一种基于人工智能图像的农作物产量预测方法及系统与流程
本发明涉及图像识别,尤其涉及一种基于人工智能图像的农作物产量预测方法及系统。
背景技术:
1、农业保险在承保、查勘和理赔过程中,不仅需要确认投保地块的位置、面积和作物类型,还需要判断作物长势、预估产量水平以及灾害发生后产量变化情况。农作物产量直接关系到保险标的风险水平、承保金额核定、灾害损失评估和理赔金额计算。若保险机构仅依靠农户申报、人工抽查、基层机构上报数据或业务报表获取产量相关信息,容易受到地块分布范围广、种植结构差异大、现场核查成本高、数据更新不及时以及各方信息不对称等因素影响,导致承保风险判断不准确、理赔损失认定不稳定,进而影响农业保险业务的精准性和合规性。
2、随着农业保险精细化管理和风险预警需求提高,保险机构需要在作物生长过程中及时掌握不同地块的长势变化和产量趋势,以便为承保核验、灾前风险评估、灾后损失测算以及服务商工作质量评价提供客观依据。卫星遥感技术具有覆盖范围广、获取周期相对稳定、空间信息明确和多时相观测能力强等特点,现有技术可基于多期卫星遥感影像提取植被指数、光谱特征、纹理特征、作物覆盖度等遥感图像特征,并结合历史产量数据建立农作物产量预测模型,从而对地块级或区域级农作物产量进行预测。然而,在实际应用中,不同地块的播种时间、出苗时间、生长速度、受灾情况和成熟时间存在差异,直接按照固定采集日期或统一生育阶段组织多时相图像特征,容易造成图像特征与作物实际生长状态不匹配,影响产量预测结果的稳定性。
3、例如公告号为:cn117808034b的中国发明专利公开的一种基于狼鸟优化算法的农作物产量预测优化方法,包括:s1、改进狼鸟优化算法的搜索比率因子#imgabs0#,继而建立狼鸟优化算法的位置更新数学模型;s2、将lstm网络模型的最佳学习率因子#imgabs1#和正则化系数#imgabs2#实数编码为一个空间解集与狼鸟算法的乌鸦和狼种群位置建立映射关系;s3、利用改进后的狼鸟算法对lstm网络模型的最佳学习率因子#imgabs3#和正则化系数#imgabs4#参数整定;得到最佳学习率因子#imgabs5#和正则化系数#imgabs6#;s4、利用优化后的lstm网络对影响农作物产量的因素数据处理,输出最佳农作物产量预测数据,通过本发明的方法,解决传统lstm网络预测时,学习率因子和正则化系数不稳定的问题,提高对农作物产量预测的准确性。
4、发现上述技术至少存在如下技术问题:
5、首先,现有基于卫星遥感图像的农作物产量预测方法通常按照采集日期、采集月份、采集序号或区域统一生育阶段组织多时相图像特征,但在实际应用中,不同地块的播种时间、出苗时间、生长速度、受灾情况和成熟时间存在差异。若仅依据固定日期、固定月份、固定采集序号或区域统一生育阶段组织图像特征,仍可能导致相同输入位置的图像特征在不同地块中对应不同实际生长状态,使模型学习到的遥感图像特征与最终产量之间的对应关系不稳定。
6、其次,在多期卫星遥感影像获取过程中,不同地块受云、阴影、无数据像元、影像质量和卫星重访周期影响,能够保留下来的有效影像数量和采集日期往往不一致。若直接按照实际采集日期或原始时相数量组织图像特征,容易造成不同地块输入模型的特征长度、特征排列位置或特征含义不一致,影响模型训练和预测过程的稳定性。
7、此外,部分地块可能因有效影像数量不足、植被指数变化幅度过小、影像缺失或影像质量不稳定,难以客观区分作物生长过程中的上升阶段、高值阶段和下降阶段。如果直接排除该类地块,会减少可预测对象;如果强行划分阶段,则可能引入错误的阶段归属,影响后续模型输入和产量预测结果。
技术实现思路
1、为了解决现有技术存在的多时相图像特征与作物实际生长状态错配、有效时相不一致及难分段地块影响预测稳定性的技术问题,本发明实施例提供了一种基于人工智能图像的农作物产量预测方法及系统。技术方案如下:
2、一方面,提供了一种基于人工智能图像的农作物产量预测方法,该方法应用于遥感图像处理设备,该方法包括:获取地块边界和多期卫星遥感影像,剔除无效像元并按有效像元比例筛选时相,生成有效多时相遥感特征序列;根据有效多时相遥感特征序列得到各地块目标植被的生长幅度,并将各地块划分为不可分段地块和可分段地块,其中,可分段地块包括上升段、峰值段和下降段;根据不可分段地块和可分段地块计算各有效时相的生长进程位置,并结合峰值段幅度比例得到每个地块带有生长进程位置的遥感特征序列;根据带有生长进程位置的遥感特征序列生成生长进程对齐特征矩阵;基于训练地块的生长进程对齐特征矩阵和最终实测产量训练得到人工智能产量预测模型;将待预测地块的生长进程对齐特征矩阵输入人工智能产量预测模型输出预测产量。
