基于LTC-GNN时空门控耦合的果园多点网络虫情预测方法及系统

本发明涉及农业信息化与虫害智能测报，具体涉及基于ltc-gnn时空门控耦合的果园多点网络虫情预测方法及系统。

背景技术：

1、农业作为国民经济的基础性产业，承担着保障国家粮食安全、维系乡村社会稳定的重要职能。近年来，伴随农业现代化进程的深入推进，农业生产方式正向绿色、智能、可持续方向加速转型，虫害防控理念亦发生根本性转变。传统以化学农药为核心的防治模式，因长期施用导致害虫抗药性增强、农田生态环境恶化、农产品农药残留风险上升等问题，已难以满足高质量农业发展的现实需求。为应对上述挑战，以“预防为主、综合防治”为指导思想的绿色植保体系逐步成为行业共识，强调通过物理防控、生物防治与智能监测等非化学手段的协同应用，构建环境友好、资源节约、精准高效的虫害综合治理机制。其中，对虫害发生发展趋势进行提前预判，是实现“预防为主”的关键环节，只有将防控窗口前移，在虫害爆发前兆阶段即启动精准干预，才能最大限度减少化学农药施用，降低防控成本与生态风险。

2、在绿色植保体系的监测感知层面，当前已广泛部署一类绿色智能植保装备，即虫情测报灯（以下简称测报灯）。该类装备集成了害虫物理诱杀与虫情监测的双重功能：利用特定波长光源吸引趋光性农业害虫并完成捕获，同时内置高清图像采集模块、自动计数单元及多参数环境传感器，可对诱捕昆虫进行种类判别与数量统计，部分先进型号还支持无线通信与数据远程上传，实现监测信息的云端可视化管理。虫情测报灯解决了“当前虫量是多少”的实时监测问题，其采集的历史时序数据为回答“未来虫情将如何变化”的预测问题提供了数据基础。对于山地果园等大面积种植场景，通常需分布式部署数十盏虫情测报灯以覆盖不同海拔、坡向的微气候区域，各节点持续产生日级的虫量与环境数据，形成了具有时空关联特性的多点监测数据集。

3、在虫情预测算法层面，现有研究已开展了诸多探索。部分研究者利用卷积网络提取虫情图像特征以辅助种类识别与计数，也有研究者采用随机森林模型、梯度提升树模型、极端随机树模型等集成学习方法，基于历史虫量与环境因子构建回归预测模型。此外，支持向量回归模型、k近邻回归模型、岭回归模型、lasso回归模型和弹性网络回归模型等传统机器学习方法亦被应用于虫情时序预测任务。

4、然而，现有虫情预测技术在面向山地果园多点虫情测报灯网络的长时预测需求时，仍存在以下不足：

5、第一，单点孤立建模，空间关联缺失。现有方法多以单盏虫情测报灯的历史数据为输入进行独立建模，未纳入周边监测点的空间关联信息。虫害在果园内的扩散具有明确的时空传播路径，相邻监测点的虫量变化存在先后响应关系，单点模型无法捕捉这种空间协同演化规律，导致预测结果受单点数据噪声影响大，难以支撑大面积分布式场景下的精准防控决策。部分研究虽引入图神经网络建模空间关联，但其图拓扑仅基于地理距离静态构建，无法随虫情动态演化，且空间聚合与时间演化采用前后串联方式，难以捕捉虫情在空间上的同期协同响应模式。

6、第二，模型容量与特征表达能力有限，对非平稳虫情序列适应性不足。现有方法采用的随机森林、梯度提升树等集成学习方法以及支持向量回归等传统机器学习方法，模型容量与特征表达能力有限，难以刻画虫情序列中复杂的非线性动态特征。循环神经网络类方法虽能建模一定时序依赖，但其固定时间常数的门控机制对具有极端非平稳特性（长期低值与间歇性爆发交替出现）的虫情数据的适应性不足，且普遍仅在单一时间尺度上建模，忽视了周级节奏与旬级趋势等不同粒度虫情演化规律。

技术实现思路

1、为了克服现有技术的不足，本发明的目的之一在于提供基于ltc-gnn时空门控耦合的果园多点网络虫情预测方法，其能够实现多点网络场景下虫情变化的协同预测，从而显著提升非平稳虫情序列的预测精度和适应性。

2、为实现本发明的目的之一，采用如下方案：

3、基于ltc-gnn时空门控耦合的果园多点网络虫情预测方法，包括以下步骤：

4、s1：获取果园内多个监测节点在历史时段内的多源时序数据，所述多源时序数据至少包括各监测节点的虫情时序数据；

5、s2：对所述多源时序数据按多个预设时间尺度进行特征提取，得到各监测节点的多尺度时序特征；

6、s3：根据各监测节点之间的空间位置关系构建静态空间关联，并根据各监测节点的所述虫情时序数据动态更新节点间的时序关联强度，基于所述静态空间关联和所述时序关联强度构建动态图拓扑；

