)管理，進(jìn)一步發(fā)揮土地生產(chǎn)潛力。

2、現(xiàn)階段，往往通過作物生長(zhǎng)模型，利用環(huán)境因素模擬作物生長(zhǎng)過程，揭示作物生長(zhǎng)發(fā)育的原因與本質(zhì)。但是，當(dāng)作物生長(zhǎng)模型從單點(diǎn)研究發(fā)展到區(qū)域尺度應(yīng)用時(shí)，由于空間尺度增大而出現(xiàn)的地表、近地表環(huán)境非均勻性問題，導(dǎo)致模型中一些宏觀資料的獲取和參數(shù)的區(qū)域化方面存在很多困難，模型模擬結(jié)果也會(huì)存在很大的不確定性。研究作物生長(zhǎng)模型與神經(jīng)網(wǎng)絡(luò)結(jié)合的模型適應(yīng)性，找到神經(jīng)網(wǎng)絡(luò)模擬作物生長(zhǎng)模型的方法，既能在機(jī)理上反映作物生長(zhǎng)發(fā)育過程，又可利用深度學(xué)習(xí)強(qiáng)大的遷移學(xué)習(xí)能力提高模型的泛化性，有利于實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)，提升應(yīng)用潛力。此外，現(xiàn)有的遙感技術(shù)進(jìn)行農(nóng)作物估產(chǎn)仍然存在一些問題，如高分辨率的遙感數(shù)據(jù)源不足，使用成本較高，純經(jīng)驗(yàn)性估產(chǎn)模型只適用于小范圍研究區(qū)，難以推廣到大面積估產(chǎn)。作為模型輸入源的數(shù)據(jù)，一般還會(huì)涉及氣象數(shù)據(jù)，氣象數(shù)據(jù)的空間分辨率往往較低，實(shí)際上，較大空間范圍內(nèi)的氣象環(huán)境也并不會(huì)有很大變化，然而每個(gè)農(nóng)田耕地地塊單位面積產(chǎn)量不盡相同，因此要做到更高空間分辨率的作物產(chǎn)量反演，需要引入地塊信息。遙感影像是可以提供地塊信息的理想數(shù)據(jù)，然而，現(xiàn)有的wofost（worldfoodstudies）作物生長(zhǎng)模型輸入數(shù)據(jù)是固定的，無法輸入遙感影像數(shù)據(jù)，該模型是由世界食品研究中心(cwfs)和荷蘭瓦赫寧根大學(xué)開發(fā)的一種作物生長(zhǎng)模型，模擬特定土壤和氣候條件下一年生作物生長(zhǎng)的動(dòng)態(tài)解釋性模型，模型著重強(qiáng)調(diào)定量土地評(píng)價(jià)、區(qū)域產(chǎn)量預(yù)報(bào)、風(fēng)險(xiǎn)分析和年際間產(chǎn)量變化及氣候變化影響的量化應(yīng)用。

3、因此，需要提出一種新的用于作物產(chǎn)量預(yù)估的模型，能有效解決上述存在的問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種基于融合網(wǎng)絡(luò)模型的作物產(chǎn)量反演方法及系統(tǒng)，用以解決現(xiàn)有技術(shù)中用于作物產(chǎn)量預(yù)估的作物生長(zhǎng)模型存在數(shù)據(jù)源適配范圍有限、模型泛化性不強(qiáng)以及結(jié)果精度不高的缺陷。

2、第一方面，本發(fā)明提供一種基于融合網(wǎng)絡(luò)模型的作物產(chǎn)量反演方法，包括：

3、獲取研究區(qū)域內(nèi)的氣象數(shù)據(jù)和遙感影像數(shù)據(jù)；

4、采用lstm和cnn構(gòu)建lstm-cnn耦合神經(jīng)網(wǎng)絡(luò)模型；

5、利用wofost作物生長(zhǎng)模型生成的模擬數(shù)據(jù)對(duì)所述lstm進(jìn)行預(yù)訓(xùn)練，凍結(jié)lstm層參數(shù)，采用所述氣象數(shù)據(jù)和所述遙感影像數(shù)據(jù)訓(xùn)練所述lstm-cnn耦合神經(jīng)網(wǎng)絡(luò)模型，得到作物產(chǎn)量反演模型；

6、將目標(biāo)區(qū)域的氣象數(shù)據(jù)和遙感影像數(shù)據(jù)輸入所述作物產(chǎn)量反演模型，得到所述目標(biāo)區(qū)域的作物產(chǎn)量反演結(jié)果。

7、根據(jù)本發(fā)明提供的一種基于融合網(wǎng)絡(luò)模型的作物產(chǎn)量反演方法，獲取研究區(qū)域內(nèi)的氣象數(shù)據(jù)和遙感影像數(shù)據(jù)，包括：

8、在所述研究區(qū)域內(nèi)確定多個(gè)目標(biāo)框；

9、采用視覺大模型sam在所述多個(gè)目標(biāo)框內(nèi)分割地塊，確定所述多個(gè)目標(biāo)框?qū)?yīng)的中心點(diǎn)坐標(biāo)；

10、基于所述中心點(diǎn)坐標(biāo)獲取氣候變化服務(wù)中心發(fā)布的所述氣象數(shù)據(jù)和所述遙感影像數(shù)據(jù)。根據(jù)本發(fā)明提供的一種基于融合網(wǎng)絡(luò)模型的作物產(chǎn)量反演方法，所述氣象數(shù)據(jù)包括太陽(yáng)輻照度、最高氣溫、最低氣溫、風(fēng)速、氣壓和降水量，由所述太陽(yáng)輻照度、所述最高氣溫、所述最低氣溫、所述風(fēng)速、所述氣壓和所述降水量構(gòu)成多維氣象數(shù)據(jù)矩陣；

11、所述遙感影像數(shù)據(jù)包括r通道影像數(shù)據(jù)、g通道影像數(shù)據(jù)和b通道影像數(shù)據(jù)，由所述r通道影像數(shù)據(jù)、所述g通道影像數(shù)據(jù)和所述b通道影像數(shù)據(jù)構(gòu)成多維遙感數(shù)據(jù)矩陣。

12、根據(jù)本發(fā)明提供的一種基于融合網(wǎng)絡(luò)模型的作物產(chǎn)量反演方法，采用lstm和cnn構(gòu)建lstm-cnn耦合神經(jīng)網(wǎng)絡(luò)模型，包括：

13、確定所述lstm包括依次連接的lstm輸入層、一維卷積層、批歸一化層和lstm輸出層；

14、確定所述cnn包括依次連接的cnn輸入層、cnn層和全連接層，所述cnn層包括兩個(gè)依次連接的堆疊層，每個(gè)堆疊層均為一個(gè)二維卷積層和一個(gè)最大池化層；

15、將所述氣象數(shù)據(jù)輸入所述lstm得到lstm輸出向量，將所述遙感影像數(shù)據(jù)輸入所述cnn得到cnn輸出向量；

16、合并所述lstm輸出向量和所述cnn輸出向量，得到融合特征向量；

17、將所述融合特征向量輸入整體的全連接層，得到耦合神經(jīng)網(wǎng)絡(luò)模型輸出結(jié)果。

18、根據(jù)本發(fā)明提供的一種基于融合網(wǎng)絡(luò)模型的作物產(chǎn)量反演方法，確定所述lstm包括依次連接的lstm輸入層、一維卷積層、批歸一化層和lstm輸出層，包括：

19、所述lstm輸入層將所述氣象數(shù)據(jù)按照多維氣象矩陣進(jìn)行展開輸入至所述一維卷積層；

20、所述一維卷積層從時(shí)間維度對(duì)所述氣象數(shù)據(jù)進(jìn)行信息抽取得到氣象抽取時(shí)間信息，所述卷積層包括相同的輸入通道數(shù)和輸出通道數(shù)；

21、所述批歸一化層對(duì)所述氣象抽取時(shí)間信息進(jìn)行歸一化處理，將歸一化處理結(jié)果輸出至所述lstm層；

22、所述lstm層將所述歸一化處理結(jié)果展平為所述lstm輸出向量，所述lstm層中的隱藏神經(jīng)元個(gè)數(shù)與所述卷積層的輸出通道數(shù)的維數(shù)相對(duì)應(yīng)。

23、根據(jù)本發(fā)明提供的一種基于融合網(wǎng)絡(luò)模型的作物產(chǎn)量反演方法，確定所述cnn包括依次連接的cnn輸入層、cnn層和全連接層，所述cnn層包括兩個(gè)依次連接的堆疊層，每個(gè)堆疊層均為一個(gè)二維卷積層和一個(gè)最大池化層，包括：

