耦合过程模型和深度学习的农作物产量预测方法及装置与流程

1.本发明涉及农作物生产管理技术领域，尤其涉及一种耦合过程模型和深度学习的农作物产量预测方法及装置。


背景技术：

2.随着深度学习与大数据技术的发展，遥感大数据为农业应用提供了信息化和智能化的发展途径，将推动农业遥感估产的发展，极大提升智慧农业的水平。农作物及时准确的产量估算对于指导科学生产具有极为重要的现实意义。
3.目前的作物估产方法大都分为两种，一种是机理性，另一种是数据驱动型的。通过解析“气象—土壤—技术措施”与小麦生理生态过程的机理关系，对小麦的生长发育及产量形成过程进行定量的预测。但根据现有模型预测小麦的产量，使用的参数较多，数据处理过程非常复杂，预测的精度和速度还有待提高。而基于数据驱动型的作物估产方法同样往往借助于种植经验，使得估产偏差极大。


技术实现要素：

4.本发明提供的耦合过程模型和深度学习的农作物产量预测方法，用于克服上述现有技术中存在的至少一个问题，能够实现对农作物产量实时准确的估产，并对指导农业生产具有重大意义。
5.本发明提供一种耦合过程模型和深度学习的农作物产量预测方法，包括：
6.将训练集样本和待估产地块的目标农作物产量输入至预设物理指导网络pgnet模型进行训练，以获取目标pgnet模型；
7.将测试集样本输入至所述目标pgnet模型，以获取所述目标农作物产量的预测值；
8.其中，所述训练集样本为分别对采集的所述待估产地块的遥感数据、气象数据和土壤数据进行预处理后得到的；
9.所述测试集样本为分别对所述训练集样本之后时刻采集的所述待估产地块的遥感数据、气象数据和土壤数据进行预处理后得到的；
10.所述遥感数据是根据sentinel
‑
2数据确定的。
11.根据本发明提供的一种耦合过程模型和深度学习的农作物产量预测方法，对所述待估产地块的遥感数据、气象数据和土壤数据进行预处理，包括：
12.对所述气象数据进行特征重建，确定与所述气象数据对应的气象一维数组；
13.对所述土壤数据进行特征重建，确定与所述土壤数据对应的土壤一维数组；
14.对所述遥感数据进行去云处理和特征重建，确定与所述遥感数据对应的遥感三维数组。
15.根据本发明提供的一种耦合过程模型和深度学习的农作物产量预测方法，所述对所述遥感数据进行去云处理和特征重建，确定与所述遥感数据对应的遥感三维数组，包括：
16.基于预设云阴影自动检测算法对所述遥感数据进行去云处理，并按照目标生长季
对去云处理后的遥感数据中的每一个数据点对应的光谱波段进行排列；
17.基于移动窗口最小二乘多项式平滑算法对排列后的遥感数据进行滤波平滑处理，以获取所述遥感数据的二维数组；
18.根据所述待估产地块的尺度，确定所述遥感数据的分位数；
19.根据所述分位数和所述二维数组，确定与所述遥感三维数组；
20.其中，所述目标生长季是根据目标农作物的生长季确定的。
21.根据本发明提供的一种耦合过程模型和深度学习的农作物产量预测方法，所述将训练集样本和待估产地块的目标农作物产量输入至预设物理指导网络pgnet模型进行训练，以获取目标pgnet模型，包括：
22.将所述训练集样本和所述待估产地块的目标农作物产量输入至所述预设pgnet模型进行迭代训练，并在满足预设条件时，停止训练，以获取所述目标pgnet模型；
23.其中，所述预设条件包括迭代次数达到预设最大迭代次数阈值或所述预设pgnet模型的损失函数小于等于预设阈值。
24.根据本发明提供的一种耦合过程模型和深度学习的农作物产量预测方法，所述预设pgnet模型的损失函数通过如下方式获取：
25.根据所述待估产地块的目标农作物产量和所述待估产地块的目标农作物产量的测量值，确定所述预设pgnet模型的预测误差函数；
26.根据所述待估产地块的目标农作物的光能利用率和目标物理指导参数，确定所述预设pgnet模型的第一损失误差函数；
27.根据所述预测误差函数和所述第一损失误差函数，确定所述预设 pgnet模型的损失函数；
28.其中，所述待估产地块的目标农作物产量的测量值为将所述训练集样本输入至所述预设pgnet模型的输出结果；
29.所述目标物理指导参数是根据所述预设pgnet模型中第一分支的特征图谱和第二分支的特征图谱的比值确定的。
30.根据本发明提供的一种耦合过程模型和深度学习的农作物产量预测方法，所述目标农作物的光能利用率通过如下方式获取：
31.根据所述目标农作物的各器官的含热量、单位面积上所述目标农作物产量和目标生长季内单位面积的光合有效辐射能，获取所述目标农作物的光能利用率；
32.其中，所述光能利用率在预设正常波动范围内波动。
33.本发明还提供一种耦合过程模型和深度学习的农作物产量预测装置，包括：模型确定模块以及产量预测模块；
34.所述模型确定模块，用于将训练集样本和待估产地块的目标农作物产量输入至预设物理指导网络pgnet模型进行训练，以获取目标 pgnet模型；
35.所述产量预测模块，用于将测试集样本输入至所述目标pgnet 模型，以获取所述目标农作物产量的预测值；
36.其中，所述训练集样本为分别对采集的所述待估产地块的遥感数据、气象数据和土壤数据进行预处理后得到的；
37.所述测试集样本为分别对所述训练集样本之后时刻采集的所述待估产地块的遥
感数据、气象数据和土壤数据进行预处理后得到的；
38.所述遥感数据是根据sentinel
‑
2数据确定的。
39.根据本发明提供的一种耦合过程模型和深度学习的农作物产量预测装置，还包括：数据处理模块，用于对所述待估产地块的遥感数据、气象数据和土壤数据进行预处理：
40.对所述气象数据进行特征重建，确定与所述气象数据对应的气象一维数组；
41.对所述土壤数据进行特征重建，确定与所述土壤数据对应的土壤一维数组；
42.对所述遥感数据进行去云处理和特征重建，确定与所述遥感数据对应的遥感三维数组。
43.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述耦合过程模型和深度学习的农作物产量预测方法的步骤。
44.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述耦合过程模型和深度学习的农作物产量预测方法的步骤。
45.本发明提供的耦合过程模型和深度学习的农作物产量预测方法及装置，对采集的待估产地块的遥感数据、气象数据和土壤数据进行预处理，并将预处理后的数据作为训练集样本，基于训练集样本和待估产地块的目标农作物产量进行模型训练，得到目标pgnet模型，从而使得基于获得的目标pgnet模型实现对农作物产量实时准确的估产，并对指导农业生产具有重大意义。
附图说明
46.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
47.图1是本发明提供的耦合过程模型和深度学习的农作物产量预测方法的流程示意图；
48.图2是本发明提供的耦合过程模型和深度学习的农作物产量预测方法的pgnet模型结构示意图；
49.图3是本发明提供的耦合过程模型和深度学习的农作物产量预测装置的结构示意图；
50.图4是本发明提供的电子设备的结构示意图。
具体实施方式
51.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
52.图1是本发明提供的耦合过程模型和深度学习的农作物产量预测方法的流程示意
图，如图1所示，方法包括：
53.s1、将训练集样本和待估产地块的目标农作物产量输入至预设物理指导网络pgnet模型进行训练，以获取目标pgnet模型；
54.s2、将测试集样本输入至目标pgnet模型，以获取目标农作物产量的预测值；
55.其中，训练集样本为分别对采集的待估产地块的遥感数据、气象数据和土壤数据进行预处理后得到的；
56.测试集样本为分别对训练集样本之后时刻采集的待估产地块的遥感数据、气象数据和土壤数据进行预处理后得到的；
57.遥感数据是根据sentinel
‑
2数据确定的。
58.需要说明的是，上述方法的执行主体可以是电子设备、电子设备中的部件、集成电路、或芯片。该电子设备可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra
‑
mobile personal computer，umpc)、上网本或者个人数字助理(personal digital assistant，pda)等，非移动电子设备可以为服务器、网络附属存储器(network attached storage，nas)、个人计算机(personal computer，pc)、电视机(television，tv)、柜员机或者自助机等，本发明不作具体限定。
59.具体地，首先通过野外试验采集待估产地块中农作物类型、农作物产量、土壤的酸碱度及含水量等指标，并将土壤的酸碱度及含水量作为土壤数据，根据农作物类型得到对待估产地块的目标农作物的产量进行预测。
60.针对待估产地块级别的农作物估产，将结合sentinel
‑
2数据的高分辨率(10米)以及多光谱的特征，收集生长季的对应遥感数据，以及根据气象局发布的数据收集待估产地块的气象数据，其中，遥感数据主要光谱波段包括红光(中心波长0.665μm)，蓝光(中心波长 0.490μm)和近红外(中心波段0.842μm)等。
61.然后，对获得的待估产地块的遥感数据、气象数据和土壤数据进行数据预处理，并将预处理后的数据作为训练集样本，并将对在训练集样本之后时刻采集的待估产地块的遥感数据、气象数据和土壤数据进行数据预处理后的数据作为测试集样本，用于目标物理指导网络 (physics
‑
guided network，pgnet)模型的输入，以输出待估产地块的目标农作物产量的预测值。
62.目标pgnet模型，是通过将训练集样本和待估产地块的目标农作物产量输入至预设物理指导网络pgnet模型进行训练得到的。其中，其中，预设pgnet模型包括了卷积过程、深度可分离卷积、batch normalization层、注意力机制cbam模块和最为关键的基于光合作用的过程模型。其中，基于光合作用的过程模型主要用于调整光能，土壤和水分生产效益，并根据目标农作物的光能利用率不断调整神经网络当中的特征图谱，实现高精度的作物产量预测。预设pgnet模型的结构示意图如图2所示。其中输入特征是预处理后的遥感数据、气象数据和土壤数据。所有数据通过两个分支进行输入，分支一：通过遥感监测作物吸收的光能，比如作物强吸收的红光和蓝光，强反射的绿光等；分支二：土壤数据和气象数据观测的时间序列数据。整体的网络结构主要包括卷积，深度可分离卷积，batch normalization层，注意力机制cbam模块和基于光合作用的过程模型。
63.batch normalization层在于使标准化成为模型体系结构的一部分，并为每个小
批量训练执行标准化，收敛速度更快，模型泛化能力更强。 batch normalization算法的网络层前向推导过程公式：
[0064][0065]
式中m是批归一化的尺寸，ε是防止方差为0时分式不成立而设置的常量，x
i
是批归一化“前”的特征图谱的值。
[0066][0067]
式中γ，β通过训练得到，为避免数据归一化破坏特征分布，以此通过重构变换来恢复原始的特征分布，y
i
是批归一化“后”的特征图谱的值。
[0068]
注意力机制cbam模块：
[0069]
cbam可以有效的将两个分支的数据进行融合，从而使得pgnet 模型能够将光能利用、水分生产效益和土壤条件相结合。其具体过程如下：给定一个中间特征映射f∈r
c
×
h
×
w
作为输入，生成的一维通道注意图m
c
∈r
c
×1×1，二维空间注意图m
s
∈r1×
h
×
w
，其中，c代表特征图谱的通道数，h和w分别是特征图谱的长和宽，整体过程可以概括为:
[0070][0071][0072]
表示逐元素相乘，在相乘过程中，值会被广播。相应地，通道注意值被沿着空间维度广播，反之亦然。f
″
是最终输出。
[0073]
基于光合作用的过程模块：
[0074]
pgnet会根据不同的作物的光能利用率来调整和惩戒两个分支的数据，其中，基于光合作用的过程模块分两次应用在低维和高维数据上，其基本流程是通过土壤数据和水分生产效益来限制光能利用，保证输入神经网络的光谱数据在不断卷积的过程中依然能在正确的光能利用率范围内波动。
[0075]
本发明提供的耦合过程模型和深度学习的农作物产量预测方法，对采集的待估产地块的遥感数据、气象数据和土壤数据进行预处理，并将预处理后的数据作为训练集样本，基于训练集样本和待估产地块的目标农作物产量进行模型训练，得到目标pgnet模型，从而使得基于获得的目标pgnet模型实现对农作物产量实时准确的估产，并对指导农业生产具有重大意义。
[0076]
进一步地，在一个实施例中，对待估产地块的遥感数据、气象数据和土壤数据进行预处理，可以具体包括：
[0077]
步骤a、对气象数据进行特征重建，确定与气象数据对应的气象一维数组；
[0078]
步骤b、对土壤数据进行特征重建，确定与土壤数据对应的土壤一维数组；
[0079]
步骤c、对遥感数据进行去云处理和特征重建，确定与遥感数据对应的遥感三维数组。
[0080]
进一步地，在一个实施例中，步骤c可以具体包括：
[0081]
步骤c1、基于预设云阴影自动检测算法对遥感数据进行去云处理，并按照目标生
长季对去云处理后的遥感数据中的每一个数据点对应的光谱波段进行排列；
[0082]
步骤c2、基于移动窗口最小二乘多项式平滑算法对排列后的遥感数据进行滤波平滑处理，以获取遥感数据的二维数组；
[0083]
步骤c3、根据待估产地块的尺度，确定遥感数据的分位数；
[0084]
步骤c4、根据分位数和二维数组，确定与遥感三维数组；
[0085]
其中，目标生长季是根据目标农作物的生长季确定的。
[0086]
具体地，对采集到的气象数据进行特征重建，将气象数据作为一维数组中的元素，以构建气象一维数组，采用同样的方法对采集到的土壤数据进行特征重建，将土壤数据作为一维数组中的元素，以构建土壤一维数组。
[0087]
通过预设云阴影自动检测算法(function of mask，fmask)算法对sentinel
‑
2数据去云处理，并将去云处理后的数据中每一个数据点对应的光谱波段按照目标生长季排列，并通过移动窗口最小二乘多项式平滑(savitzky
‑
golay，sg)算法滤波平滑重建，从而构建生长季
×
波段的二维数组。同时考虑待估产地块的地块尺度设计了多个维度的特征重建方案，根据不同的待估产地块的地块尺度获取地块内遥感数据的中位数、四分位数、百分位数等分位数，从而形成生长季
×
波段
×
分位数的遥感三维数组。其中，目标生长季随着待估产地块的目标农作物的类型变化而改变。
[0088]
本发明提供的耦合过程模型和深度学习的农作物产量预测方法，通过对遥感、气象和土壤数据进行预处理，使得最终获得的目标 pgnet模型能够实现对不同待估产地块尺度的农作物产量的精准预测。
[0089]
进一步地，在一个实施例中，步骤s1可以具体包括：
[0090]
s11、将训练集样本和待估产地块的目标农作物产量输入至预设 pgnet模型进行迭代训练，并在满足预设条件时，停止训练，以获取目标pgnet模型；
[0091]
其中，预设条件包括迭代次数达到预设最大迭代次数阈值或预设 pgnet模型的损失函数小于等于预设阈值。
[0092]
具体地，将训练集样本和待估产地块的目标农作物产量输入至预设pgnet模型进行迭代训练，若迭代次数达到预设最大迭代次数阈值或预设pgnet模型的损失函数小于等于预设阈值，停止训练，经过数据多次迭代和神经网络模型的不断训练，保存训练得到的模型，以获取目标pgnet模型，从而实现基于过程的深度学习模型，最终能够准确实时的进行作物产量估算。
[0093]
本发明提供的耦合过程模型和深度学习的农作物产量预测方法，经过多次迭代和神经网络模型的不断训练，保存训练得到的模型，从而实现基于过程的深度学习模型，最终能够实时的进行作物产量的准确估算。
[0094]
进一步地，在一个实施例中，步骤s11中预设pgnet模型的损失函数通过如下方式获取：
[0095]
s111、根据待估产地块的目标农作物产量和待估产地块的目标农作物产量的测量值，确定预设pgnet模型的预测误差函数；
[0096]
s112、根据待估产地块的目标农作物的光能利用率和目标物理指导参数，确定预设pgnet模型的第一损失误差函数；
[0097]
s113、根据预测误差函数和第一损失误差函数，确定预设pgnet 模型的损失函数；
[0098]
其中，待估产地块的目标农作物产量的测量值为将训练集样本输入至预设pgnet模型的输出结果；
[0099]
目标物理指导参数是根据预设pgnet模型中第一分支的特征图谱和第二分支的特征图谱的比值确定的。
[0100]
具体地，通常，深度学习的回归问题中用预测误差(残差)来衡量模型预测值与真实标记(待估产地块的目标农作物产量的测量值) 的逼近程度。假设回归问题中对应第i个输入特征x
i
的真实标记为 y
i
＝(y1,y2,
…
,y
m
)
t
，m为标记向量总维度，则即表示样本i上网络回归预测值与其真实标记在第t维的预测误差(残差)
[0101][0102]
同时考虑将物理指导加入深度学习的模块当中，因此引入光能利用率η来改进了损失函数的计算。模型中添加的目标物理指导参数为 f
i
，通过光能分支(图2中分支2)的特征图谱f
l
和水土分支(图2 中分支1)的f
w
进行比值计算得到，同时目标物理指导参数f
i
包括分别应用在低维的特征图谱f
li
和高维的特征图谱上，并根据待估产地块的目标农作物的光能利用率和目标物理指导参数，确定预设pgnet 模型的第一损失误差函数
[0103]
f
i
＝f
l
/f
w
[0104][0105]
然后，根据预测误差函数和第一损失误差函数，确定预设pgnet 模型的损失函数l
loss
：
[0106][0107]
式中，n为输入样本总数。
[0108]
本发明提供的耦合过程模型和深度学习的农作物产量预测方法，基于预测误差来衡量模型农作物产量预测值与真实值的逼近程度，并加入物理指导模块，根据不同农作物的光能利用率从而不断调整神经网络当中的特征图谱，最终实现高精度的作物产量预测。
[0109]
进一步地，在一个实施例中，目标农作物的光能利用率通过如下方式获取：
[0110]
根据目标农作物的各器官的含热量、单位面积上目标农作物产量和目标生长季内单位面积的光合有效辐射能，获取目标农作物的光能利用率；
[0111]
其中，光能利用率在预设正常波动范围内波动。
[0112]
具体地，光能利用率一般指单位土地面积上，农作物通过光合作用所产生的有机物主所含的能量与这块土地所接收到的太阳能的比。理论计算值一般可达6～8％，而实际生产中仅为0.5～1％，最大可达 2％。一般农田光能利用率平均只有0.4％，北京郊区亩产1000kg的地块，光能利用率达到4.0％，长江流域亩产1500kg的试验田，光能利用率为5.0％。
[0113]
根据目标农作物的各器官的含热量、单位面积上目标农作物产量和目标生长季内单位面积的光合有效辐射能，基于如下公式计算获取目标农作物的光能利用率η：
[0114][0115]
式中，q为作物各器官的含热量，即单位干物重燃烧产生的热量，是单位质量的有机物固定的物化能，m为单位面积上目标农作物的生物学产量，∑qpar为目标生长季内单位面积的光合有效辐射能。
[0116]
需要说明的是，光能利用率η在预设正常波动范围内波动，预设正常波动范围内的光能利用率可以通过如下公式计算得到：
[0117][0118]
其中η
′
代表光能利用率的波动范围，fw表示分支1(如图2所示) 上的光能经过卷积之后的特征图谱，f
l
表示分支2(如图2所示)上的土壤和气象数据经过卷积之后的特征图谱。
[0119]
本发明提供的耦合过程模型和深度学习的农作物产量预测方法，通过土壤条件和水分生产效益来限制光能利用，保证在对输入神经网络的气象以及土壤数据处理的过程中，其光能利用率是在正常范围内波动的。
[0120]
下面对本发明提供的耦合过程模型和深度学习的农作物产量预测装置进行描述，下文描述的耦合过程模型和深度学习的农作物产量预测装置与上文描述的耦合过程模型和深度学习的农作物产量预测方法可相互对应参照。
[0121]
图3是本发明提供的耦合过程模型和深度学习的农作物产量预测装置的结构示意图，如图3所示，包括：模型确定模块310以及产量预测模块311；
[0122]
模型确定模块310，用于将训练集样本和待估产地块的目标农作物产量输入至预设物理指导网络pgnet模型进行训练，以获取目标 pgnet模型；
[0123]
产量预测模块311，用于将测试集样本输入至目标pgnet模型，以获取目标农作物产量的预测值；
[0124]
其中，训练集样本为分别对采集的待估产地块的遥感数据、气象数据和土壤数据进行预处理后得到的；
[0125]
测试集样本为分别对训练集样本之后时刻采集的待估产地块的遥感数据、气象数据和土壤数据进行预处理后得到的；
[0126]
遥感数据是根据sentinel
‑
2数据确定的。
[0127]
本发明提供的耦合过程模型和深度学习的农作物产量预测装置，对采集的待估产地块的遥感数据、气象数据和土壤数据进行预处理，并将预处理后的数据作为训练集样本，基于训练集样本和待估产地块的目标农作物产量进行模型训练，得到目标pgnet模型，从而使得基于获得的目标pgnet模型实现对农作物产量实时准确的估产，并对指导农业生产具有重大意义。
[0128]
进一步地，在一个实施例中，耦合过程模型和深度学习的农作物产量预测装置还包括：
[0129]
数据处理模块312，用于对待估产地块的遥感数据、气象数据和土壤数据进行预处理：
[0130]
对气象数据进行特征重建，确定与气象数据对应的气象一维数组；
[0131]
对土壤数据进行特征重建，确定与土壤数据对应的土壤一维数组；以及
[0132]
对遥感数据进行去云处理和特征重建，确定与遥感数据对应的遥感三维数组。
[0133]
本发明提供的耦合过程模型和深度学习的农作物产量预测装置，通过对遥感、气象和土壤数据进行预处理，使得最终获得的目标 pgnet模型能够实现对不同待估产地块尺度的农作物产量的精准预测。
[0134]
图4是本发明提供的一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(communication interface)411、存储器(memory)412和总线(bus) 413，其中，处理器410，通信接口411，存储器412通过总线413完成相互间的通信。处理器410可以调用存储器412中的逻辑指令，以执行如下方法：
[0135]
将训练集样本和待估产地块的目标农作物产量输入至预设物理指导网络pgnet模型进行训练，以获取目标pgnet模型；
[0136]
将测试集样本输入至目标pgnet模型，以获取目标农作物产量的预测值；
[0137]
其中，训练集样本为分别对采集的待估产地块的遥感数据、气象数据和土壤数据进行预处理后得到的；
[0138]
测试集样本为分别对训练集样本之后时刻采集的待估产地块的遥感数据、气象数据和土壤数据进行预处理后得到的；
[0139]
遥感数据是根据sentinel
‑
2数据确定的。
[0140]
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
onlymemory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0141]
进一步地，本发明公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的耦合过程模型和深度学习的农作物产量预测方法，例如包括：
[0142]
将训练集样本和待估产地块的目标农作物产量输入至预设物理指导网络pgnet模型进行训练，以获取目标pgnet模型；
[0143]
将测试集样本输入至目标pgnet模型，以获取目标农作物产量的预测值；
[0144]
其中，训练集样本为分别对采集的待估产地块的遥感数据、气象数据和土壤数据进行预处理后得到的；
[0145]
测试集样本为分别对训练集样本之后时刻采集的待估产地块的遥感数据、气象数据和土壤数据进行预处理后得到的；
[0146]
遥感数据是根据sentinel
‑
2数据确定的。
[0147]
另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的耦合过程模型和深度学
习的农作物产量预测方法，例如包括：
[0148]
将训练集样本和待估产地块的目标农作物产量输入至预设物理指导网络pgnet模型进行训练，以获取目标pgnet模型；
[0149]
将测试集样本输入至目标pgnet模型，以获取目标农作物产量的预测值；
[0150]
其中，训练集样本为分别对采集的待估产地块的遥感数据、气象数据和土壤数据进行预处理后得到的；
[0151]
测试集样本为分别对训练集样本之后时刻采集的待估产地块的遥感数据、气象数据和土壤数据进行预处理后得到的；
[0152]
遥感数据是根据sentinel
‑
2数据确定的。
[0153]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0154]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0155]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。