7、s4：基于所述动态图拓扑和所述多尺度时序特征，在连续时间状态演化过程中，将各监测节点的空间邻域信息同步聚合至当前节点的本地状态更新中，得到各监测节点的时空耦合表征；

8、s5：根据所述时空耦合表征预测各监测节点在未来预设时段内的虫情预测结果。

9、进一步地，步骤s2中，所述多个预设时间尺度至少包括短周期尺度、中周期尺度和长周期尺度；

10、对所述多源时序数据按多个预设时间尺度进行特征提取，具体为：

11、分别以各所述预设时间尺度对应的窗口宽度，对所述虫情时序数据进行后视滑动聚合，获得各尺度下的聚合虫量序列，并对各尺度下的环境变量时序数据进行滑动平均聚合，获得各尺度下的聚合环境序列；

12、在各所述聚合虫量序列上提取反映虫情稀疏性、趋势方向和波动水平的滞后统计特征，将所述聚合虫量序列、聚合环境序列及所述滞后统计特征共同作为对应尺度下的所述多尺度时序特征。

13、进一步地，步骤s3中，构建动态图拓扑具体包括：

14、基于各监测节点之间的物理距离和/或地形遮挡约束，生成在系统部署时一次性固定的静态空间边权重；

15、基于各监测节点在近期历史窗口内虫情时序数据之间的统计相关性度量，生成每日动态更新的动态时序边权重；

16、将所述静态空间边权重与所述动态时序边权重加权融合，并对融合后的权重矩阵进行归一化处理，获得所述动态图拓扑的注意力权重矩阵。

17、进一步地，步骤s4中，在连续时间状态演化过程中将空间邻域信息同步聚合至本地状态更新中，具体为：

18、将图神经网络的空间邻域聚合操作嵌入液态时间常数网络的常微分方程求解器的每一个内部积分步中；

19、在各所述内部积分步内，先根据所述动态图拓扑聚合当前节点的所有邻居节点的隐状态以获得空间上下文信息，再将聚合得到的所述空间上下文信息注入当前节点的本地隐状态，以更新当前节点的本地隐状态，随后继续执行所述常微分方程的下一积分步推进。

20、进一步地，步骤s4中，将聚合得到的所述空间上下文信息注入当前节点的本地隐状态，具体为：

21、通过可学习的门控网络，根据当前节点的本地隐状态与所述空间上下文信息的联合状态生成逐维度的门控向量；

22、利用所述门控向量对所述空间上下文信息进行强度调节，将调节后的空间上下文信息以残差叠加方式注入当前节点的本地隐状态，获得耦合状态；

23、将所述耦合状态作为所述液态时间常数网络的常微分方程在当前积分步的状态变量进行连续演化。

24、进一步地，步骤s4中，得到各监测节点的时空耦合表征，具体包括：

25、将各监测节点在各预设时间尺度下的所述多尺度时序特征分别送入参数独立的多条编码通道，各编码通道独立执行所述连续时间状态演化与空间邻域信息同步聚合，输出各尺度对应的时空耦合隐状态矩阵；

26、对各尺度对应的所述时空耦合隐状态矩阵分别进行多头自注意力重加权，以捕捉各尺度内部的长程依赖关系；

27、提取各尺度经注意力重加权后的最后一个时间步的隐向量进行拼接融合，获得跨尺度联合时空表征，作为各监测节点的所述时空耦合表征。

28、进一步地，步骤s5中，所述虫情预测结果包括各监测节点在未来预设时段内逐单位时间的虫量预测数值；

29、该基于ltc-gnn时空门控耦合的果园多点网络虫情预测方法在获取所述虫量预测数值之后，还包括趋势方向判定步骤：

30、计算各监测节点在所述未来预设时段内虫量预测值的均值，以及在过去相同长度时段内虫量实际值的均值；

31、比较所述预测均值与所述实际均值的差值，根据所述差值与预设容忍阈值的数值关系，判定虫情趋势为上升趋势、持平趋势或下降趋势。

32、进一步地，步骤s1中，所述多源时序数据还包括环境变量时序数据，所述环境变量时序数据至少包括温度参数和湿度参数；

33、所述监测节点为分布式布设于果园内的虫情测报灯，所述多源时序数据通过无线通信方式上报。

34、进一步地，步骤s3中，所述统计相关性度量包括皮尔逊相关系数、斯皮尔曼秩相关系数或互信息中的任意一种；

35、所述地形遮挡约束基于数字高程模型数据确定各监测节点之间的山体阻隔关系，用于对存在地形阻隔的监测节点之间的静态空间边权重进行衰减或置零处理。

36、本发明的目的之二在于提供基于ltc-gnn时空门控耦合的果园多点网络虫情预测系统，其能够实现多点网络场景下虫情变化的协同预测，从而显著提升非平稳虫情序列的预测精度和适应性。

