一种基于给定农灾资料强化学习的灾后作物产值预估方法

技术领域

本发明属于深度学习与强化学习技术领域，具体涉及的是一种基于给定农灾资料强化学习的灾后作物产值预估方法。

背景技术

为了应对气候变化、不断增加的人口和粮食需求的挑战，及时、准确、可靠的大规模作物产量估计在作物管理、食品安全评价、食品贸易和决策方面比以往任何时候都更加必要。随着人工智能和大数据分析的发展，基于数据挖掘和机器学习技术的预测模型广泛存在。深度学习在各个领域的应用越来越多，并表现出比传统技术更好的性能。虽然深度学习在产量估算方面取得了一些进展，但将深度学习应用于农业仍处于起步阶段，特别是在作物产量估算方面。它可以自动地从输入数据中提取新的特征，并减少了对特征工程的需要。由于农作物病害发生的原因很多，大部分病害发生与气象条件、土壤条件、生物学特性以及农业基础措施等很多因素紧密相关，而且在病害发生和发展的不同阶段一般是很多环境因素综合发生作用，各个因素之间经常相互制约和相互影响，现有传统农作物病害预测方法的准确率不高。依靠传统方式构建的建模变量特征集不能充分挖掘非连续特征在高维空间的联系。Palanivel等提出了一种在大数据计算模式下利用机器学习技术预测作物产量的方法。对于各类农业气象灾害重要因素的考量，Xu等基于循环神经网络设计了时空循环神经网络，利用多维环境数据对小麦黄锈病严重程度进行预测。Feng等使用多层感知器预测地面干旱指数。

发明内容

本发明的目的在于：提供一种基于给定农灾资料强化学习的灾后作物产值预估方法,以解决现有技术中现有传统农作物病害预测方法的准确率不高的问题。

为实现上述目的，本发明提供如下技术方案：基于预设划分的各个目标地理区域、各个目标地理区域所对应历史气象农灾数据和历史环境信息数据构成的原始数据集、各个目标地理区域对应的收成季时间区、以及各个目标地理区域所对应历史气象农灾数据和历史环境信息数据构成的原始数据集对应的最终目标地理区域的农业产值，执行以下步骤S1至步骤S9,获得最终灾后作物产值预估模型，实现给定气象农灾数据和环境信息数据的各个目标地理区域的农业产值预测；

步骤S1:基于各个目标地理区域所对应的历史气象农灾数据和历史环境信息数据构成的原始数据集，对所述原始数据集中的各个数据进行特征分析，获得各个目标地理区域所对应的环境特征向量集；

步骤S2:利用自编码网络，基于各个目标地理区域，以环境特征向量集中的各个环境特征向量为输入、环境特征向量集所对应的解码重构后的非线性组合环境特征集为输出，构建农业灾害发生概率模型；

步骤S3：分别将各个收成季时间区划分为以下四个目标时间区：收成季开始前时间区、收成季初期时间区、收成季中期时间区、收成季后期时间区，进一步提取并获得各个目标时间区对应的非线性环境组合特征集中历史气象农灾数据动态变量和历史环境信息数据静态变量；

步骤S4:利用LSTM神经网络，以各个目标时间区对应的原始数据集中历史气象农灾数据动态变量为输入、各个目标时间区对应的原始数据集中历史气象农灾数据动态变量对应的动态气象及农业关联数据分组为输出构建模拟作物生长模型；

步骤S5:利用BP神经网络，以各个目标时间区对应的原始数据集中环境信息数据静态变量为输入、各个目标时间区对应的原始数据集中历史环境信息数据静态变量对应的静态变量气象及农业关联数据分组为输出构建多层感知机模型；

步骤S6:基于目标时间区对应的原始数据集中历史气象农灾数据动态变量对应的动态气象及农业关联数据分组、以及目标时间区对应的原始数据集中历史环境信息数据静态变量对应的静态变量气象及农业关联数据分组构成的动态静态气象及农业关联数据分组数据特征训练集S；

步骤S7:基于数据特征训练集S，通过Q学习算法，调整动态静态气象及农业关联数据分组数据特征训练集S中的动态气象及农业关联数据分组特征的权重、静态变量气象及农业关联数据分组特征的权重，获得调整后权重的动态静态气象及农业关联数据分组数据特征训练集S＇；

步骤S8:利用MLP神经网络，以调整后权重的动态静态气象及农业关联数据分组数据特征训练集S＇为输入、调整后权重的动态静态气象及农业关联数据分组数据特征对应的各个目标地理区域的农业产值为输出，构建初级灾后作物产值预估模型；

