隐式神经流形与格林函数学习的甜菜表型环境耦合预测法
本发明涉及智慧农业与计算科学交叉,尤其涉及一种隐式神经流形与格林函数学习的甜菜表型环境耦合预测法。
背景技术:
1、甜菜是我国核心糖料作物,其全生育期长势的精准预测对精准种植管理、产量预估与食糖产业安全具有决定性意义。然而,现有技术在甜菜长势动态预测方面存在以下根本性理论与技术缺陷:
2、(一)无人机遥感采样间隔不均,现有模型无法处理非均匀采样的时序数据,现有lstm、transformer等模型要求输入数据为固定时间步长的等间隔序列,无法处理非均匀时序数据,并且只能预测预设的固定步长,无法外推至任意未来时间点,损失了甜菜生长曲线固有的平滑性与可微性信息;
3、(二)气象数据与表型观测的时间分辨率不一致,现有方法难以有效融合两类数据,气象站每日记录温度、降水、辐射等数据,属于高时间分辨率数据;而无人机遥感仅能在关键生育期获取表型数据,属于低时间分辨率数据。现有方法通常将高分辨率环境数据降采样至与表型观测相同的稀疏时间网格,丢弃了大量有价值的环境信息。从物理角度看,甜菜当前的长势是过去每一天环境因素持续累积作用的结果,这种累积效应在时间上是连续的,而非仅发生在观测时刻,传统方法仅对观测时刻的气象数据进行利用,使得对甜菜的预测效果欠佳;
4、(三)现有预测结果缺乏整条生长曲线的置信范围,现有方法的不确定性量化预测的是某个时间点的值的不确定度,无法预测整条生长曲线的不确定度,而农业生产是对整条生长趋势的把握,现有方法无法满足这一需求;
5、因此,亟需一种能够处理非均匀时序数据、充分利用逐日环境信息、并能输出整条生长曲线置信范围的甜菜长势预测方法。
技术实现思路
1、本发明意在提供一种隐式神经流形与格林函数学习的甜菜表型环境耦合预测法,以解决现有技术无法处理非均匀数据、数据耦合欠佳导致预测结果的准确性降低、无法预测完整的甜菜生长趋势及置信带的问题。
2、为了实现上述目的,本发明提供如下技术方案:
3、一种隐式神经流形与格林函数学习的甜菜表型环境耦合预测法,包括以下步骤:
4、s1、获取训练区域的历史甜菜的生长轨迹样本,生长轨迹样本包括甜菜完整生育期的历史时序表型观测值和历史环境时序数据,历史时序表型观测值来源于田间观测数据;
5、s2、基于历史时序表型观测值训练神经网络,构建隐式神经流形,隐式神经流形用于表示所有甜菜生长轨迹的共享规律,任意一条完整生长轨迹由低维编码向量与时间的对应关系唯一确定;
6、s3、基于历史环境时序数据与历史时序表型观测值,构建神经格林算子,神经格林算子用于确定任意历史时刻的环境因子对当前时刻表型状态的影响权重,影响权重随历史时刻与当前时刻的时间间隔增大而递减,且未来时刻的环境因子对当前时刻的影响权重为零;
7、s4、获取目标甜菜种植区的实测时序表型观测值和完整时序环境数据;以实测时序表型观测值为目标,通过优化求解器反复调整低维编码向量,使隐式神经流形在对应时间点输出的表型值与实测时序表型观测值之间的误差达到最小,将此时的低维编码向量输入隐式神经流形,输出理想生长轨迹曲线;
8、s5、将理想生长轨迹曲线与完整时序环境数据输入神经格林算子,神经格林算子输出加权修正量;将加权修正量叠加至理想生长轨迹曲线,得到更新生长轨迹曲线;将更新生长轨迹曲线再次输入神经格林算子,再次获得新的加权修正量并再次叠加,重复执行上述操作直至相邻两次叠加后的轨迹曲线差异小于预设阈值,将稳定后的轨迹曲线作为预测生长轨迹曲线;
9、s6、基于预测生长轨迹曲线,生成全生育期长势动态预测图和长势异常预警图,以指导田间精准管理。
10、进一步地,还包括在低维编码向量的后验分布中采集多个低维编码向量样本,将各低维编码向量样本分别输入隐式神经流形生成多条完整的预测轨迹,由多条预测轨迹构成函数空间预测分布,以整条预测轨迹的置信带形式输出预测不确定性。
