[發(fā)明專利]基于深度學(xué)習(xí)的植物關(guān)鍵物候期時(shí)間點(diǎn)預(yù)測(cè)方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202011432779.6
• 申請(qǐng)日: 2020-12-09
• 公開（公告）號(hào): CN112560633B
• 公開（公告）日: 2023-08-01
• 發(fā)明（設(shè)計(jì)）人: 周雪雯;辛秦川;戴永久
• 申請(qǐng)（專利權(quán)）人: 中山大學(xué)
• 主分類號(hào): G06V20/20
• 分類號(hào): G06V20/20;G06V10/44;G06V10/774;G06V10/82;G06N3/0464;G06N3/084
• 代理公司: 廣東廣盈專利商標(biāo)事務(wù)所(普通合伙) 44339
• 代理人: 李俊

1.一種基于深度學(xué)習(xí)的植物關(guān)鍵物候期時(shí)間點(diǎn)預(yù)測(cè)方法，其特征在于，所述方法包括：

對(duì)采集到的相關(guān)氣象數(shù)據(jù)進(jìn)行歸一化處理，并將處理后所形成的若干個(gè)特征變量劃分至訓(xùn)練集與驗(yàn)證集中；

搭建一維卷積神經(jīng)網(wǎng)絡(luò)回歸模型，并將所述訓(xùn)練集中包含的所有特征變量時(shí)間序列導(dǎo)入網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練，輸出訓(xùn)練模型；

以均方誤差作為評(píng)估指標(biāo)，將所述驗(yàn)證集中包含的所有特征變量導(dǎo)入所述訓(xùn)練模型進(jìn)行驗(yàn)證，存儲(chǔ)最優(yōu)模型；

將其他區(qū)域的氣象數(shù)據(jù)導(dǎo)入所述最優(yōu)模型進(jìn)行預(yù)測(cè)，獲取區(qū)域內(nèi)的不同植被物候天數(shù)；

所述相關(guān)氣象數(shù)據(jù)包括大氣含量、降水量、太陽(yáng)短波輻射量、最低溫度、最高溫度、平均溫度、飽和蒸氣壓差、風(fēng)速、土壤濕度和光照時(shí)長(zhǎng)；

所述一維卷積神經(jīng)網(wǎng)絡(luò)回歸模型依次包括輸入層、卷積層組、平均池化層組、Flatten層、Dropout層、全連接層與輸出層，其中所述卷積層組包含有三個(gè)卷積層，所述平均池化層組包含有兩個(gè)平均池化層；

所述以均方誤差作為評(píng)估指標(biāo)，將所述驗(yàn)證集中包含的所有特征變量導(dǎo)入所述訓(xùn)練模型進(jìn)行驗(yàn)證，存儲(chǔ)最優(yōu)模型包括：

將所述驗(yàn)證集中包含的所有特征變量導(dǎo)入所述訓(xùn)練模型進(jìn)行運(yùn)算，輸出預(yù)測(cè)結(jié)果；

計(jì)算所述預(yù)測(cè)結(jié)果與真實(shí)結(jié)果之間的均方誤差，并判斷所述均方誤差是否小于等于閾值；

若是，則將所述訓(xùn)練模型指定為最優(yōu)模型并進(jìn)行存儲(chǔ)；

若否，則更新所述一維卷積神經(jīng)網(wǎng)絡(luò)回歸模型的學(xué)習(xí)率，并返回將所述訓(xùn)練集中包含的所有特征變量時(shí)間序列導(dǎo)入更新后的一維卷積神經(jīng)網(wǎng)絡(luò)回歸模型進(jìn)行訓(xùn)練，輸出新的訓(xùn)練模型。

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的植物關(guān)鍵物候期時(shí)間點(diǎn)預(yù)測(cè)方法，其特征在于，所述搭建一維卷積神經(jīng)網(wǎng)絡(luò)回歸模型，并將所述訓(xùn)練集中包含的所有特征變量時(shí)間序列導(dǎo)入網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練，輸出訓(xùn)練模型包括：

利用所述卷積層組對(duì)所述訓(xùn)練集中包含的所有特征變量時(shí)間序列進(jìn)行特征提取，同時(shí)結(jié)合所述平均池化層組對(duì)輸出的卷積結(jié)果進(jìn)行區(qū)域劃分與降維處理，生成最終的一維特征圖；

利用所述Flatten層將所述一維特征圖轉(zhuǎn)換為初始一維特征矢量網(wǎng)絡(luò)；

利用所述Dropout層隨機(jī)對(duì)所述初始一維特征矢量網(wǎng)絡(luò)中的40%矢量數(shù)據(jù)賦予零值，獲取更新后的一維特征矢量網(wǎng)絡(luò)；

利用所述全連接層對(duì)所述更新后的一維特征矢量網(wǎng)絡(luò)中包含的所有矢量數(shù)據(jù)進(jìn)行特征提取與回歸處理，得到對(duì)應(yīng)植被的物候天數(shù)；

利用所述輸出層對(duì)回歸結(jié)果進(jìn)行誤差計(jì)算，并通過(guò)反向傳播算法對(duì)所述一維卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)迭代更新與誤差修正，輸出訓(xùn)練模型。

