融合遗传约束与注意力模型的冬小麦后代表型预测方法及系统

本发明涉及农业信息，特别涉及融合遗传约束与注意力模型的冬小麦后代表型预测方法及系统。

背景技术：

1、冬小麦作为全球重要的粮食作物，其产量稳定对保障粮食安全至关重要。冬小麦表型，如株高、生物量及最终的产量构成要素，是衡量其生长状况和评估产量的直接指标。精准、动态地预测冬小麦表型，对于实现田间精细化管理、优化资源配置及应对气候变化具有重要意义，是现代智慧农业发展的核心技术之一。

2、当前，冬小麦表型预测的技术手段主要有：基于物理过程的作物生长模型，这类模型通过数学公式来描述作物光合作用、水分利用、养分循环等核心生理生态过程，机理性强；纯数据驱动的统计或机器学习模型，这类方法利用历史积累的气象、遥感及田间观测数据，通过算法学习输入变量与输出表型之间的复杂非线性关系，直接进行预测。

3、但是，基于物理过程的模型虽然机理清晰，但其内部参数众多且难以精确标定，对复杂的基因与环境互作过程的刻画存在简化，导致在特定地块的预测精度受限。纯数据驱动模型则高度依赖训练数据的数量和质量，其预测过程缺乏明确的生理学约束，在面临训练数据未曾覆盖的极端气候事件时，容易产生违背基本生长规律的预测结果，泛化能力和可靠性不足。

技术实现思路

1、本发明在进行表型预测中，融合了环境调控系数和遗传约束，使表型预测结果符合生理生态规律的同时体现环境的影响，保证了预测的准确性和可靠性。

2、本发明提出的技术方案为：融合遗传约束与注意力模型的冬小麦后代表型预测方法，所述方法包括：

3、s1、获取目标地块的多源生态时序数据以及历史同期的小麦表型观测序列；

4、s2、构建冬小麦生长模型，将多源生态时序数据输入冬小麦生长模型，以每日步长模拟潜在生物量积累及器官建成动态，并输出中间变量；

5、s3、将多源生态时序数据编码为高维特征张量，输入预训练的多模态模型，输出时空上下文特征，所述多模态模型包含时序transformer支路和卷积空间支路；

6、s4、利用时空上下文特征和中间变量预测目标地块的预测表型值，使预测表型值符合基本生理生态规律；

7、s5、计算获取预测表型值的不确定性区间。

8、优选的，所述多源生态时序数据包括逐日气象数据、土壤墒情数据、田间管理记录、遥感植被指数；

9、所述逐日气象数据包括：气温、降水量、日照时数、风速；

10、所述土壤墒情数据包括：不同深度土壤的含水量、电导率、有机质含量；

11、所述田间管理记录包括：播种期、施肥量、灌溉日期；

12、所述遥感植被指数包括：归一化植被指数ndvi和增强型植被指数evi和叶绿素指数lci；

13、所述小麦表型观测序列包括：株高、单株分蘖数、叶面积指数、地上部生物量、穗长、穗粒数及收获期千粒重。

14、优选的，所述冬小麦生长模型采用基于辐射利用效率rue的干物质生产框架，并引入积温校正函数，当有效积温偏离品种最适区间时，下调同化速率；

15、将根系层土壤有效含水量与实际蒸散需求的比值定义为水分胁迫因子，通过潜在蒸散发公式penman-monteith公式计算参考蒸散量，以动态调整气孔导度限制系数。

16、优选的，所述多模态模型中的时序transformer支路采用非等间隔时间编码，以适应气象观测缺失或采样不均的情况；

17、所述卷积空间支路采用空洞卷积，用于捕捉大范围气象系统对小麦群体结构的协同影响。

18、优选的，所述将多源生态时序数据编码为高维特征张量，输入预训练的多模态模型，输出时空上下文特征，包括：

19、将多源生态时序数据编码为t×h×w×c的张量；h、w为目标地块和周边区域地块的网格的长度和宽度；c为变量的通道数，t为时间分辨率；

20、对第个时间点的h×w×c切片记为；

21、利用获得目标地块的全局时间特征向量和全局空间特征向量；

22、利用全局时间特征向量和全局空间特征向量获得时空上下文特征向量。

23、优选的，所述利用时空上下文特征和中间变量预测目标地块的预测表型值，使预测表型值符合基本生理生态规律，包括：

24、获取时空上下文特征向量；

25、利用所有中间变量构成拼接向量；

26、获取时空上下文特征向量，将拼接向量与时空上下文特征向量输入仿射参数网络进行融合，获得得到修正特征向量；

27、通过全连接网络，将映射为k个标量值，并通过激活函数sigmoid 函数约束输出在区间，获得环境响应调控向量；所述环境响应调控系数为0-1之间的连续值；

28、通过所述历史同期的小麦表型观测序列率定该生长模型中的品种固有参数，得到遗传潜力基线；

29、通过环境响应调控向量对预测表型值进行修正，获得最终的预测表型值；所述最终的表型预测值为遗传潜力基线与环境响应调控向量的乘积，使预测表型值符合基本生理生态规律。

30、优选的，所述通过所述历史同期的小麦表型观测序列率定冬小麦生长模型中的品种固有参数，得到遗传潜力基线，包括：

31、设定待率定品种参数集合；

32、为最大单株分蘖数，为潜在千粒重，为潜在穗粒数；

33、将历史预测表型值与历史同期的小麦表型观测序列的均方根误差加权求和作为优化目标，构建目标函数：

34、；

35、其中，为当日叶面积指数的均方根误差，为株高的均方根误差，为成熟期千粒重预测表型值，为成熟期千粒重观测值，为穗粒数预测表型值，为穗粒数观测值；、、、为性状权重，取值均为1；

36、内参数的初始值取值范围为：的取值范围为1.2-2.8g/mj；的取值范围为0.4-0.8；的取值范围为2-8；的取值范围为35-55g，的取值范围为25-55粒/穗；

37、采用无梯度优化算法在内参数的取值范围最小化目标函数，获得最优参数集；

38、率定结束后，最优参数集内的参数即为该品种的固有参数，利用固有参数构成遗传潜力基线。

39、优选的，所述计算获取预测表型值的不确定性区间，包括：

40、基于蒙特卡洛丢弃dropout，输出预测表型值的方差；

41、利用预测表型值的方差构建预测表型值的不确定性区间。

42、融合遗传约束与注意力模型的冬小麦后代表型预测系统，所述系统用于执行所述的融合遗传约束与注意力模型的冬小麦后代表型预测方法。

43、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现上所述的融合遗传约束与注意力模型的冬小麦后代表型预测方法。

44、本发明的有益效果：

45、1、本发明中，采用多模态大模型有效整合了多源异构数据，并能深刻捕捉生长过程中的长程时间依赖与大范围空间协同影响，提高了预测的精准度。

46、2、本发明中，最终的预测表型值为遗传潜力基线与环境响应调控向量的乘积，体现了环境对预测表型的影响，并且使预测表型值不会超过遗传潜力基线，实现了遗传约束。此外，通过量化预测结果的不确定性区间，提高了预测结果的可解释性。