一种基于云计算的农业碳排放管理系统的制作方法

本发明属于碳排放监测与控制，尤其涉及一种基于云计算的农业碳排放管理系统。

背景技术：

1、随着全球气候变化问题日益严峻，农业作为全球温室气体排放的重要来源之一，其碳排放管理受到广泛关注。传统的农业碳排放管理方法存在多种问题，比如目前的碳排放监测和管理通常依赖于传统的监测方法和人工手动数据收集和处理，这种方法不仅效率低下，而且容易出现数据收集不全面、数据不准确或者滞后以及处理效率低等问题。此外，现有系统往往缺乏实时性和整合性，无法有效地集成不同来源的数据并进行综合分析。农业碳排放管理涉及多个环节，如土地耕作、肥料使用、作物生长、畜牧业管理等，现有技术难以综合各个环节的数据进行整体分析。此外，缺乏统一的平台来进行数据存储、分析和管理，限制了碳排放数据的有效利用和管理。

技术实现思路

1、为解决上述技术问题，本发明提供了一种基于云计算的农业碳排放管理系统，包括：

2、优选地，数据采集模块，用于采集农业活动产生的碳排放数据；

3、数据处理模块，与所述数据采集模块连接，用于对所述碳排放数据进行预处理后，然后进行特征提取；

4、模型构建模块，与所述数据处理模块连接，用于构建多模态网络模型，并对所述多模态网络模型进行训练，获得碳排放预测模型；

5、趋势预测模块，与所述模型构建模块连接，用于基于所述碳排放预测模型进行农业碳排放预测，获得碳排放预测结果；

6、控制管理模块，与所述趋势预测模块连接，用于根据所述碳排放预测结果进行调控管理。

7、优选地，所述数据采集模块包括数据采集单元、图像采集单元；

8、所述数据采集单元用于获取农业生产活动中的参数数据；

9、其中，所述参数数据包括但不限于环境参数数据、农业生产活动数据、农业投入品数据、农业机械使用数据、农业废弃物数据、畜禽养殖数据、农田管理数据、能源消耗数据、农产品供应链数据；

10、所述图像采集单元用于获取农业生产活动中的遥感图像数据；

11、其中，所述遥感图像数据包括但不限于农田遥感图像、作物生长图像、农业设施图像、畜牧监测图像、农业废弃物图像、土壤状态图像、水资源利用图像、农业活动图像。

12、优选地，所述数据处理模块包括数据处理单元、图像处理单元；

13、所述数据处理单元用于对原始数据进行去噪后，转换为文本数据，然后将不同源和格式的文本进行合并；

14、所述图像处理单元用于对初始遥感图像进行像素预处理后，然后进行图像校正，获得目标遥感图像。

15、优选地，所述数据处理单元包括数据清洗单元、文本处理单元、数据整合单元；

16、所述数据清洗单元用于去除原始数据中的噪声和异常值，填充缺失数据；

17、所述文本处理单元用于对文本数据依次进行分词、建立字典、文本向量化、文本归一化处理；

18、所述数据整合单元用于将来自不同源和格式的数据进行统一和合并，建立数据间的关联，获得数据视图。

19、优选地，所述图像处理单元包括像素处理单元、图像校正单元；

20、所述像素处理单元用于对初始遥感图像依次进行像素归一化、像素中心化、数据增强、降噪处理、尺寸调整和颜色空间转换，获得目标图像供后续使用；

21、所述图像校正单元用于对像素处理单元处理后的图像依次进行辐射校正、几何校正、影像配准、影像融合、匀光匀色、影像拼接以及影像裁切处理，获得目标光学遥感图像。

22、优选地，所述所述模型构建模块包括模型构建单元、模型训练单元、融合单元；

23、所述模型构建单元用于构建卷积神经网络模型和循环神经网络模型；

24、所述模型训练单元用于分别对应通过图像数据和文本数据对卷积神经网络模型和循环神经网络模型进行训练；

25、所述融合单元用于将训练后的卷积神经网络模型和循环神经网络模型进行融合，获得多模态神经网络模型；还用于将图像数据与文本数据进行数据整合，获得整合数据集。

26、优选地，所述模型构建单元包括第一网络构建单元、第二网络构建单元；

27、所述第一网络构建单元用于构建卷积神经网络，并基于卷积神经网络生成卷积神经网络群；

28、所述第二网络构建单元用于构建循环神经网络，并将注意力机制引入至所述循环神经网络中进行优化，生成改进的循环神经网络。

29、优选地，所述模型训练单元包括第一训练单元、第二训练单元、第三训练单元；

30、第一训练单元包括迭代计算单元，所述迭代计算单元用于通过遗传算法对卷积神经网络群进行多次迭代，直至获取最优模型后结束迭代，获得遗传神经网络；

31、第二训练单元包括预训练单元、迭代训练单元、迁移学习单元；

32、所述预训练单元，用于通过transformer模型对改进的循环神经网络进行预训练，生成预训练模型；改进的循环神经网络通过将构建的注意力机制模块和残差模块引入至循环神经网络中，生成改进的循环神经网络；

33、所述迭代训练单元，用于通过样本集对所述预训练模型进行迭代训练，然后通过优化器对训练后的模型进行优化，生成优化模型；

34、所述迁移学习单元，用于冻结所述优化模型的底层参数，将所述优化模型的上层参数进行优化，生成目标循环神经网络；

35、所述第三训练单元，用于通过所述遗传神经网络的输出对目标循环神经网络进行训练，生成多模态神经网络模型。

36、优选地，所述融合单元包括模型融合单元、数据融合单元；

37、所述数据融合单元包括：

38、权重生成单元，用于基于数据的重要性对所述图像数据和所述文本数据赋予权重，获得图像权重数据和文本权重数据；

39、权重计算单元，用于将所述图像权重数据和文本权重数据与对应的权重相乘，获得加权值；

40、求和整合单元，用于将所述加权值相加，获得所述整合数据集。

41、优选地，所述迭代计算单元包括：

42、网络结构编码单元，用于将卷积神经网络群的结构参数编码成遗传算法的染色体，获得网络染色体结构；

43、函数定义单元，用于基于检测率、误检率和定位精度构建适应度函数；

44、迭代单元，用于通过所述网络染色体结构随机生成一组初始的cnn染色体结构；

45、遗传单元，用于基于所述适应度函数对所述初始的cnn染色体结构进行迭代，在迭代的最后一代中选择适应度最高的个体对应的cnn结构并进行解码，获得所述遗传神经网络；

46、所述预训练单元包括：

47、模块构建单元，用于构建注意力机制模块和残差模块；

48、注意力机制引入单元，用于将所述注意力机制模块引入至循环神经网络隐藏层的前三层中，获得注意力分类模型；

49、残差引入单元，用于将所述残差模块引入至所述注意力分类模型中，生成所述改进的循环神经网络；

50、所述遗传单元包括：

51、选择子单元，用于通过所述适应度函数对所述初始的cnn染色体结构进行选择，获得选定的父代cnn染色体结构；

52、交叉子单元，用于将所述选定的父代cnn染色体结构进行交叉操作，生成新的个体；

53、变异子单元，用于引入随机性，将所述新的个体进行变异，获得变异个体；

54、进化迭代子单元，用于通过所述选择子单元、交叉子单元和变异子单元对cnn染色体结构进行多次迭代和进化，选择适应度最高的个体；

55、解码子单元，用于将所述适应度最高的个体进行解码，获得所述遗传神经网络。

56、与现有技术相比，本发明具有如下优点和技术效果：

57、本发明通过物联网技术实现对农业碳排放的全面监控，实时数据采集和云端处理确保了数据的即时性和准确性，避免了传统手动收集数据可能带来的延迟和误差，提高了数据收集的全面性和实时性。

58、本发明利用云计算的高效数据处理和存储能力，结合物联网技术实现实时数据采集，通过智能算法进行数据分析和决策支持，提高了数据处理速度和效率。

59、本发明能够更准确地识别碳排放源和预测排放趋势，实时监控和智能分析支持快速响应的管理决策，提高管理的时效性和有效性。

60、本发明的基于云计算的农业碳排放管理系统，通过技术创新，实现了农业碳排放的高效、精准管理，为农业可持续发展提供了有力支持。