CN117592619A - 一种基于gnn-lstm的县域冬小麦估产分析方法和*** - Google Patents
一种基于gnn-lstm的县域冬小麦估产分析方法和*** Download PDFInfo
- Publication number
- CN117592619A CN117592619A CN202311742195.2A CN202311742195A CN117592619A CN 117592619 A CN117592619 A CN 117592619A CN 202311742195 A CN202311742195 A CN 202311742195A CN 117592619 A CN117592619 A CN 117592619A
- Authority
- CN
- China
- Prior art keywords
- county
- lstm
- gnn
- winter wheat
- yield
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 241000209140 Triticum Species 0.000 title claims abstract description 62
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 62
- 238000004458 analytical method Methods 0.000 title claims abstract description 56
- 238000004519 manufacturing process Methods 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 55
- 239000011159 matrix material Substances 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 238000011160 research Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 32
- 238000001556 precipitation Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000002310 reflectometry Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 11
- 238000009826 distribution Methods 0.000 abstract description 7
- 230000012010 growth Effects 0.000 description 8
- 230000002123 temporal effect Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 240000008042 Zea mays Species 0.000 description 3
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 3
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 3
- 235000005822 corn Nutrition 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003306 harvesting Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 241000237970 Conus <genus> Species 0.000 description 2
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 2
- 244000068988 Glycine max Species 0.000 description 2
- 235000010469 Glycine max Nutrition 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000009331 sowing Methods 0.000 description 2
- 230000003698 anagen phase Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Image Processing (AREA)
Abstract
本发明提出一种基于GNN‑LSTM的县域冬小麦估产分析方法和***。其中,方法包括:在研究区内计各个县的冬小麦单产数据,然后将其制作带有标签的量产文件,并转化为县域邻接矩阵文件;获取遥感影像和气象数据;在所述遥感影像和气象数据中选择估产分析模型的输入特征;应用所述输入特征、带有标签的量产文件和县域邻接矩阵文件制作训练集和测试集;应用训练集对估产分析模型进行训练和模型调参;应用测试集对训练好的估产分析模型预测县域的冬小麦产量,并对估产分析模型的训练结果进行评价。本发明提出的方案能够看到,预测和真实产量值的空间分布趋势也大致相同,高值和低值的空间展布是温和的,在空间上的预测效果也很好。
Description
技术领域
本发明属于农作物估产领域,尤其涉及一种基于GNN-LSTM的县域冬小麦估产分析方法和***。
背景技术
气候变化的影响越来越明显,除了增加极端事件的概率,也逐渐影响主要作物的产量。作为三大主要粮食之一,在收获前估计冬小麦产量以便提前进行调度对维持农业市场的稳定具有实际意义,可以使作物保险相关利益者提前预估损失和赔偿款项,也有利于农业利益相关者可以在种植前就了解潜在产量,从而帮助其在处理机械租赁、合同签订、价格谈判和物流规划等农场和政府活动时进行决策。因此,对小麦产量提前估算以便为农业管理决策预留更多的时间具有重要意义。
在传统的农作物估产方法中,需要依赖大量的实地调查数据和与作物生长有关的变量来模拟作物的生长过程,以便于建立作物估产模型,比较耗费人力物力。随着遥感技术的发展,越来越多的遥感数据被应用到农作物的估产中。一般来说,作物生长是一个动态的、长期的过程,不同的生长阶段对最终产量的影响是不同的。在此过程中,对复杂的时间相关性进行联合建模是困难的。农作物产量预测通常选择使用多时相图像来表现出时间相关,代表性的技术包括支持向量回归(SVR)和随机森林(RF)等。但是,简单的机器学习方法不能捕捉复杂的时间关系,越来越多的深度学习方法被应用到产量预测任务中,如LSTM等。此外,在很多研究中会使用从原始光谱中计算的植被指数,这需要手工制作并且计算筛选,不适合大规模的产量预测。为了解决这个问题,有许多用深度学习方法提取原始波段特征的方法被应用到特征提取中,如使用CNN筛选产量最相关波段。
此外,由于土壤特征和天气条件具有相似性,不同预测单元之间存在地理空间相关性。因此,在作物产量预测中,探索多时相遥感数据的时空关系是一个非常具有挑战性的问题。除了与时间序列相关的模型,遥感图像的输入也包含有空间关系,每个县域之间并非独立同分布。例如,如果一个县的收成很好,那么邻近的县也很可能有很高的产量,这违反了独立假设。虽然已经提出了一些统计方法将空间相关性纳入作物产量预测模型,但这些方法中的线性假设会导致结果出现错误,比如地理加权回归、多元条件自回归。
现有技术
在一项A GNN-RNN Approach for Harnessing Geospatial and TemporalInformation:Application to Crop Yield Prediction研究中,使用了气象数据特征(天气、地表和土壤),在美国大陆41个州的2000多个县进行了验证和测试,并提出一种新的基于图的框架GNN-RNN,它将地理空间和时间知识集成到推理中,对美国的玉米和大豆进行产量估算,其模型优于现有模型。
在一项KSTAGE:A knowledge-guided spatial-temporal attention graphlearning network for crop yield prediction研究中,其使用遥感和气象数据,提出了一种新的知识引导时态多头注意算法(knowledge-guided Temporal Multi-headAttention Algorithm,KTMA),在先验知识的引导下,利用自注意机制自动生成时态注意权值,利用地理空间知识聚合空间邻域特征的位置感知空间注意图网络,用于最终产量预测,在中国和美国相邻地区(CONUS)县级产量预测任务上的实验结果表明,KSTAGE对比以往模型取得了明显的改进。
现有技术缺陷
在A GNN-RNN Approach for Harnessing Geospatial and TemporalInformation:Application to Crop Yield Predictio研究中,只使用了气象特征,没有考虑可以大面积监测农作物生长状况的遥感数据,遥感数据的使用可能会为大尺度区域的产量估算提供新的思路。
在KSTAGE:A knowledge-guided spatial-temporal attention graph learningnetwork for crop yield prediction研究中,使用Modis数据对中国冬小麦、玉米和CONUS大豆进行了产量预测,但是只使用了遥感数据,而且在做单种作物面积掩膜时,MCD12Q1产品不能准确区分冬小麦和玉米类型,这可能会带来误差。
发明内容
为解决上述技术问题,本发明提出一种基于GNN-LSTM的县域冬小麦估产分析方法的技术方案,以解决上述技术问题。
本发明第一方面公开了一种基于GNN-LSTM的县域冬小麦估产分析方法,其中,GNN-LSTM表示图神经网络和长短期记忆网络融合,具体地,GNN表示图神经网络,LSTM表示长短期记忆网络;所述方法包括:
步骤S1、在研究区内计各个县的冬小麦单产数据,然后将其制作带有标签的量产shp文件,并转化为县域邻接矩阵matrix文件;
步骤S2、获取Sentinel-2没有经过大气校正处理的原始反射率数据,即Sentinel-2遥感影像和包括降水、气温和气压的气象数据;其中,Sentinel-2为哨兵2号卫星;
步骤S3、在所述Sentinel-2遥感影像和气象数据中选择基于GNN和LSTM的估产分析模型的输入特征;
步骤S4、应用所述输入特征、带有标签的量产shp文件和县域邻接矩阵matrix文件制作训练集和测试集;
步骤S5、应用训练集对所述基于GNN和LSTM的估产分析模型进行训练和模型调参;
步骤S6、应用测试集对训练好的估产分析模型预测县域的冬小麦产量,并对估产分析模型的训练结果进行评价。
根据本发明第一方面的方法,在所述步骤S3中,在所述Sentinel-2遥感影像中选择的输入特征包括:
两个红边波段、近红外和短波红外共4个波段,具体为:
红边波段3Red-edge 3:中心波长为783nm,波宽为20nm,空间分辨率为20m;
红边波段4Red-edge 4:中心波长为865nm,波宽为20nm,空间分辨率为20m;
近红外NIR:中心波长为842nm,波宽为115nm,空间分辨率为10m;
短波红外SWIR2:中心波长为2190nm,波宽为180nm,空间分辨率为20m。
根据本发明第一方面的方法,在所述步骤S3中,在所述气象数据中选择的输入特征包括:
距地面2m高度的空气温度的平均温度、最低温度和最高温度,降水总量和地表气压。
根据本发明第一方面的方法,在所述步骤S4中,所述应用所述输入特征、带有标签的量产shp文件和县域邻接矩阵matrix文件制作训练集和测试集的方法包括:
将所述Sentinel-2遥感影像和气象数据构造为按每个时间步为5天和包含50个时间步的时间序列;
在所述时间序列中选择输入特征,并通过对选择的输入特征进行裁剪,使每个矢量单元均能得到与其对应的50个时间步的9个特征均值;
应用所述50个时间步的9个特征均值、带有标签的量产shp文件和县域邻接矩阵matrix文件制作训练集和测试集。
根据本发明第一方面的方法,在所述步骤S5中,所述基于GNN和LSTM的估产分析模型包括:
将Sentinel-2遥感影像的输入特征和气象数据的输入特征分别输入各自的LSTM网络,再将最后一个时间步的结果concat之后,通过一层全连接层和产量连接,得到时间序列特征;
将所述时间序列特征输入GraghSAGE层进一步提取邻域空间信息。
根据本发明第一方面的方法,在所述步骤S5中,Sentinel-2遥感影像的输入特征的LSTM网络和气象数据的输入特征的LSTM网络的模型结构相同,均为两层LSTM网络层,具体为第一层128个神经元,第二层为256个神经元,之后通过一个全连接层,一个relu激活函数,最后通过一个全连接层和产量进行连接。
根据本发明第一方面的方法,在所述步骤S5中,所述GraghSAGE层为两层GraghSAGE网络,每层GraghSAGE网络均采用“mean”聚合方式,设置dropout值为0.1。
本发明第二方面公开了一种基于GNN-LSTM的县域冬小麦估产分析***,所述***包括:
第一处理模块,被配置为,在研究区内计各个县的冬小麦单产数据,然后将其制作带有标签的量产shp文件,并转化为县域邻接矩阵matrix文件;
第二处理模块,被配置为,获取Sentinel-2没有经过大气校正处理的原始反射率数据,即Sentinel-2遥感影像和包括降水、气温和气压的气象数据;
第三处理模块,被配置为,在所述Sentinel-2遥感影像和气象数据中选择基于GNN和LSTM的估产分析模型的输入特征;
第四处理模块,被配置为,应用所述输入特征、带有标签的量产shp文件和县域邻接矩阵matrix文件制作训练集和测试集;
第五处理模块,被配置为,应用训练集对所述基于GNN和LSTM的估产分析模型进行训练和模型调参;
第六处理模块,被配置为,应用测试集对训练好的估产分析模型预测县域的冬小麦产量,并对估产分析模型的训练结果进行评价。
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时,实现本公开第一方面中任一项的一种基于GNN-LSTM的县域冬小麦估产分析方法中的步骤。
本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时,实现本公开第一方面中任一项的一种基于GNN-LSTM的县域冬小麦估产分析方法中的步骤。
综上,本发明提出的方案能够看到预测和真实产量值的空间分布趋势也大致相同,高值和低值的空间展布是温和的,在空间上的预测效果也很好。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的一种基于GNN-LSTM的县域冬小麦估产分析方法的流程图;
图2为根据本发明实施例的基于GNN和LSTM的估产分析模型的结构图;
图3为根据本发明实施例的LSTM和GNN-LSTM真实值和预测值散点图;
图4为根据本发明实施例的GNN-LSTM真实产量值和预测产量值分布图;
图5为根据本发明实施例的一种基于GNN-LSTM的县域冬小麦估产分析***的结构图;
图6为根据本发明实施例的一种电子设备的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例只是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明第一方面公开了一种基于GNN-LSTM的县域冬小麦估产分析方法。图1为根据本发明实施例的一种基于GNN-LSTM的县域冬小麦估产分析方法的流程图,如图1所示,所述方法包括:
步骤S1、在研究区内计各个县的冬小麦单产数据,然后将其制作带有标签的量产shp文件,并转化为县域邻接矩阵matrix文件;
步骤S2、获取Sentinel-2没有经过大气校正处理的原始反射率数据,即Sentinel-2遥感影像和包括降水、气温和气压的气象数据;其中,Sentinel-2为哨兵2号卫星;
步骤S3、在所述Sentinel-2遥感影像和气象数据中选择基于GNN和LSTM的估产分析模型的输入特征;
步骤S4、应用所述输入特征、带有标签的量产shp文件和县域邻接矩阵matrix文件制作训练集和测试集;
步骤S5、应用训练集对所述基于GNN和LSTM的估产分析模型进行训练和模型调参;
步骤S6、应用测试集对训练好的估产分析模型预测县域的冬小麦产量,并对估产分析模型的训练结果进行评价。
在步骤S1,在研究区内计各个县的冬小麦单产数据,然后将其制作带有标签的量产shp文件,并转化为县域邻接矩阵matrix文件。
具体地,研究区选择了主要种植冬小麦的八个省份,分别为河南、河北、山东、安徽、湖北、山西、陕西、江苏省,在市级的***官网统计各个县的冬小麦单产数据,统计了2016-2020年四年的数据,每一年的产量标签挂接到arcgis中的对应年份县.shp中,为下一步提取对应特征做准备。
此外,可以在arcgis中使用spatial joins工具,连接方式选择one_to_many,运行后打开属性表可以得到图的稀疏邻接矩阵,在大部分图神经网络中适用稀疏邻接矩阵,但在模型中需要进一步转换,可以用python中networks的to_numpy_matrix()函数转换为邻接矩阵,为GNN网络训练做准备。
在步骤S2,获取Sentinel-2没有经过大气校正处理的原始反射率数据,即Sentinel-2遥感影像和包括降水、气温和气压的气象数据。
具体地,Sentinel-2遥感影像和气象数据均在Google earth engine(GEE)上获得,使用的是Sentinel-2的1C级数据,通过ee.ImageCollection('COPERNICUS/S2')命令调用,在这里使用的是Sentinel-2没有经过大气校正处理的原始反射率数据。气象数据使用的是ERA5,使用了GEE平台上的ERA5逐月/逐日气象数据,共使用了mean_2m_air_temperature、max_2m_air_temperature、min_2m_air_temperature、surface_pressure、total_precipitation五个特征,包括降水、气温和气压。共使用了2016-2020四年日期在小麦播种第一年10月至第二年6月收获时生长区间内的特征数据。
在步骤S3,在所述Sentinel-2遥感影像和气象数据中选择基于GNN和LSTM的估产分析模型的输入特征。
在一些实施例中,在所述步骤S3中,在所述Sentinel-2遥感影像中选择的输入特征包括:
两个红边波段、近红外和短波红外共4个波段,具体为:
红边波段3Red-edge 3:中心波长为783nm,波宽为20nm,空间分辨率为20m;
红边波段4Red-edge 4:中心波长为865nm,波宽为20nm,空间分辨率为20m;
近红外NIR:中心波长为842nm,波宽为115nm,空间分辨率为10m;
短波红外SWIR2:中心波长为2190nm,波宽为180nm,空间分辨率为20m。
在所述气象数据中选择的输入特征包括:
距地面2m高度的空气温度的平均温度、最低温度和最高温度,降水总量和地表气压。
具体地,直接使用哨兵数据的波段作为产量反演的特征,在这里对波段先进行了筛选,将小区域上(小汤山精准农业基地)的实测产量数据和高光谱影像搭建深度学习模型筛选波段的结果作为先验知识。用了六个时相的高光谱影像做实验,得到在每个时相的波段重要性都排在前面的四个共同波段,以此为指导,对于Sentinel-2数据,选择包含高光谱这四个窄波段的宽波段作为波段特征,分别为B7(RED EDGE3)、B8(NIR)、B8A(RED EDGE4)、B12(SWIR)。在本次研究专利中,选择了2个红边波段、近红外、短波红外共4个波段作为特征如表1所示。
表1Sentinel-2所用波段简介
选择了五个气象特征,分别是距地面2m高度的空气温度(包括平均、最低和最高温)、降水总量和地表气压,如表2所示。温度、降水对作物生长和干物质积累息息相关,地表气压可以间接反映一些干旱、洪涝的气象灾害。
表2气象数据简介
一共选取9个遥感和气象特征,通过.reduceRegion操作利用县域产量的矢量范围边界对计算出的栅格图像进行裁剪,进行特征提取。需要注意的是,在这里使用了中国科学院彭代亮团队提取的冬小麦面积产品对特征进行掩膜,得到都是冬小麦像元的栅格区域后,取每个县域的像元均值作为该县域特征。
在步骤S4,应用所述输入特征、带有标签的量产shp文件和县域邻接矩阵matrix文件制作训练集和测试集。
在一些实施例中,在所述步骤S4中,所述应用所述输入特征、带有标签的量产shp文件和县域邻接矩阵matrix文件制作训练集和测试集的方法包括:
将所述Sentinel-2遥感影像和气象数据构造为按每个时间步为5天和包含50个时间步的时间序列;
在所述时间序列中选择输入特征,并通过对选择的输入特征进行裁剪,使每个矢量单元均能得到与其对应的50个时间步的9个特征均值;
应用所述50个时间步的9个特征均值、带有标签的量产shp文件和县域邻接矩阵matrix文件制作训练集和测试集。
具体地,冬小麦从10月份开始播种,到次年的6月份收获,共250天,构造了一个T=5天的时间序列,通过.filterDate设置起始时间对需要月份的影像进行计算。对于每一个种植冬小麦的县来说,每个时间步内都会计算出该时间范围内几幅影像的均值,最终得到一个按每个时间步为5天、包含50个时间步的时间序列,在GEE中通过select功能选择事先筛选过的波段或者气象特征,通过.reduceRegion操作,使用县域矢量文件(已经挂接好对应产量值),对特征进行裁剪,按照这样操作,每个矢量单元均能得到与其对应的50个时间步的9个特征均值。
在制作shp文件时有县的编号和产量等标识信息,再计算特征通过.set放入属性表后,能直接通过Export.table.toDrive操作将每个县计算得到的特征值(有县域的产量和编号配对)csv表下载下来,产量是训练时对应的标签label,在GEE上计算和下载的遥感和气象数据是模型训练的特征,为下一步划分训练集和测试集做准备。
在步骤S5,应用训练集对所述基于GNN和LSTM的估产分析模型进行训练和模型调参。
在一些实施例中,在所述步骤S5中,所述基于GNN和LSTM的估产分析模型包括:
如图2所示,将Sentinel-2遥感影像的输入特征和气象数据的输入特征分别输入各自的LSTM网络,再将最后一个时间步的结果concat之后,通过一层全连接层和产量连接,得到时间序列特征;
将所述时间序列特征输入GraghSAGE层进一步提取邻域空间信息。
Sentinel-2遥感影像的输入特征的LSTM网络和气象数据的输入特征的LSTM网络的模型结构相同,均为两层LSTM网络层,具体为第一层128个神经元,第二层为256个神经元,之后通过一个全连接层,一个relu激活函数,最后通过一个全连接层和产量进行连接。
所述GraghSAGE层为两层GraghSAGE网络,每层GraghSAGE网络均采用“mean”聚合方式,设置dropout值为0.1。
具体地,GraghSAGE是图神经网络中一个重要的框架,它利用节点特征信息,并通过从节点的本地邻域聚合来学习节点嵌入。GraphSAGE适合农作物产量预测,因为大多数县只与少数县接壤,是邻接矩阵稀疏。
模型训练:将包含特征和标签的表格数据以及整理好的邻接矩阵输入网络,用2016、2017和2018年的数据做训练,2019年的数据做测试,得到train_data、train_label、val_data和val_label,分别用于模型的训练和验证。
模型调参:实验中有三个与模型训练好坏最相关的参数,分别为学习率LearningRate、时期Epoch和批大小Batch Size,使用了网格搜索法去找出最佳参数,最终发现选择学习率LR=0.0001、时期Epoch=200以及Batch Size=128的参数组合时能够使得训练结果最好。
在步骤S6,应用测试集对训练好的估产分析模型预测县域的冬小麦产量,并对估产分析模型的训练结果进行评价。
具体地,为对实验结果有比较全面的评价,使用了相关系数(Correlationcoefficient,Corr)、均方根误差(Root Mean Squard Error,RMSE)、决定系数(Coefficient of Determination,R2)三个指标。最优的模型具有最大的R2、Corr和最小的RMSE。将模型预测的结果作为测试值,对应的真实产量为真值,调用python中sklearn.metrics包的r2_score、mean_squared_error和numpy的corrcoef进行计算,可以得到模型预测的三种精度评价,具体介绍如下所示。
均方根误差RMSE,表示预测值和观测值之间差异(称为残差)的样本标准差,均方根误差是为了说明样本的离散程度,是非线性拟合。RMSE越小,误差越小,所得的模型精度越高。其具体计算公式如下:
yi表示产量的真实值,h(xi)表示模型预测出的产量值,X表示输入的模型的特征,h表示估产分析模型,m为样本数量。
决定系数R2又称拟合优度,是相关系数的平方。它表示可根据自变量的变异来解释因变量的变异部分,决定系数的大小决定了相关的密切程度。拟合优度越大,自变量对因变量的解释程度越高,自变量引起的变动占总变动的百分比高。决定系数值的范围一般在0到1之间,一般用来评价模型拟合回归效果,决定系数的值越接近1,拟合回归效果越好。其具体计算公式如下:
表示真实产量的平均值。
相关系数Corr又称关联系数,皮尔逊相关系数(Corr)衡量真实值和预测值之间线性相关的强度,取值在-1到1之间,本质上是对两组数据之间协方差的标准化度量。