11、进一步地,隐式神经流形和神经格林算子采用两阶段联合训练:
12、第一阶段,仅以历史时序表型观测值训练隐式神经流形;
13、第二阶段,固定隐式神经流形,以历史环境时序数据与历史时序表型观测值训练神经格林算子,随后将隐式神经流形与神经格林算子端到端联合微调。
14、进一步地,隐式神经流形的训练过程中引入物理正则化,物理正则化用于约束隐式神经流形输出的生长轨迹满足甜菜生长的s型生长动力学规律。
15、进一步地,田间观测数据包括由无人机多光谱影像反演得到的稀疏时序表型观测值,稀疏时序表型观测值经插值后形成连续的历史时序表型观测值。
16、进一步地,历史时序表型观测值包括株高、叶面积指数和生物量;历史环境时序数据包括逐日温度、降水、辐射和土壤含水量。
17、进一步地,全生育期长势动态预测图以无人机遥感影像为底图、逐像元展示不同生育期的表型参数空间分布;长势异常预警图标记预测轨迹偏离正常范围超过预设阈值的像元区域。
18、技术方案的原理及有益效果是:
19、1、通过历史数据构建隐式神经流形,将甜菜生长轨迹表示为低维编码向量与时间的连续函数关系,对新田块仅需3至5次田间观测即可确定其编码向量,获得从出苗到收获的完整连续生长曲线,解决了传统方法依赖大量且间隔均匀的密集观测数据的问题,显著降低了田间数据采集成本;
20、2、通过神经格林算子建立环境-表型的因果积分关系,将历史每一天的环境数据对当前表型的累积影响纳入预测模型,遵循近大远小的物理规律,且排除未来环境对当前的影响,有效利用环境数据,将环境数据与表型参数耦合,模拟真实环境下,环境因素对甜菜生长的长尾效应,代替传统的单点模拟,有效提升预测的准确性;
21、3、通过在低维编码向量空间中采样多条预测轨迹,以置信带形式输出整条生长曲线的预测不确定性,提供全生育期各时间点的可靠性判断依据,当置信带较窄时,预测结果可放心用于指导施肥灌溉;当置信带显著变宽时,提示需要补充田间观测以降低不确定性,通过置信带的宽度直观地展示出预测的可靠程度,便于工作人员识别采用。
1.一种隐式神经流形与格林函数学习的甜菜表型环境耦合预测法,其特征在于,包括以下步骤:
2.根据权利要求1所述的隐式神经流形与格林函数学习的甜菜表型环境耦合预测法,其特征在于:还包括在所述低维编码向量的后验分布中采集多个低维编码向量样本,将各所述低维编码向量样本分别输入所述隐式神经流形生成多条完整的预测轨迹,由所述多条预测轨迹构成函数空间预测分布,以整条预测轨迹的置信带形式输出预测不确定性。
3.根据权利要求1所述的隐式神经流形与格林函数学习的甜菜表型环境耦合预测法,其特征在于:所述隐式神经流形和所述神经格林算子采用两阶段联合训练:
4.根据权利要求1所述的隐式神经流形与格林函数学习的甜菜表型环境耦合预测法,其特征在于:所述隐式神经流形的训练过程中引入物理正则化,所述物理正则化用于约束所述隐式神经流形输出的生长轨迹满足甜菜生长的s型生长动力学规律。
5.根据权利要求1所述的隐式神经流形与格林函数学习的甜菜表型环境耦合预测法,其特征在于:所述田间观测数据包括由无人机多光谱影像反演得到的稀疏时序表型观测值,所述稀疏时序表型观测值经插值后形成连续的所述历史时序表型观测值。
6.根据权利要求1所述的隐式神经流形与格林函数学习的甜菜表型环境耦合预测法,其特征在于:所述历史时序表型观测值包括株高、叶面积指数和生物量;所述历史环境时序数据包括逐日温度、降水、辐射和土壤含水量。
7.根据权利要求1所述的隐式神经流形与格林函数学习的甜菜表型环境耦合预测法,其特征在于:所述全生育期长势动态预测图以无人机遥感影像为底图、逐像元展示不同生育期的表型参数空间分布;所述长势异常预警图标记预测轨迹偏离正常范围超过预设阈值的像元区域。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com