3.根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的植物關(guān)鍵物候期時(shí)間點(diǎn)預(yù)測(cè)方法，其特征在于，所述利用所述卷積層組對(duì)所述訓(xùn)練集中包含的所有特征變量時(shí)間序列進(jìn)行特征提取，同時(shí)結(jié)合所述平均池化層組對(duì)輸出的卷積結(jié)果進(jìn)行區(qū)域劃分與降維處理，生成最終的一維特征圖包括：

利用第一卷積層對(duì)所述訓(xùn)練集中包含的所有特征變量時(shí)間序列進(jìn)行特征提取，生成第一卷積結(jié)果；同時(shí)利用第一平均池化層將所述第一卷積結(jié)果劃分為若干個(gè)矩陣區(qū)域，并對(duì)每個(gè)矩陣區(qū)域進(jìn)行均值降維，生成初級(jí)一維特征圖；

利用第二卷積層對(duì)所述初級(jí)一維特征圖中包含的所有特征變量進(jìn)行特征提取，生成第二卷積結(jié)果；同時(shí)利用第二平均池化層將所述第二卷積結(jié)果劃分為若干個(gè)矩陣區(qū)域，并對(duì)每個(gè)矩陣區(qū)域進(jìn)行均值降維，生成次級(jí)一維特征圖；

利用第三卷積層對(duì)所述次級(jí)一維特征圖中包含的所有特征變量進(jìn)行特征提取，生成第三卷積結(jié)果，并結(jié)合內(nèi)部ReLu激活函數(shù)對(duì)所述第三卷積結(jié)果進(jìn)行非線性映射，生成最終的一維特征圖。

4.根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的植物關(guān)鍵物候期時(shí)間點(diǎn)預(yù)測(cè)方法，其特征在于，所述利用所述輸出層對(duì)回歸結(jié)果進(jìn)行誤差計(jì)算包括：

確定所述輸出層所利用到的損失函數(shù)，并基于所述損失函數(shù)計(jì)算出回歸結(jié)果的損失值。

5.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的植物關(guān)鍵物候期時(shí)間點(diǎn)預(yù)測(cè)方法，其特征在于，所述學(xué)習(xí)率的計(jì)算公式為：

；

其中，為學(xué)習(xí)率，為對(duì)所述訓(xùn)練集中所包含的所有特征變量進(jìn)行訓(xùn)練的次數(shù)，為可允許訓(xùn)練的總次數(shù)。

6.一種基于深度學(xué)習(xí)的植物關(guān)鍵物候期時(shí)間點(diǎn)預(yù)測(cè)系統(tǒng)，其特征在于，所述系統(tǒng)包括：

預(yù)處理模塊，用于對(duì)采集到的相關(guān)氣象數(shù)據(jù)進(jìn)行歸一化處理，并將處理后所形成的若干個(gè)特征變量劃分至訓(xùn)練集與驗(yàn)證集中；

訓(xùn)練模塊，用于搭建一維卷積神經(jīng)網(wǎng)絡(luò)回歸模型，并將所述訓(xùn)練集中包含的所有特征變量時(shí)間序列導(dǎo)入網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練，輸出訓(xùn)練模型；

驗(yàn)證模塊，用于以均方誤差作為評(píng)估指標(biāo)，將所述驗(yàn)證集中包含的所有特征變量導(dǎo)入所述訓(xùn)練模型進(jìn)行驗(yàn)證，存儲(chǔ)最優(yōu)模型；

預(yù)測(cè)模塊，用于將其他區(qū)域的氣象數(shù)據(jù)導(dǎo)入所述最優(yōu)模型進(jìn)行預(yù)測(cè)，獲取區(qū)域內(nèi)的不同植被物候天數(shù)；

所述相關(guān)氣象數(shù)據(jù)包括大氣含量、降水量、太陽(yáng)短波輻射量、最低溫度、最高溫度、平均溫度、飽和蒸氣壓差、風(fēng)速、土壤濕度和光照時(shí)長(zhǎng)；

所述一維卷積神經(jīng)網(wǎng)絡(luò)回歸模型依次包括輸入層、卷積層組、平均池化層組、Flatten層、Dropout層、全連接層與輸出層，其中所述卷積層組包含有三個(gè)卷積層，所述平均池化層組包含有兩個(gè)平均池化層；

所述以均方誤差作為評(píng)估指標(biāo)，將所述驗(yàn)證集中包含的所有特征變量導(dǎo)入所述訓(xùn)練模型進(jìn)行驗(yàn)證，存儲(chǔ)最優(yōu)模型包括：

將所述驗(yàn)證集中包含的所有特征變量導(dǎo)入所述訓(xùn)練模型進(jìn)行運(yùn)算，輸出預(yù)測(cè)結(jié)果；

計(jì)算所述預(yù)測(cè)結(jié)果與真實(shí)結(jié)果之間的均方誤差，并判斷所述均方誤差是否小于等于閾值；

若是，則將所述訓(xùn)練模型指定為最優(yōu)模型并進(jìn)行存儲(chǔ)；

若否，則更新所述一維卷積神經(jīng)網(wǎng)絡(luò)回歸模型的學(xué)習(xí)率，并返回將所述訓(xùn)練集中包含的所有特征變量時(shí)間序列導(dǎo)入更新后的一維卷積神經(jīng)網(wǎng)絡(luò)回歸模型進(jìn)行訓(xùn)練，輸出新的訓(xùn)練模型。