24、所述cnn輸入層對(duì)所述遙感影像數(shù)據(jù)重采樣至預(yù)設(shè)尺寸，并歸一化處理為張量；

25、將所述張量輸入至所述cnn層，所述cnn層中的第一個(gè)二維卷積層的輸出通道數(shù)等于第二個(gè)二維卷積層的輸入通道數(shù)，并具有相同的卷積核大小，每個(gè)堆疊層中的最大池化層具有相同的核數(shù)量；

26、將所述cnn層的輸出結(jié)果輸入至所述全連接層，得到所述cnn輸出向量。

27、根據(jù)本發(fā)明提供的一種基于融合網(wǎng)絡(luò)模型的作物產(chǎn)量反演方法，利用wofost作物生長(zhǎng)模型生成的模擬數(shù)據(jù)對(duì)所述lstm進(jìn)行預(yù)訓(xùn)練，凍結(jié)lstm層參數(shù)，采用所述氣象數(shù)據(jù)和所述遙感影像數(shù)據(jù)訓(xùn)練所述lstm-cnn耦合神經(jīng)網(wǎng)絡(luò)模型，得到作物產(chǎn)量反演模型，包括：

28、獲取所述模擬數(shù)據(jù)，將所述模擬數(shù)據(jù)載入所述lstm-cnn耦合神經(jīng)網(wǎng)絡(luò)模型的lstm；

29、凍結(jié)所述lstm中的lstm層參數(shù)，使所述lstm層參數(shù)在訓(xùn)練過程中停止更新；

30、基于預(yù)設(shè)訓(xùn)練周期、批大小尺寸、預(yù)設(shè)損失函數(shù)以及梯度優(yōu)化方法，利用所述氣象數(shù)據(jù)和所述遙感影像數(shù)據(jù)構(gòu)成的樣本數(shù)據(jù)，訓(xùn)練所述lstm-cnn耦合神經(jīng)網(wǎng)絡(luò)模型，直到模型滿足預(yù)設(shè)收斂條件，停止訓(xùn)練，保存當(dāng)前訓(xùn)練模型為所述作物產(chǎn)量反演模型。

31、第二方面，本發(fā)明還提供一種基于融合網(wǎng)絡(luò)模型的作物產(chǎn)量反演系統(tǒng)，包括：

32、獲取模塊，用于獲取研究區(qū)域內(nèi)的氣象數(shù)據(jù)和遙感影像數(shù)據(jù)；

33、構(gòu)建模塊，用于采用lstm和cnn構(gòu)建lstm-cnn耦合神經(jīng)網(wǎng)絡(luò)模型；

34、訓(xùn)練模塊，用于利用wofost作物生長(zhǎng)模型生成的模擬數(shù)據(jù)對(duì)所述lstm進(jìn)行預(yù)訓(xùn)練，凍結(jié)lstm層參數(shù)，采用所述氣象數(shù)據(jù)和所述遙感影像數(shù)據(jù)訓(xùn)練所述lstm-cnn耦合神經(jīng)網(wǎng)絡(luò)模型，得到作物產(chǎn)量反演模型；

35、反演模塊，用于將目標(biāo)區(qū)域的氣象數(shù)據(jù)和遙感影像數(shù)據(jù)輸入所述作物產(chǎn)量反演模型，得到所述目標(biāo)區(qū)域的作物產(chǎn)量反演結(jié)果。

36、第三方面，本發(fā)明還提供一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)如上述任一種所述基于融合網(wǎng)絡(luò)模型的作物產(chǎn)量反演方法。

37、第四方面，本發(fā)明還提供一種非暫態(tài)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，該計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上述任一種所述基于融合網(wǎng)絡(luò)模型的作物產(chǎn)量反演方法。

38、本發(fā)明提供的技術(shù)方案帶來的有益效果至少包括：

39、本發(fā)明提供的基于融合網(wǎng)絡(luò)模型的作物產(chǎn)量反演方法及系統(tǒng)，通過結(jié)合作物生長(zhǎng)模型和神經(jīng)網(wǎng)絡(luò)模型的優(yōu)勢(shì)，對(duì)氣象數(shù)據(jù)和遙感影像數(shù)據(jù)分別進(jìn)行信息抽取，將特征信息融合到單個(gè)特征向量中，既可以由氣象數(shù)據(jù)得到先驗(yàn)的產(chǎn)量反演信息，又可以引入地塊信息實(shí)現(xiàn)更高空間分辨率的作物產(chǎn)量反演。