一种笠年逐日参考作物需水量预测方法、装置、设备及介质

摘要: 本发明涉及农业水土工程,特别涉及一种笠年逐日参考作物需水量预测方法、装置、设备及介质。背景技术:1、参考作物需水量是计算作物需水量的重要参数,也是作物模型、作物...
一种笠年逐日参考作物需水量预测方法、装置、设备及介质

本发明涉及农业水土工程,特别涉及一种笠年逐日参考作物需水量预测方法、装置、设备及介质。

背景技术:

1、参考作物需水量是计算作物需水量的重要参数,也是作物模型、作物水模型、智慧灌溉决策系统运行的重要输入参数。在农业水土领域,翌年的作物需水量对灌区编制动态用水计划、进行水资源调配具有重要意义。

2、参考作物需水量可采用penman–monteith公式根据气象数据计算获得,但目前现有气象预报只能提供未来较短时段(未来14天以内)的气象数据,任何一个作物生长周期均超过14天,且现有的参考作物需水量的预测方法,仅能够预测得到翌年的参考作物需水量年值,即对于翌年仅能得到一个预测数据,无法满足年内多种作物需求,更难以满足较小时间尺度上水资源精细调配以及作物模型逐日模拟的需求。

3、由上可见,实现对翌年逐日参考作物需水量的预测,且具有较好的预测精度对本领域具有重要意义。

技术实现思路

1、有鉴于此,本发明的目的在于提供一种笠年逐日参考作物需水量预测方法、装置、设备及介质,能够实现对翌年逐日参考作物需水量的预测,且具有较好的预测精度。其具体方案如下:

2、第一方面,本技术公开了一种笠年逐日参考作物需水量预测方法,包括:

3、获取气象站的历史每日气象数据,根据penman–monteith公式,以所述历史每日气象数据为基础,计算得到历史每日参考作物需水量及其辐射项和空气动力项;其中,所述历史每日气象数据包括日气温最大值、日气温最小值、日平均相对湿度、日平均风速、日太阳辐射或日照时数;辐射项为参考作物需水量中与辐射相关的物理分量;空气动力项为参考作物需水量中与空气动力相关的物理分量;

4、对历史每日参考作物需水量及其辐射项和空气动力项按照年份进行排序,并利用初斜率法和尾斜率法对历史每日参考作物需水量及其辐射项和空气动力项的年份序列进行计算,得到参考作物需水量及其辐射项和空气动力项的初斜率和尾斜率序列;其中,所述初斜率法为从年份序列开始年份n起,计算n至n+9年间、n至n+10年间、n至n+11年间、...、n至年份序列结束年份n间的参考作物需水量及其辐射项和空气动力项斜率;所述尾斜率法为从年份序列结束年份n起,计算n-9至n年间、n-10至n年间、n-11至n年间、...、n至n年间的参考作物需水量及其辐射项和空气动力项斜率;

5、对所述历史每日气象数据、参考作物需水量及其辐射项和空气动力项、参考作物需水量及其辐射项和空气动力项的初斜率和尾斜率序列,按照年份进行拼接并归一化处理,然后注入位置编码信息,得到时序位置融合矩阵;

6、基于多头自注意力机制构建transformer网络,利用蜣螂优化算法对transformer网络的参数进行全局寻优,得到优化后的transformer网络;所述参数包括学习率、批量大小、多头注意力头数、模型隐藏层维度、专家网络隐层节点数及丢弃率;

7、将所述时序位置融合矩阵输入至优化后的transformer网络,输出隐状态特征向量;

8、将所述隐状态特征向量输入至混合专家模型,得到辐射项动态权重、空气动力项动态权重、辐射项预测值以及空气动力项预测值;

9、基于所述辐射项动态权重、所述空气动力项动态权重、所述辐射项预测值以及所述空气动力项预测值,确定参考作物需水量预测值。

10、可选的,所述利用初斜率法和尾斜率法对历史每日参考作物需水量及其辐射项和空气动力项的年份序列进行计算,得到参考作物需水量及其辐射项和空气动力项的初斜率和尾斜率序列,包括:

11、利用初斜率法,以所述年份序列的起始固定年限值为锚点向后逐年扩展窗口,计算每个窗口内的历史每日参考作物需水量及其辐射项和空气动力项的年份序列的斜率值,得到参考作物需水量及其辐射项和空气动力项的初斜率序列;

12、利用尾斜率法,以所述年份序列的末尾固定年限值为锚点向前逐年扩展窗口,计算每个窗口内的历史每日参考作物需水量及其辐射项和空气动力项的年份序列的斜率值,得到参考作物需水量及其辐射项和空气动力项的尾斜率序列。