37、为实现本发明的目的之二，采用如下方案：

38、基于ltc-gnn时空门控耦合的果园多点网络虫情预测系统，包括：

39、多源数据采集模块，用于获取果园内多个监测节点在历史时段内的多源时序数据，所述多源时序数据至少包括各监测节点的虫情时序数据；

40、多尺度时序特征构造模块，用于对所述多源时序数据按多个预设时间尺度进行特征提取，得到各监测节点的多尺度时序特征；

41、动态图拓扑构建模块，用于根据各监测节点之间的空间位置关系构建静态空间关联，并根据各监测节点的所述虫情时序数据动态更新节点间的时序关联强度，基于所述静态空间关联和所述时序关联强度构建动态图拓扑；

42、ltc-gnn时空门控耦合模块，用于基于所述动态图拓扑和所述多尺度时序特征，在连续时间状态演化过程中，将各监测节点的空间邻域信息同步聚合至当前节点的本地状态更新中，得到各监测节点的时空耦合表征；

43、预测与趋势输出模块，用于根据所述时空耦合表征预测各监测节点在未来预设时段内的虫情预测结果。

44、下面对本发明的基于ltc-gnn时空门控耦合的果园多点网络虫情预测系统进行详细说明。

45、现有的柑橘果园多点虫情预测中普遍存在的监测点之间空间关联被忽略、虫量序列稀疏-爆发交替导致固定时间常数模型适应性不足、以及传统串行时空架构无法刻画时空连续信息等关键问题，本发明的基于ltc-gnn时空门控耦合的果园多点网络虫情预测系统通过构建每日更新的动态图拓扑将分布式虫情测报灯阵列建模为图神经网络，并将gnn空间聚合操作嵌入液态时间常数网络（ltc）的连续微分状态更新内部，实现空间信息交换与时间演化的同步渐进进行。

46、本发明的基于ltc-gnn时空门控耦合的果园多点网络虫情预测系统构建了五大有机耦合的核心模块，具体如下：

47、多源数据采集模块，作为系统数据基础，在山地柑橘果园内布设多盏虫情测报灯，以日为时间窗口自动采集诱捕灭虫量及温度、湿度等环境变量，通过4g/lora无线通信上报，同时引入dem数字高程模型预计算任意两测报灯之间的地形遮挡关系，经数据清洗、日期对齐与缺失标记后形成标准化日级多源时空数据集。

48、多尺度时序特征构造模块，以原始日序列为基底，通过日、周、旬三路后视滑动重叠聚合（虫量取窗口内总和、环境取均值）避免传统下采样导致的相位错位，在周分支与旬分支上进一步提取非零均值、前后半段均值差及滚动均值与标准差三类滞后统计特征，将虫情数据的稀疏性、急缓变化及波动水平显式编码为数值特征，最后截取定长历史窗口作为模型输入。

49、动态图拓扑构建模块，将分布式测报灯阵抽象为图节点，边权重由静态距离边与动态皮尔逊相关边双源融合而成，静态边以高斯核衰减的物理距离为基础，受dem地形遮挡系数约束（有山体阻隔则边权强制归零），部署时一次性计算并固定，提供不随季节变化的稳定空间骨架；动态边以两测报灯近期虫量序列的皮尔逊相关系数量化两测报灯虫量序列的协同波动程度，每日基于最新观测数据重新计算，捕捉微气候与物候变化驱动的空间关联强度动态波动，两者加权融合后经归一化形成图注意力权重。

50、ltc-gnn时空门控耦合模块，区别于现有st-gnn方法中空间聚合与时间演化的前后串联架构，本发明将图神经网络的空间聚合操作嵌入液态时间常数网络的常微分方程求解器每一个内部积分步中：每一步先以图注意力权重聚合邻居节点隐状态，经sigmoid门控自适应调节注入强度，以残差形式注入本地隐状态后再继续ode推进。空间信息交换与本地状态演化因此在连续时间轴上同步渐进进行，邻居虫量的微弱上升信号经若干积分步的持续渗透后逐步引导本地隐状态上升。同时，ltc的时间常数由当前输入与隐状态联合决定，无虫期加速遗忘以过滤零值噪声，爆发前兆期延长记忆以保留关键信号，上述门控耦合与ltc的自适应时间常数形成互补，使模型同时具备对稀疏虫情序列的灵活适应能力与对多点动态空间协同关系的精细建模能力。三路编码输出再经独立的多头自注意力重加权与跨尺度末步隐向量拼接融合，得到联合时空表征。