为表示模型预测出的产量值的均值。
实施例
做了两组实验区域,对比加和不加GNN层的效果,发现加上GNN层后能够聚合周围县域的特征,使用我们的三个精度指标都显示,如表3所示,加入GNN后精度都有提高,R2和Corr均有提高,RMSE有所降低。比较图3,可以看到,加入GNN的模型散点拟合直线更接近1:1线,说明散点拟合结果更好,加入GNN后模型预测的产量和真实值差异更小。比较图4,可以看到,预测和真实产量值的空间分布趋势也大致相同,高值和低值的空间展布是温和的,在空间上的预测效果也很好。
表3两种模型精度结果对比
本发明第二方面公开了一种基于GNN-LSTM的县域冬小麦估产分析***。图5为根据本发明实施例的一种基于GNN-LSTM的县域冬小麦估产分析***的结构图;如图5所示,所述***100包括:
第一处理模块101,被配置为,在研究区内计各个县的冬小麦单产数据,然后将其制作带有标签的量产shp文件,并转化为县域邻接矩阵matrix文件;
第二处理模块102,被配置为,获取Sentinel-2没有经过大气校正处理的原始反射率数据,即Sentinel-2遥感影像和包括降水、气温和气压的气象数据;
第三处理模块103,被配置为,在所述Sentinel-2遥感影像和气象数据中选择基于GNN和LSTM的估产分析模型的输入特征;
第四处理模块104,被配置为,应用所述输入特征、带有标签的量产shp文件和县域邻接矩阵matrix文件制作训练集和测试集;
第五处理模块105,被配置为,应用训练集对所述基于GNN和LSTM的估产分析模型进行训练和模型调参;
第六处理模块106,被配置为,应用测试集对训练好的估产分析模型预测县域的冬小麦产量,并对估产分析模型的训练结果进行评价。
根据本发明第二方面的***,所述第一处理模块101具体被配置为,研究区选择了主要种植冬小麦的八个省份,分别为河南、河北、山东、安徽、湖北、山西、陕西、江苏省,在市级的***官网统计各个县的冬小麦单产数据,统计了2016-2020年四年的数据,每一年的产量标签挂接到arcgis中的对应年份县.shp中,为下一步提取对应特征做准备。
此外,可以在arcgis中使用spatial joins工具,连接方式选择one_to_many,运行后打开属性表可以得到图的稀疏邻接矩阵,在大部分图神经网络中适用稀疏邻接矩阵,但在模型中需要进一步转换,可以用python中networks的to_numpy_matrix()函数转换为邻接矩阵,为GNN网络训练做准备。
根据本发明第二方面的***,所述第二处理模块102具体被配置为,Sentinel-2遥感影像和气象数据均在Google earth engine(GEE)上获得,使用的是Sentinel-2的1C级数据,通过ee.ImageCollection('COPERNICUS/S2')命令调用,在这里使用的是Sentinel-2没有经过大气校正处理的原始反射率数据。气象数据使用的是ERA5,使用了GEE平台上的ERA5逐月/逐日气象数据,共使用了mean_2m_air_temperature、max_2m_air_temperature、min_2m_air_temperature、surface_pressure、total_precipitation五个特征,包括降水、气温和气压。共使用了2016-2020四年日期在小麦播种第一年10月至第二年6月收获时生长区间内的特征数据。
根据本发明第二方面的***,所述第三处理模块103具体被配置为,在所述Sentinel-2遥感影像中选择的输入特征包括:
两个红边波段、近红外和短波红外共4个波段,具体为:
红边波段3Red-edge 3:中心波长为783nm,波宽为20nm,空间分辨率为20m;
红边波段4Red-edge 4:中心波长为865nm,波宽为20nm,空间分辨率为20m;
近红外NIR:中心波长为842nm,波宽为115nm,空间分辨率为10m;
短波红外SWIR2:中心波长为2190nm,波宽为180nm,空间分辨率为20m。
在所述气象数据中选择的输入特征包括:
距地面2m高度的空气温度的平均温度、最低温度和最高温度,降水总量和地表气压。
具体地,直接使用哨兵数据的波段作为产量反演的特征,在这里对波段先进行了筛选,将小区域上(小汤山精准农业基地)的实测产量数据和高光谱影像搭建深度学习模型筛选波段的结果作为先验知识。用了六个时相的高光谱影像做实验,得到在每个时相的波段重要性都排在前面的四个共同波段,以此为指导,对于Sentinel-2数据,选择包含高光谱这四个窄波段的宽波段作为波段特征,分别为B7(RED EDGE3)、B8(NIR)、B8A(RED EDGE4)、B12(SWIR)。在本次研究专利中,选择了2个红边波段、近红外、短波红外共4个波段作为特征如表1所示。
表1Sentinel-2所用波段简介
选择了五个气象特征,分别是距地面2m高度的空气温度(包括平均、最低和最高温)、降水总量和地表气压,如表2所示。温度、降水对作物生长和干物质积累息息相关,地表气压可以间接反映一些干旱、洪涝的气象灾害。
表2气象数据简介
一共选取9个遥感和气象特征,通过.reduceRegion操作利用县域产量的矢量范围边界对计算出的栅格图像进行裁剪,进行特征提取。需要注意的是,在这里使用了中国科学院彭代亮团队提取的冬小麦面积产品对特征进行掩膜,得到都是冬小麦像元的栅格区域后,取每个县域的像元均值作为该县域特征。
根据本发明第二方面的***,所述第四处理模块104具体被配置为,所述应用所述输入特征、带有标签的量产shp文件和县域邻接矩阵matrix文件制作训练集和测试集的方法包括:
将所述Sentinel-2遥感影像和气象数据构造为按每个时间步为5天和包含50个时间步的时间序列;
在所述时间序列中选择输入特征,并通过对选择的输入特征进行裁剪,使每个矢量单元均能得到与其对应的50个时间步的9个特征均值;
应用所述50个时间步的9个特征均值、带有标签的量产shp文件和县域邻接矩阵matrix文件制作训练集和测试集。
具体地,冬小麦从10月份开始播种,到次年的6月份收获,共250天,构造了一个T=5天的时间序列,通过.filterDate设置起始时间对需要月份的影像进行计算。对于每一个种植冬小麦的县来说,每个时间步内都会计算出该时间范围内几幅影像的均值,最终得到一个按每个时间步为5天、包含50个时间步的时间序列,在GEE中通过select功能选择事先筛选过的波段或者气象特征,通过.reduceRegion操作,使用县域矢量文件(已经挂接好对应产量值),对特征进行裁剪,按照这样操作,每个矢量单元均能得到与其对应的50个时间步的9个特征均值。