13、可选的,所述对所述历史每日气象数据、参考作物需水量及其辐射项和空气动力项、参考作物需水量及其辐射项和空气动力项的初斜率和尾斜率序列,按照年份进行拼接并归一化处理,然后注入位置编码信息,得到时序位置融合矩阵,包括:

14、对历史每日气象数据、历史每日参考作物需水量及其辐射项和空气动力项、参考作物需水量及其辐射项和空气动力项的初斜率和尾斜率序列进行拼接,得到拼接矩阵;

15、对所述拼接矩阵进行线性投影,并依据计算出的统计算子进行归一化处理,得到层归一化映射矩阵;

16、利用正余弦函数生成位置编码矩阵,将所述位置编码矩阵与所述层归一化映射矩阵进行逐元素相加,得到时序位置融合矩阵。

17、可选的,所述将所述隐状态特征向量输入至混合专家模型,得到辐射项动态权重、空气动力项动态权重、辐射项预测值以及空气动力项预测值,包括:

18、将隐状态特征向量输入至混合专家模型中的门控网络,并调用激活函数,以计算辐射项动态权重和空气动力项动态权重;

19、利用辐射以及空气动力专家子网络,对隐状态特征向量进行反向推演,得到辐射项预测值和空气动力项预测值。

20、可选的,所述基于所述辐射项动态权重、所述空气动力项动态权重、所述辐射项预测值以及所述空气动力项预测值,确定参考作物需水量预测值,包括:

21、对辐射项动态权重、空气动力项动态权重、辐射项预测值以及空气动力项预测值进行加权求和,以得到参考作物需水量预测值;

22、计算参考作物需水量预测值的公式为:

23、;

24、其中,为参考作物需水量预测值,为辐射项动态权重,为空气动力项动态权重,为辐射项预测值,为空气动力项预测值。

25、第二方面,本技术公开了一种笠年逐日参考作物需水量预测装置,包括:

26、参考作物需水量及其分项计算模块,用于获取气象站的历史每日气象数据,根据penman–monteith公式,以所述历史每日气象数据为基础,计算得到历史每日参考作物需水量及其辐射项和空气动力项;其中,所述历史每日气象数据包括日气温最大值、日气温最小值、日平均相对湿度、日平均风速、日太阳辐射或日照时数;辐射项为参考作物需水量中与辐射相关的物理分量;空气动力项为参考作物需水量中与空气动力相关的物理分量;

27、参考作物需水量及其分项初、尾斜率序列构建模块,用于对历史每日参考作物需水量及其辐射项和空气动力项按照年份进行排序,并利用初斜率法和尾斜率法对历史每日参考作物需水量及其辐射项和空气动力项的年份序列进行计算,得到参考作物需水量及其辐射项和空气动力项的初斜率和尾斜率序列;其中,所述初斜率法为从年份序列开始年份n起,计算n至n+9年间、n至n+10年间、n至n+11年间、...、n至年份序列结束年份n间的参考作物需水量及其辐射项和空气动力项斜率;所述尾斜率法为从年份序列结束年份n起,计算n-9至n年间、n-10至n年间、n-11至n年间、...、n至n年间的参考作物需水量及其辐射项和空气动力项斜率;

28、数据预处理模块,用于对所述历史每日气象数据、参考作物需水量及其辐射项和空气动力项、参考作物需水量及其辐射项和空气动力项的初斜率和尾斜率序列,按照年份进行拼接并归一化处理,然后注入位置编码信息,得到时序位置融合矩阵;

29、全局寻优模块,用于基于多头自注意力机制构建transformer网络,利用蜣螂优化算法对transformer网络的参数进行全局寻优,得到优化后的transformer网络;所述参数包括学习率、批量大小、多头注意力头数、模型隐藏层维度、专家网络隐层节点数及丢弃率;

30、隐状态特征向量确定模块,用于将所述时序位置融合矩阵输入至优化后的transformer网络,输出隐状态特征向量;

31、权重及预测值输出模块,用于将所述隐状态特征向量输入至混合专家模型,得到辐射项动态权重、空气动力项动态权重、辐射项预测值以及空气动力项预测值;

32、参考作物需水量预测值确定模块,用于基于所述辐射项动态权重、所述空气动力项动态权重、所述辐射项预测值以及所述空气动力项预测值,确定参考作物需水量预测值。

33、可选的,所述参考作物需水量及其分项初、尾斜率序列构建模块,包括:

34、参考作物需水量及其分项初斜率序列构建模块,用于利用初斜率法,以所述年份序列的起始固定年限值为锚点向后逐年扩展窗口,计算每个窗口内的历史每日参考作物需水量及其辐射项和空气动力项的年份序列的斜率值,得到参考作物需水量及其辐射项和空气动力项的初斜率序列;

35、参考作物需水量及其分项尾斜率序列构建模块,用于利用尾斜率法,以所述年份序列的末尾固定年限值为锚点向前逐年扩展窗口,计算每个窗口内的历史每日参考作物需水量及其辐射项和空气动力项的年份序列的斜率值,得到参考作物需水量及其辐射项和空气动力项的尾斜率序列。

36、可选的,所述数据预处理模块,包括:

37、拼接模块,用于对历史每日气象数据、历史每日参考作物需水量及其辐射项和空气动力项、参考作物需水量及其辐射项和空气动力项的初斜率和尾斜率序列进行拼接,得到拼接矩阵;

38、归一化处理模块,用于对所述拼接矩阵进行线性投影,并依据计算出的统计算子进行归一化处理,得到层归一化映射矩阵;

39、逐元素相加模块,用于利用正余弦函数生成位置编码矩阵,将所述位置编码矩阵与所述层归一化映射矩阵进行逐元素相加,得到时序位置融合矩阵。

40、第三方面,本技术公开了一种电子设备,包括:

41、存储器,用于保存计算机程序;

42、处理器,用于执行所述计算机程序,以实现前述的笠年逐日参考作物需水量预测方法。

43、第四方面,本技术公开了一种计算机可读存储介质,用于保存计算机程序;其中,所述计算机程序被处理器执行时实现前述公开的笠年逐日参考作物需水量预测方法的步骤。

44、可见,本技术提供了一种笠年逐日参考作物需水量预测方法,包括获取气象站的历史每日气象数据,根据penman–monteith公式,以所述历史每日气象数据为基础,计算得到历史每日参考作物需水量及其辐射项和空气动力项;其中,所述历史每日气象数据包括日气温最大值、日气温最小值、日平均相对湿度、日平均风速、日太阳辐射或日照时数;辐射项为参考作物需水量中与辐射相关的物理分量;空气动力项为参考作物需水量中与空气动力相关的物理分量;对历史每日参考作物需水量及其辐射项和空气动力项按照年份进行排序,并利用初斜率法和尾斜率法对历史每日参考作物需水量及其辐射项和空气动力项的年份序列进行计算,得到参考作物需水量及其辐射项和空气动力项的初斜率和尾斜率序列;其中,所述初斜率法为从年份序列开始年份n起,计算n至n+9年间、n至n+10年间、n至n+11年间、...、n至年份序列结束年份n间的参考作物需水量及其辐射项和空气动力项斜率;所述尾斜率法为从年份序列结束年份n起,计算n-9至n年间、n-10至n年间、n-11至n年间、...、n至n年间的参考作物需水量及其辐射项和空气动力项斜率,能够在不同时间跨度的窗口上刻画同一日期参考作物需水量的多尺度长期演变趋势,既包含长效记忆信息、又兼顾不同时间尺度,从而使后续模型预测不易受到单一年份偶然气象波动的干扰,显著提升了结果的稳定性;对所述历史每日气象数据、参考作物需水量及其辐射项和空气动力项、参考作物需水量及其辐射项和空气动力项的初斜率和尾斜率序列,按照年份进行拼接并归一化处理,然后注入位置编码信息,得到时序位置融合矩阵;基于多头自注意力机制构建transformer网络,利用蜣螂优化算法对transformer网络的参数进行全局寻优,得到优化后的transformer网络;所述参数包括学习率、批量大小、多头注意力头数、模型隐藏层维度、专家网络隐层节点数及丢弃率,实现了超参数的自动化以及全局化选取,降低对人工经验的依赖,提升模型整体的预测性能与寻优效率;将所述时序位置融合矩阵输入至优化后的transformer网络,输出隐状态特征向量,进而为后续预测提供长期趋势约束,兼顾了预测的稳定性与对逐日波动的响应能力;将所述隐状态特征向量输入至混合专家模型,得到辐射项动态权重、空气动力项动态权重、辐射项预测值以及空气动力项预测值;基于所述辐射项动态权重、所述空气动力项动态权重、所述辐射项预测值以及所述空气动力项预测值,确定参考作物需水量预测值,实现了两个物理分量的独立建模与权重的按需动态分配,能够在维持物理结构平衡的同时增强对极端天气等异常情形的适应能力,提升模型的抗噪性与鲁棒性,提高逐日预测的准确性与稳定性。