51、预测与趋势输出模块，将跨尺度融合特征送入全连接回归层，直接输出测报灯未来10天的逐日虫量预测值，并通过纯后处理比较预测均值与过去均值判定上升、持平、下降三分类趋势方向，分别对应建议提前施药、维持现有防控、可减少巡查的防控决策建议。

52、上述各模块形成的端到端预测体系，将虫情预测从传统单点独立、固定参数、静态空间的被动统计模式升级为多点协同、自适应时间常数、动态图同步耦合的主动预判模式，特别适用于山地柑橘果园等分布式、地形复杂、资源受限的农业边缘场景。

53、相比现有技术，本发明的有益效果在于：

54、1.本发明通过构建动态图拓扑，实现了多点空间关联的精准建模，显著提升了预测精度。针对现有方法存在单点孤立建模、空间关联缺失以及图拓扑仅基于地理距离静态构建、无法随虫情动态演化的缺陷，本发明根据各监测节点之间的空间位置关系构建静态空间关联，同时根据各监测节点的虫情时序数据动态更新节点间的时序关联强度，将二者融合构建出兼具稳定骨架与动态时效性的图拓扑结构。静态空间关联保留了地理邻近监测节点间的基础空间依赖，提供了不随季节变化的稳定空间骨架；动态时序关联强度则捕捉了微气候与物候变化驱动的空间关联强度动态波动。二者加权融合使图拓扑随虫情状态自适应调整，克服了传统静态图结构无法反映空间关联时序演化的局限，使模型能够精确刻画虫量波动在多监测点之间的同步联动与渐次传导过程，显著提升了多点网络场景下的虫情预测精度。

55、2.本发明通过在连续时间状态演化过程中同步聚合空间邻域信息，突破了串行架构的离散化截断局限。针对现有方法中空间聚合与时间演化采用前后串联方式、难以捕捉虫情在空间上的同期协同响应模式的缺陷，本发明基于动态图拓扑和多尺度时序特征，在连续时间状态演化过程中将各监测节点的空间邻域信息同步聚合至当前节点的本地状态更新中，即在连续时间状态演化的每一个内部推进步中均同步执行空间邻域信息聚合与本地状态更新，使空间信息交换与时间演化在连续时间轴上同步渐进进行。与传统先进行空间聚合再进行时间演化或先进行时间演化再进行空间聚合的串行架构相比，本发明从根本上避免了时空信息在离散化处理中的割裂与丢失，使模型对虫情在多监测点间的协同演化过程具备更精细的连续时域刻画能力。

56、3.本发明通过多尺度时序特征提取与连续时间状态演化的协同，增强了对非平稳虫情序列的适应能力。针对现有方法中固定时间常数的门控机制对具有极端非平稳特性的虫情数据适应性不足以及普遍仅在单一时间尺度上建模、忽视了周级节奏与旬级趋势的缺陷，本发明从多个预设时间尺度对多源时序数据进行特征提取，使模型能够同时捕捉短期波动、中期节奏和长期趋势等多粒度虫情演化模式；同时，通过在连续时间轴上进行状态演化，避免了传统离散时间步长对虫情变化过程的截断失真。多尺度时序特征为模型提供了多粒度的虫情演化信息，连续时间状态演化则为模型提供了对虫情变化过程的精细刻画能力，二者协同作用，显著提升了模型对山地果园虫情数据非平稳、稀疏性强等复杂特性的适应能力与预测鲁棒性。

57、4.本发明形成了端到端的多点协同预测体系，有效支撑了精准防控决策。本发明从多源数据获取、多尺度特征提取、动态图拓扑构建、时空耦合表征到虫情预测输出的完整流程构成了端到端的预测体系，将虫情预测从传统单点独立、固定参数、静态空间的被动统计模式提升为多点协同、动态图拓扑、时空同步耦合的主动智能预判模式。该体系能够为果园内每一监测节点独立输出未来预设时段内的虫情预测结果，为果农在虫害爆发前兆阶段实施精准干预提供科学依据，有助于最大限度减少化学农药施用、降低防控成本与生态风险，具有显著的农业经济效益和生态环保价值，特别适用于山地果园等分布式、地形复杂、资源受限的农业边缘计算场景。