3、另一方面,提供了一种基于人工智能图像的农作物产量预测系统,系统用于执行一种基于人工智能图像的农作物产量预测方法,应用于遥感图像处理设备,系统包括:有效多时相遥感特征序列生成模块,用于获取地块边界和多期卫星遥感影像,剔除无效像元并按有效像元比例筛选时相,生成有效多时相遥感特征序列;生长段划分模块,用于根据有效多时相遥感特征序列得到各地块目标植被的生长幅度,并将各地块划分为不可分段地块和可分段地块,其中,可分段地块包括上升段、峰值段和下降段;生长进程位置计算模块,用于根据不可分段地块、上升段、峰值段和下降段计算各有效时相的生长进程位置,并结合峰值段幅度比例得到每个地块带有生长进程位置的遥感特征序列;生长进程对齐特征矩阵生成模块,用于根据带有生长进程位置的遥感特征序列生成生长进程对齐特征矩阵;人工智能产量预测模型训练模块,用于基于训练地块的生长进程对齐特征矩阵和最终实测产量训练得到人工智能产量预测模型;产量预测模块,用于将待预测地块的生长进程对齐特征矩阵输入人工智能产量预测模型输出预测产量。
4、本发明实施例提供的技术方案带来的有益效果至少包括:
5、通过对多期卫星遥感影像进行一致化预处理、无效像元剔除和有效时相筛选,并对有效像元的固定遥感特征字段逐列取中位数形成遥感图像特征向量,能够降低云覆盖、云阴影、无数据区域、异常像元和不同影像条件对地块级特征提取的影响,使不同地块、不同有效时相的遥感图像特征具有一致的数据结构,为后续生长进程对齐和产量预测提供可靠输入。对有效时相数量和生长幅度区分不可分段地块和可分段地块,并对不可分段地块关联存储不可分段原因信息,能够避免对有效观测不足或目标植被指数变化幅度不足的地块强行划分上升段、峰值段和下降段,降低错误阶段归属对后续模型输入和预测结果的影响。
6、通过以目标植被指数最大值所在时相为中心,并根据目标植被指数最大值、生长幅度和当前峰值段幅度比例计算峰值段下限,能够使峰值段范围随单个地块自身植被指数变化动态确定,而不是采用固定日期、固定采集序号或固定植被指数阈值进行划分,从而提高不同长势水平地块的峰值段划分适配性。
7、通过设置预设生长进程节点集合,将峰值段有效时相赋值为中心节点,将上升段有效时相按照累计上升量映射至生长前端节点至中心节点之间,并将下降段有效时相按照累计下降量映射至中心节点至生长后端节点之间,能够将不同采集日期下的有效时相转换为归一化生长进程位置,解决不同地块相同输入位置可能对应不同实际生长状态的问题,减少多时相图像特征与作物实际生长状态之间的错配。
8、通过根据带有生长进程位置的遥感特征序列生成生长进程对齐特征矩阵,先对相同生长进程位置下的遥感图像特征向量进行归并得到代表特征向量,再通过直接赋值、线性插值或最近邻填充得到各预设生长进程节点对应的节点特征向量,能够解决不同地块有效时相数量不同、采集日期不同导致模型输入长度、排列位置和特征含义不一致的问题,使不同地块形成行列结构一致、节点含义一致的模型输入。
9、通过对不可分段地块的全部有效时相遥感图像特征向量逐列取中位数,得到唯一代表特征向量,并将该唯一代表特征向量分别作为全部预设生长进程节点对应的节点特征向量,能够在无法客观划分生长段的情况下仍生成完整的生长进程对齐特征矩阵,避免不可分段地块无法进入后续预测流程,并降低单个异常时相或短期波动对地块整体特征表达的影响。
10、通过在训练阶段和预测阶段采用相同的固定遥感特征字段、目标植被指数值、预设生长进程节点集合以及特征矩阵生成规则,能够保证训练地块和待预测地块的数据组织方式一致,减少因特征排列方式不同导致的预测偏差,提高人工智能产量预测模型输出结果的稳定性。
11、通过基于训练地块和验证地块对峰值段幅度比例候选集合进行比较,计算各候选值对应的验证地块平均绝对误差,并将平均绝对误差最小的候选值作为更新后的峰值段幅度比例,能够降低峰值段幅度比例设置不适配对峰值段划分、生长进程位置计算以及生长进程对齐特征矩阵构建的影响,提高后续预测周期或下一轮参数更新中峰值段划分与当前样本数据的适配性。
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