CO2平衡驱动的番茄净初级生产力预测方法及装置
- 国知局
- 2024-10-09 15:20:54
本发明涉及人工智能,尤其涉及一种co2平衡驱动的番茄净初级生产力预测方法及装置。
背景技术:
1、温室内番茄的净初级生产力(net primary production,npp)是指番茄在单位时间(特定时间段如本年或者定植以来)内通过光合作用固定的有机碳减去呼吸作用消耗的有机碳(常见单位为g/m2/yr),反映了番茄的生长速率和生物量积累。温室内番茄npp的预测对于评估番茄的生长状况、预测番茄的产量和品质、指导温室内的水肥管理和病虫防治等具有重要的意义和价值。理论上,co2是番茄光合作用的必需物质,co2平衡对于温室内番茄npp的预测具有重要的影响,同时也是番茄呼吸作用的产物。
2、现有的技术往往只利用单一或有限的数据源,采集温室内外的单模态或少模态数据,缺乏温室内番茄的多模态数据的利用,导致数据的质量和完整性不高,难以充分反映温室内番茄的生长特征和状态,影响预测的准确性和可靠性。
技术实现思路
1、本发明提供一种co2平衡驱动的番茄净初级生产力预测方法及装置,用以提升温室内番茄的净初级生产力的预测准确率。
2、本发明提供一种co2平衡驱动的番茄净初级生产力预测方法,包括:
3、采集温室的多模态数据,所述多模态数据包括温室内的co2浓度变化数据、温室内的温度数据、温室内的湿度数据、温室内的光照强度数据、温室外的风速数据、温室内的作物的生长状态数据、温室的遥感数据以及温室的控制操作数据中的一项或者多项;
4、对所述多模态数据进行数据融合,并基于多模态变分自编码器对融合后的数据进行关键特征提取,得到所述多模态数据的关键特征;
5、将所述关键特征以及所述温室的物理参数输入预先构建的co2平衡计算模型,得到所述co2平衡计算模型输出的所述温室内的co2累积消耗量,所述co2平衡计算模型是基于核函数改进的深度核学习神经网络结合深度高斯过程构建的;
6、将所述co2累积消耗量输入预先构建的净初级生产力估算模型,得到所述净初级生产力估算模型输出的所述温室内的番茄净初级生产力,所述净初级生产力估算模型是基于稠密连接网络结合注意力机制网络构建的。
7、根据本发明提供的一种co2平衡驱动的番茄净初级生产力预测方法,所述将所述关键特征以及所述温室的物理参数输入预先构建的co2平衡计算模型,得到所述co2平衡计算模型输出的所述温室内的co2累积消耗量,包括:
8、将所述关键特征以及所述温室的物理参数输入深度核学习神经网络进行深度特征提取,得到所述关键特征的深度特征;
9、基于核函数,将所述深度特征映射至高维的特征空间,得到高维深度特征;
10、基于深度高斯过程对所述高维深度特征进行co2累积消耗预测,得到所述温室内的co2累积消耗量。
11、根据本发明提供的一种co2平衡驱动的番茄净初级生产力预测方法,所述将所述co2累积消耗量输入预先构建的净初级生产力估算模型,得到所述净初级生产力估算模型输出的所述温室内的番茄净初级生产力,包括:
12、将所述co2累积消耗量输入稠密连接网络进行特征提取,得到第一残差特征;
13、将所述co2累积消耗量输入注意力机制网络进行特征提取,得到第二残差特征;
14、将所述第一残差特征以及所述第二残差特征进行融合,得到融合特征,并对所述融合特征进行净初级生产力预测,得到所述温室内的番茄净初级生产力。
15、根据本发明提供的一种co2平衡驱动的番茄净初级生产力预测方法,所述基于多模态变分自编码器对融合后的数据进行关键特征提取,得到所述多模态数据的关键特征,包括:
16、基于编码器将所述融合后的数据映射为潜在变量的分布,并基于解码器将潜在变量的分布构为多模态数据矩阵,所述多模态变分自编码器是基于编码器和解码器组成;
17、基于所述多模态数据矩阵,确定所述多模态数据的关键特征。
18、根据本发明提供的一种co2平衡驱动的番茄净初级生产力预测方法,所述co2平衡计算模型的训练过程包括:
19、基于随机梯度哈密尔顿蒙特卡罗的哈密尔顿蒙特卡罗采样,自适应调整初始co2平衡计算模型的参数,得到初步参数调整后的co2平衡计算模型;
20、基于随机梯度朗之万动力学的朗之万动力学的噪声,自适应地调整所述初步参数调整后的co2平衡计算模型的参数,得到所述co2平衡计算模型。
21、根据本发明提供的一种co2平衡驱动的番茄净初级生产力预测方法,所述净初级生产力估算模型的训练过程包括:
22、基于自适应梯度裁剪的梯度的二阶矩,自适应地调整初始净初级生产力估算模型的梯度的裁剪阈值,得到初步参数调整后的净初级生产力估算模型;
23、基于自适应动量估计的梯度的一阶矩和二阶矩,自适应地调整所述初步参数调整后的净初级生产力估算模型的学习率和动量,得到所述净初级生产力估算模型。
24、本发明还提供一种co2平衡驱动的番茄净初级生产力预测装置,包括:
25、数据采集模块,用于采集温室的多模态数据,所述多模态数据包括温室内的co2浓度变化数据、温室内的温度数据、温室内的湿度数据、温室内的光照强度数据、温室外的风速数据、温室内的作物的生长状态数据、温室的遥感数据以及温室的控制操作数据中的一项或者多项;
26、特征提取模块,用于对所述多模态数据进行数据融合,并基于多模态变分自编码器对融合后的数据进行关键特征提取,得到所述多模态数据的关键特征;
27、参数估计模块,用于将所述关键特征以及所述温室的物理参数输入预先构建的co2平衡计算模型,得到所述co2平衡计算模型输出的所述温室内的co2累积消耗量,所述co2平衡计算模型是基于核函数改进的深度核学习神经网络结合深度高斯过程构建的;
28、预测模块,用于将所述co2累积消耗量输入预先构建的净初级生产力估算模型,得到所述净初级生产力估算模型输出的所述温室内的番茄净初级生产力,所述净初级生产力估算模型是基于稠密连接网络结合注意力机制网络构建的。
29、本发明还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一种所述co2平衡驱动的番茄净初级生产力预测方法。
30、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,所述计算机程序被处理器执行时实现如上述任一种所述co2平衡驱动的番茄净初级生产力预测方法。
31、本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述co2平衡驱动的番茄净初级生产力预测方法。
32、本发明提供的co2平衡驱动的番茄净初级生产力预测方法及装置,通过将温室内的co2平衡作为净初级生产力预测的主要驱动因素,实现温室内的co2累积消耗量的实时计算和监测。与此同时,利用多模态数据融合和深度学习技术,依次构建co2平衡计算模型和净初级生产力估算模型,实现从数据采集到数据分析的“端到端”的流程,提升了净初级生产力预测准确性。
本文地址:https://www.jishuxx.com/zhuanli/20241009/308440.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表