步骤S9：基于已获得的农业灾害发生概率模型、模拟作物生长模型、多层感知机模型、初级灾后作物产值预估模型；并结合与所述各个目标地理区域所对应的环境特征向量集、各个目标时间区对应的非线性环境组合特征集中历史气象农灾数据动态变量和历史环境信息数据静态变量、动态静态气象及农业关联数据分组数据特征训练集S、以及调整后权重的动态静态气象及农业关联数据分组数据特征训练集S＇之间的关联性，以各个目标地理区域所对应历史气象农灾数据和环境信息数据构成的原始数据集为输入，最终目标地理区域的农业产值为输出构建并训练最终灾后作物产值预估模型；同时利用Q学习算法，并预设初级灾后作物产值模型的收敛值，针对该最终灾后作物产值预估模型的动作参数微调，获得最终灾后作物产值预估模型、最终灾后作物产值预估模型的最优动作参数、以及最终目标地理区域的农业产值。

进一步地，前述的步骤S1具体为：对所述原始数据集中的各个数据进行特征分析，获得环境特征向量集x

进一步地，前述的所述步骤S2中具体为：按如下公式

并且按如下公式：

进一步地，前述的所述LSTM神经网络维护一个模拟作物生长模型中的时间步长的链结构，每个时间步长(h

进一步地，前述的步骤S6，具体为：所述构成的动态静态气象及农业关联数据分组数据特征训练集为：S＝{s

进一步地，前述的所述步骤S7中，包括步骤S71至步骤S73；

步骤S71:：按如下公式Q(S

步骤S72:初始化训练集S＝{s

步骤S73：智能体选择并执行动作设为a

进一步地，前述的所述步骤S9中包括以下步骤S91至步骤S93；

步骤S91:以调整后权重的动态静态气象及农业关联数据分组数据特征训练集S＇为输入，初级灾后作物产值预估模型的中间层各层的参数G＝{g

步骤S92:按如下公式：Q(S

步骤S93:对初级灾后作物产值预估模型进行迭代训练，通过代理执行的初级灾后作物产值预估模型的中间层参数G＝{g

进一步地，前述的步骤S1中，所述历史气象农灾数据和历史环境信息数据构成的原始数据中的历史气象农灾数据由从云数据存储平台中获得；历史环境信息数据由生物气候信息、地形信息和土壤信息中获得。

进一步地，前述的步骤S3中，非线性环境组合特征集中历史气象农灾数据动态变量为：四个目标时间区在时间维度上不断变化的变量，非线性环境组合特征集中环境信息数据静态变量为：四个目标时间区内依据环境信息数据变化的稳定变量。

本发明采用上述技术方案具有如下有益效果：本发明提出带有环境信息编码的针对收成季节推移的农业产值异构预测网络，遵循时间维度，依次对收成季开始前、开始后初中末期，在空间维度上解析各关联数据分组所对应二维特征平面集合，并采用异构神经网络组件细粒度解析动态与静态特征要素，全面考虑了气象与农业各要素在产值与灾害上的相关性。同时，本发明以训练完成的预测模型作为环境，使用Q学习算法，以模型的预测准确率为收益强化学习建模调整模型参数以及训练集输入权重的方法可以有效的提高模型的预测精度。通过对训练集中特征的取舍决策训练Agent，使得筛选后的训练集在不同的训练器中表现的更加优秀。LSTM神经网络通过输入门、遗忘门、输出门，与记忆细胞互相配合，使得序列信息可以更好地向后传递。三个门的设计克服RNN中梯度消失问题，能够更好地捕捉序列中较长的依赖关系，适合作物产值预测这种序列信息建模。采用LSTM对长时间内时序特征能够很好记忆的优点，对历史运行数据进行序列学习和特征训练，有助于提高预测精度。

附图说明

图1是基于给定气象农灾资料的灾后作物产值预估改进方法的流程图；

图2是随收成季推移的异构农作物产值预估网络；

图3是最终灾后作物产值预估模型中强化学习环境建模示意图；

图4是由调整输入集权重而构建的强化学习收益的示意图。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。在本发明中参照附图来描述本发明的各方面，附图中示出了许多说明性实施例。本发明的实施例不局限于附图所述。应当理解，本发明通过上面介绍的多种构思和实施例，以及下面详细描述的构思和实施方式中的任意一种来实现，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。

结合流程图及实施案例对本发明所述的一种基于给定农灾资料强化学习的灾后作物产值预估方法作进一步的详细描述。

如图1所示，本方法包含如下步骤，步骤S1:从云数据存储平台中获得历史气象农灾数据、从生物气候、遥感卫星、地形和土壤条件等方面收集更为丰富的历史环境信息数据构成原始数据集，对所述原始数据集中的各个数据进行特征分析，获得各个目标地理区域所对应的环境特征向量集；

步骤S2:利用自编码网络，基于各个目标地理区域，以步骤S1获得的环境特征向量集中的各个环境特征向量为输入、环境特征向量集所对应的解码重构后的非线性组合环境特征集为输出，构建农业灾害发生概率模型；

步骤S3：分别将各个收成季时间区划分为以下四个目标时间区：收成季开始前时间区、收成季初期时间区、收成季中期时间区、收成季后期时间区，进一步提取并获得各个目标时间区对应的非线性环境组合特征集中历史气象农灾数据动态变量和历史环境信息数据静态变量；

步骤S4:利用LSTM神经网络，以各个目标时间区对应的原始数据集中历史气象农灾数据动态变量为输入、各个目标时间区对应的原始数据集中历史气象农灾数据动态变量对应的动态气象及农业关联数据分组为输出构建模拟作物生长模型；

步骤S5:利用BP神经网络，以各个目标时间区对应的原始数据集中环境信息数据静态变量为输入、各个目标时间区对应的原始数据集中环境信息数据静态变量对应的静态变量气象及农业关联数据分组为输出构建多层感知机模型；

步骤S6:基于目标时间区对应的原始数据集中历史气象农灾数据动态变量对应的动态气象及农业关联数据分组、以及目标时间区对应的原始数据集中环境信息数据静态变量对应的静态变量气象及农业关联数据分组构成的动态静态气象及农业关联数据分组数据特征训练集S；

步骤S7:基于数据特征训练集S，通过Q学习算法，调整动态静态气象及农业关联数据分组数据特征训练集S中的动态气象及农业关联数据分组特征的权重、静态变量气象及农业关联数据分组特征的权重，获得调整后权重的动态静态气象及农业关联数据分组数据特征训练集S＇；

步骤S8:利用MLP神经网络，以调整后权重的动态静态气象及农业关联数据分组数据特征训练集S＇为输入、调整后权重的动态静态气象及农业关联数据分组数据特征对应的各个目标地理区域的农业产值为输出，构建初级灾后作物产值预估模型；

步骤S9：基于已获得的农业灾害发生概率模型、模拟作物生长模型、多层感知机模型、初级灾后作物产值预估模型；并结合与所述各个目标地理区域所对应的环境特征向量集、各个目标时间区对应的非线性环境组合特征集中历史气象农灾数据动态变量和历史环境信息数据静态变量、动态静态气象及农业关联数据分组数据特征训练集S、以及调整后权重的动态静态气象及农业关联数据分组数据特征训练集S＇之间的关联性，以各个目标地理区域所对应历史气象农灾数据和历史环境信息数据构成的原始数据集为输入，最终目标地理区域的农业产值为输出构建并训练最终灾后作物产值预估模型；同时利用Q学习算法，并预设初级灾后作物产值模型的收敛值，针对该最终灾后作物产值预估模型的动作参数微调，获得最终灾后作物产值预估模型、最终灾后作物产值预估模型的最优动作参数、以及最终目标地理区域的农业产值。

如图2所示，随收成季推移的异构农作物产值预估网络。分别将各个收成季时间区划分为以下四个目标时间区：收成季开始前时间区、收成季初期时间区、收成季中期时间区、收成季后期时间区，进一步提取并获得各个目标时间区对应的非线性环境组合特征集中历史气象农灾数据动态变量和历史环境信息数据静态变量。

对于历史气象农灾数据动态变量，利用LSTM神经网络获得动态气象及农业关联数据分组。LSTM神经网络维护一个模拟作物生长模型中的时间步长的链结构，每个时间步长(h

基于目标时间区对应的原始数据集中历史气象农灾数据动态变量对应的动态气象及农业关联数据分组、以及目标时间区对应的原始数据集中环境信息数据静态变量对应的静态变量气象及农业关联数据分组构成的动态静态气象及农业关联数据分组数据特征训练集S，所述构成的动态静态气象及农业关联数据分组数据特征训练集为：S＝{s

如图3所示，为本发明强化学习环境建模示意图；基于已获得的农业灾害发生概率模型、模拟作物生长模型、多层感知机模型、初级灾后作物产值预估模型；并结合与所述各个目标地理区域所对应的环境特征向量集、各个目标时间区对应的非线性环境组合特征集中历史气象农灾数据动态变量和历史环境信息数据静态变量、动态静态气象及农业关联数据分组数据特征训练集S、以及调整后权重的动态静态气象及农业关联数据分组数据特征训练集S＇之间的关联性，以各个目标地理区域所对应历史气象农灾数据和历史环境信息数据构成的原始数据集为输入，最终目标地理区域的农业产值为输出构建并训练最终灾后作物产值预估模型；同时利用Q学习算法，并预设初级灾后作物产值模型的收敛值，针对该最终灾后作物产值预估模型的动作参数微调，获得最终灾后作物产值预估模型、最终灾后作物产值预估模型的最优动作参数、以及最终目标地理区域的农业产值。

具体为：步骤S91:以调整后权重的动态静态气象及农业关联数据分组数据特征训练集S＇为输入，初级灾后作物产值预估模型的中间层各层的参数G＝{g

步骤S92:按如下公式：Q(S

步骤S93:对初级灾后作物产值预估模型进行迭代训练，通过代理执行的初级灾后作物产值预估模型的中间层参数G＝{g

如图4为由调整输入集权重而构建的强化学习收益的示意图；图4根据农灾类型相关数据，研究多灾种对作物产值的综合作用，执行改变权重动作，得到最优选择策略，再实施收益最大化训练增量模型，最终获得灾后作物产值预测结果。由此可见，本方法全面考虑了气象与农业各要素在产值与灾害上的相关性。”

虽然本发明已以较佳实施例阐述如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。