在制作shp文件时有县的编号和产量等标识信息,再计算特征通过.set放入属性表后,能直接通过Export.table.toDrive操作将每个县计算得到的特征值(有县域的产量和编号配对)csv表下载下来,产量是训练时对应的标签label,在GEE上计算和下载的遥感和气象数据是模型训练的特征,为下一步划分训练集和测试集做准备。
根据本发明第二方面的***,所述第五处理模块105具体被配置为,所述基于GNN和LSTM的估产分析模型包括:
如图2所示,将Sentinel-2遥感影像的输入特征和气象数据的输入特征分别输入各自的LSTM网络,再将最后一个时间步的结果concat之后,通过一层全连接层和产量连接,得到时间序列特征;
将所述时间序列特征输入GraghSAGE层进一步提取邻域空间信息。
Sentinel-2遥感影像的输入特征的LSTM网络和气象数据的输入特征的LSTM网络的模型结构相同,均为两层LSTM网络层,具体为第一层128个神经元,第二层为256个神经元,之后通过一个全连接层,一个relu激活函数,最后通过一个全连接层和产量进行连接。
所述GraghSAGE层为两层GraghSAGE网络,每层GraghSAGE网络均采用“mean”聚合方式,设置dropout值为0.1。
具体地,GraghSAGE是图神经网络中一个重要的框架,它利用节点特征信息,并通过从节点的本地邻域聚合来学习节点嵌入。GraphSAGE适合农作物产量预测,因为大多数县只与少数县接壤,是邻接矩阵稀疏。
模型训练:将包含特征和标签的表格数据以及整理好的邻接矩阵输入网络,用2016、2017和2018年的数据做训练,2019年的数据做测试,得到train_data、train_label、val_data和val_label,分别用于模型的训练和验证。
模型调参:实验中有三个与模型训练好坏最相关的参数,分别为学习率LearningRate、时期Epoch和批大小Batch Size,使用了网格搜索法去找出最佳参数,最终发现选择学习率LR=0.0001、时期Epoch=200以及Batch Size=128的参数组合时能够使得训练结果最好。
根据本发明第二方面的***,所述第六处理模块106具体被配置为,为对实验结果有比较全面的评价,使用了相关系数(Correlation coefficient,Corr)、均方根误差(RootMean Squard Error,RMSE)、决定系数(Coefficient of Determination,R2)三个指标。最优的模型具有最大的R2、Corr和最小的RMSE。将模型预测的结果作为测试值,对应的真实产量为真值,调用python中sklearn.metrics包的r2_score、mean_squared_error和numpy的corrcoef进行计算,可以得到模型预测的三种精度评价,具体介绍如下所示。
均方根误差RMSE,表示预测值和观测值之间差异(称为残差)的样本标准差,均方根误差是为了说明样本的离散程度,是非线性拟合。RMSE越小,误差越小,所得的模型精度越高。其具体计算公式如下:
yi表示产量的真实值,h(xi)表示模型预测出的产量值,X表示输入的模型的特征,h表示估产分析模型,m为样本数量。
决定系数R2又称拟合优度,是相关系数的平方。它表示可根据自变量的变异来解释因变量的变异部分,决定系数的大小决定了相关的密切程度。拟合优度越大,自变量对因变量的解释程度越高,自变量引起的变动占总变动的百分比高。决定系数值的范围一般在0到1之间,一般用来评价模型拟合回归效果,决定系数的值越接近1,拟合回归效果越好。其具体计算公式如下:
表示真实产量的平均值。
相关系数Corr又称关联系数,皮尔逊相关系数(Corr)衡量真实值和预测值之间线性相关的强度,取值在-1到1之间,本质上是对两组数据之间协方差的标准化度量。
为表示模型预测出的产量值的均值。
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时,实现本发明公开第一方面中任一项的一种基于GNN-LSTM的县域冬小麦估产分析方法中的步骤。
图6为根据本发明实施例的一种电子设备的结构图,如图6所示,电子设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、近场通信(NFC)或其他技术实现。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该电子设备的输入装置可以是显示屏上覆盖的触摸层,也可以是电子设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本公开的技术方案相关的部分的结构图,并不构成对本申请方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时,实现本发明公开第一方面中任一项的一种基于GNN-LSTM的县域冬小麦估产分析方法中的步骤。
请注意,以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于GNN-LSTM的县域冬小麦估产分析方法,其特征在于,所述方法包括:
步骤S1、在研究区内计各个县的冬小麦单产数据,然后将其制作带有标签的量产shp文件,并转化为县域邻接矩阵matrix文件;
步骤S2、获取Sentinel-2没有经过大气校正处理的原始反射率数据,即Sentinel-2遥感影像和包括降水、气温和气压的气象数据;
步骤S3、在所述Sentinel-2遥感影像和气象数据中选择基于GNN和LSTM的估产分析模型的输入特征;
步骤S4、应用所述输入特征、带有标签的量产shp文件和县域邻接矩阵matrix文件制作训练集和测试集;
步骤S5、应用训练集对所述基于GNN和LSTM的估产分析模型进行训练和模型调参;
步骤S6、应用测试集对训练好的估产分析模型预测县域的冬小麦产量,并对估产分析模型的训练结果进行评价。
2.根据权利要求1所述的一种基于GNN-LSTM的县域冬小麦估产分析方法,其特征在于,在所述步骤S3中,在所述Sentinel-2遥感影像中选择的输入特征包括:
两个红边波段、近红外和短波红外共4个波段,具体为:
红边波段3Red-edge 3:中心波长为783nm,波宽为20nm,空间分辨率为20m;
红边波段4Red-edge 4:中心波长为865nm,波宽为20nm,空间分辨率为20m;
近红外NIR:中心波长为842nm,波宽为115nm,空间分辨率为10m;
短波红外SWIR2:中心波长为2190nm,波宽为180nm,空间分辨率为20m。
3.根据权利要求2所述的一种基于GNN-LSTM的县域冬小麦估产分析方法,其特征在于,在所述步骤S3中,在所述气象数据中选择的输入特征包括:
距地面2m高度的空气温度的平均温度、最低温度和最高温度,降水总量和地表气压。
4.根据权利要求3所述的一种基于GNN-LSTM的县域冬小麦估产分析方法,其特征在于,在所述步骤S4中,所述应用所述输入特征、带有标签的量产shp文件和县域邻接矩阵matrix文件制作训练集和测试集的方法包括:
将所述Sentinel-2遥感影像和气象数据构造为按每个时间步为5天和包含50个时间步的时间序列;
在所述时间序列中选择输入特征,并通过对选择的输入特征进行裁剪,使每个矢量单元均能得到与其对应的50个时间步的9个特征均值;
应用所述50个时间步的9个特征均值、带有标签的量产shp文件和县域邻接矩阵matrix文件制作训练集和测试集。
5.根据权利要求3所述的一种基于GNN-LSTM的县域冬小麦估产分析方法,其特征在于,在所述步骤S5中,所述基于GNN和LSTM的估产分析模型包括:
将Sentinel-2遥感影像的输入特征和气象数据的输入特征分别输入各自的LSTM网络,再将最后一个时间步的结果concat之后,通过一层全连接层和产量连接,得到时间序列特征;
将所述时间序列特征输入GraghSAGE层进一步提取邻域空间信息。
6.根据权利要求5所述的一种基于GNN-LSTM的县域冬小麦估产分析方法,其特征在于,在所述步骤S5中,Sentinel-2遥感影像的输入特征的LSTM网络和气象数据的输入特征的LSTM网络的模型结构相同,均为两层LSTM网络层,具体为第一层128个神经元,第二层为256个神经元,之后通过一个全连接层,一个relu激活函数,最后通过一个全连接层和产量进行连接。
7.根据权利要求5所述的一种基于GNN-LSTM的县域冬小麦估产分析方法,其特征在于,在所述步骤S5中,所述GraghSAGE层为两层GraghSAGE网络,每层GraghSAGE网络均采用“mean”聚合方式,设置dropout值为0.1。
8.一种用于基于GNN-LSTM的县域冬小麦估产分析***,其特征在于,所述***包括:
第一处理模块,被配置为,在研究区内计各个县的冬小麦单产数据,然后将其制作带有标签的量产shp文件,并转化为县域邻接矩阵matrix文件;
第二处理模块,被配置为,获取Sentinel-2没有经过大气校正处理的原始反射率数据,即Sentinel-2遥感影像和包括降水、气温和气压的气象数据;
第三处理模块,被配置为,在所述Sentinel-2遥感影像和气象数据中选择基于GNN和LSTM的估产分析模型的输入特征;
第四处理模块,被配置为,应用所述输入特征、带有标签的量产shp文件和县域邻接矩阵matrix文件制作训练集和测试集;
第五处理模块,被配置为,应用训练集对所述基于GNN和LSTM的估产分析模型进行训练和模型调参;
第六处理模块,被配置为,应用测试集对训练好的估产分析模型预测县域的冬小麦产量,并对估产分析模型的训练结果进行评价。
9.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时,实现权利要求1至7中任一项所述的一种基于GNN-LSTM的县域冬小麦估产分析方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现权利要求1至7中任一项所述的一种基于GNN-LSTM的县域冬小麦估产分析方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311742195.2A CN117592619A (zh) | 2023-12-18 | 2023-12-18 | 一种基于gnn-lstm的县域冬小麦估产分析方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311742195.2A CN117592619A (zh) | 2023-12-18 | 2023-12-18 | 一种基于gnn-lstm的县域冬小麦估产分析方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117592619A true CN117592619A (zh) | 2024-02-23 |
Family
ID=89916764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311742195.2A Pending CN117592619A (zh) | 2023-12-18 | 2023-12-18 | 一种基于gnn-lstm的县域冬小麦估产分析方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117592619A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728446A (zh) * | 2019-10-09 | 2020-01-24 | 中国地质大学(武汉) | 一种基于cnn-lstm的县级尺度农作物估产方法 |
CN112906982A (zh) * | 2021-03-22 | 2021-06-04 | 哈尔滨理工大学 | 一种基于gnn-lstm结合的网络流量预测方法 |
CN115438848A (zh) * | 2022-08-29 | 2022-12-06 | 武汉大学 | 基于深度混合图神经网络的pm2.5浓度长期预测方法 |
CN115578637A (zh) * | 2022-10-17 | 2023-01-06 | 中国科学院空天信息创新研究院 | 一种基于长短期记忆网络的冬小麦估产分析方法和*** |
CN115906954A (zh) * | 2022-12-09 | 2023-04-04 | 北京数洋智慧科技有限公司 | 一种基于图神经网络的多变量时间序列预测方法及装置 |
US20230267302A1 (en) * | 2022-02-18 | 2023-08-24 | Google Llc | Large-Scale Architecture Search in Graph Neural Networks via Synthetic Data |
-
2023
- 2023-12-18 CN CN202311742195.2A patent/CN117592619A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728446A (zh) * | 2019-10-09 | 2020-01-24 | 中国地质大学(武汉) | 一种基于cnn-lstm的县级尺度农作物估产方法 |
CN112906982A (zh) * | 2021-03-22 | 2021-06-04 | 哈尔滨理工大学 | 一种基于gnn-lstm结合的网络流量预测方法 |
US20230267302A1 (en) * | 2022-02-18 | 2023-08-24 | Google Llc | Large-Scale Architecture Search in Graph Neural Networks via Synthetic Data |
CN115438848A (zh) * | 2022-08-29 | 2022-12-06 | 武汉大学 | 基于深度混合图神经网络的pm2.5浓度长期预测方法 |
CN115578637A (zh) * | 2022-10-17 | 2023-01-06 | 中国科学院空天信息创新研究院 | 一种基于长短期记忆网络的冬小麦估产分析方法和*** |
CN115906954A (zh) * | 2022-12-09 | 2023-04-04 | 北京数洋智慧科技有限公司 | 一种基于图神经网络的多变量时间序列预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11521380B2 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
US20220261928A1 (en) | Crop yield forecasting models | |
US20220067614A1 (en) | Apparatus and method for crop yield prediction | |
US20150371161A1 (en) | System and methods for identifying, evaluating and predicting land use and agricultural production | |
CN109711102A (zh) | 一种作物灾害损失快速评估方法 | |
EP3816879A1 (en) | A method of yield estimation for arable crops and grasslands and a system for performing the method | |
Yalcin | An approximation for a relative crop yield estimate from field images using deep learning | |
CN110321774B (zh) | 农作物灾情评估方法、装置、设备及计算机可读存储介质 | |
CN113223040B (zh) | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 | |
CN116128141B (zh) | 风暴潮预测方法、装置、存储介质及电子设备 | |
CN114882359B (zh) | 基于植被指数时序谱特征的大豆种植区提取方法和*** | |
Shahrin et al. | Agricultural analysis and crop yield prediction of habiganj using multispectral bands of satellite imagery with machine learning | |
Fei et al. | Bayesian model averaging to improve the yield prediction in wheat breeding trials | |
CN113537645A (zh) | 基于机器学习融合卫星与天气数据的大豆产量预测方法 | |
CN114494909B (zh) | 一种大豆生长季空间分布图的生成方法和*** | |
CN116579521B (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
Sun et al. | Monitoring rice lodging grade via Sentinel-2A images based on change vector analysis | |
US20230108422A1 (en) | Methods and systems for use in processing images related to crops | |
CN114782835B (zh) | 作物倒伏面积比例检测方法及装置 | |
CN117592619A (zh) | 一种基于gnn-lstm的县域冬小麦估产分析方法和*** | |
CN114298265A (zh) | 射频电路诊断模型训练、诊断方法、装置、介质及终端 | |
CN115830442B (zh) | 一种基于机器学习的小麦茎蘖密度遥感估算方法和*** | |
Wang et al. | RETRACTED: Theoretical research on rice and wheat lodging detection based on artificial intelligence technology and a template matching algorithm | |
CN115690585B (zh) | 一种基于数字相片提取小麦分蘖数的方法和*** | |
US20230093903A1 (en) | Methods and systems for use in processing images related to crop phenology |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |