申请/专利权人：安徽农业大学

申请日：2024-01-16

公开（公告）日：2024-04-12

公开（公告）号：CN117575111B

主分类号：G06Q10/04

分类号：G06Q10/04;G06N3/0455;G06N3/0464;G06N3/096;G06Q50/02;G06V10/82;G06V20/10

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2024.03.08#实质审查的生效;2024.02.20#公开

摘要：本发明属于农业遥感图像处理技术领域，具体是一种基于迁移学习的农业遥感图像时空序列预测方法，该方法包括：从农业遥感设备收集农作物产量相关的数据作为数据集；对数据集进行清洗和预处理；利用Transformer架构的自注意力机制来处理时空数据；进行迁移学习，利用之前预训练的模型权重作为初始权重进行训练；构建一个网络输出层，用于输出预测农作物产量的相关信息；根据具体的应用需求，对预测结果进行必要的后处理。本发明结合了迁移学习和Transformer自注意力机制，特别是利用了Transformer架构在处理时空序列数据上的优势，来预测农作物的产量，具有更快地训练模型并提高预测精度的优点。

主权项：1.一种基于迁移学习的农业遥感图像时空序列预测方法，其特征在于：该方法包括以下步骤：获取农业遥感设备收集的一个农作物区域的农作物产量数据，将获取的农作物产量数据作为数据集；对所述数据集进行数据清洗、数据标准化、特征工程以及数据划分；采用包含三层Transformer架构的自注意力机制模型，其中，第一层包括一个嵌入Embedding，第二层包括六个Transformer编码器模块，第三层包括一个输出层，并采用预处理后的数据集对Transformer架构的自注意力机制模型进行训练，得到最优配置参数的Transformer架构的自注意力机制模型；以训练好的Transformer架构的自注意力机制模型作为迁移学习的起点，选择另一个农作物或区域作为目标任务，并收集相应的新遥感数据，对新遥感数据执行所述数据清洗、数据标准化、特征工程以及数据划分的步骤，并通过有限次训练来微调模型参数以适应目标域的特征，得到适用于目标任务的模型参数；构建一个具有单个神经元的全连接层，并将迁移学习模型的输出连接到新建的全连接层；然后，使用线性激活函数对全连接层的输出进行激活，并使用均方误差MSE损失函数进行训练；训练过程中，通过调整模型参数以最小化MSE损失函数，得到训练后的预测模型；训练完成后，利用预测模型对新的农作物区域进行预测，输出预测的农作物产量数据；根据历史数据对预测的农作物产量数据进行调整和校正，将预测结果在地图上可视化；嵌入Embedding表示遥感图像补丁嵌入，对于遥感图像数据将每个图像补丁通过一个小型的卷积神经网络转换为一个向量；Transformer编码器模块由六个重复的编码器组成，每个编码器包含一个自注意力子层和一个前馈神经网络子层，每个子层后面都跟着归一化和残差连接；采用预处理后的数据集对Transformer架构的自注意力机制模型进行训练的步骤包括：输入数据：将划分好的数据集中的训练集输入到Transformer架构的自注意力机制模型中进行训练；构建Transformer架构的自注意力机制模型，Transformer架构的自注意力机制模型包含Transformer编码器模块和解码器模块，Transformer编码器模块对输入的数据集通过自注意力模块加权，然后通过前向传播后转化为包含输入信息的隐向量序列；解码器模块对Transformer编码器模块输出的隐向量之间用自注意力机制模块加权，并依次输出整个需要预测的农作物产量预测结果；构建自注意力机制模块，自注意力机制模块用于求取数据中每个输入与其余输入的相关性，自注意力机制模块嵌入在Transformer编码器模块中，用于提高模型捕捉序列特征的能力；在Transformer编码器模块中加入目标序列对隐向量序列的自注意力机制模块，通过自注意力机制模块为预测模型输出的隐向量和预测模型外部输入目标序列之间进行的注意力；预测模型中设有封装Mask模块，用于遮挡Transformer编码器模块输入自注意力机制模块的部分输入；预测模型中设有封装Mask模块，用于在Transformer编码器模块计算过键值，查询点积后，获得一个三角形的矩阵，采用一个三角形的矩阵遮挡当前输入之后时间序列的特征。

全文数据：

权利要求：

百度查询： 安徽农业大学 一种基于迁移学习的农业遥感图像时空序列预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD