[發明專利]基于機器學習融合衛星與天氣數據的大豆產量預測方法

在審

• 申請號: 202110971271.1
• 申請日: 2021-08-23
• 公開（公告）號: CN113537645A
• 公開（公告）日: 2021-10-22
• 發明（設計）人: 陳勇;張鵬;朱芳軍;劉念
• 申請（專利權）人: 蘇州憨云智能科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/02;G06K9/62;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 上海諾衣知識產權代理事務所(普通合伙) 31298
• 代理人: 衣然

本發明屬于智慧農業領域，具體公開了基于機器學習融合衛星與天氣數據的大豆產量預測方法，包括步驟：獲取歷史區域的大豆產量及影響因素數據庫，大豆產量數據及影響因素數據庫中包含大豆作物范圍數據、降雨量數據、大豆產量數據、歸一化植被指數、增強植被指數、地表溫度數據；提取大豆作物范圍數據、降雨量數據、歸一化植被指數、增強植被指數、地表溫度數據并與衛星圖像、天氣數據整合，并將整合數據以及大豆產量數據進行數據預處理；基于預處理數據進行模型的構建以及訓練；基于模型算法測試已訓練模型的性能并進行篩選，基于篩選的模型進行大豆產量預測。本發明的方法基于多元線性回歸、RF和LSTM模型，能準確的預測大豆產量。

技術領域

本發明涉及智慧農業領域，具體為基于機器學習融合衛星與天氣數據的大豆產量預測方法。

背景技術

大豆產量預測對市場行為、推動政府政策和提高全球糧食安全具有重要意義。大豆產量數據通常需要在收獲后的接下來幾個月進行各種修正，這表明產量預測的準確性和時間還有提高的空間。

隨著計算處理能力的提高，在探索更大的時空數據集時，更復雜的數據分析算法也變得越來越流行。大豆產量、冠層反射率和天氣數據之間的經驗關系通常呈現非線性，并且使用隨時間記錄變量集合的產量預測模型易于過度擬合。由于這些原因，機器學習算法能夠更穩健地處理非線性數據，防止過度擬合。隨機森林(Random Forest,RF)和人工神經網絡(Artificial Neural Networks,ANNs)等機器學習算法已成功用于使用遙感植被指數預測作物產量。隨機森林是一個集成分類器，它引導訓練樣本和變量在聚合單個樹的結果后生成多個決策樹執行預測。神經網絡由高度互連的處理單元(神經元)層組成。數據通過加權連接在這些層中移動，每個內部神經元都與一個激活函數相關聯，通常負責非線性變換。神經網絡的一種特定變體，即長短期記憶網絡(Long Short-Term Memory,LSTM)，因其處理時序數據的強大能力而受到關注。

發明內容

本發明的目的在于提供基于機器學習融合衛星與天氣數據的大豆產量預測方法，以解決上述背景技術中提出的問題。

為實現上述目的，本發明提供如下技術方案：基于機器學習融合衛星與天氣數據的大豆產量預測方法，包括如下步驟：

S1：獲取歷史區域的大豆產量及影響因素數據庫，大豆產量數據及影響因素數據庫中包含大豆作物范圍數據、降雨量數據、大豆產量數據、歸一化植被指數、增強植被指數、地表溫度數據；

S2：提取大豆作物范圍數據、降雨量數據、歸一化植被指數、增強植被指數、地表溫度數據并與衛星圖像、天氣數據整合，并將整合數據以及大豆產量數據進行數據預處理；

S3：基于預處理數據進行模型的構建以及訓練；

S4：基于模型算法測試已訓練模型的性能并進行篩選，基于篩選的模型進行大豆產量預測。

優選的，S2中數據預處理包括對數據進行初篩和歸一化，即將數據庫內數據按比例劃分為訓練集和測試集對數據進行初篩和歸一化處理。

優選的，S3中模型的構建以及訓練過程之前還包括：基于訓練集建立多組基礎模型，在多組基礎模型的超參數下評估挑選網絡模型超參數，確定大豆產量預測模型的參數。

優選的，S3中模型的訓練過程包括將所述訓練集投入到參數確定的大豆產量預測模型中進行訓練，得到訓練好的大豆產量預測模型。

優選的，S4中基于LSTM神經網絡測試已訓練模型的性能并進行篩選，使用MAE、MSE和RMSE指標評價模型，并根據指標選取最佳模型。

與現有技術相比，本發明的有益效果是：