买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：江苏省气候中心

摘要：本发明公开了结合气象适宜度的Transformer冬小麦产量预测方法，具体包括以下步骤：S1、数据采集；S2、数据清洗与整合；S3、气候适宜度分析；S4、构建Transformer模型并训练；S5、模型验证与优化：采用k折交叉验证方法对Transformer模型进行验证，并结合网格搜索来寻找最佳的模型超参数组合；S6、冬小麦产量预测；本发明涉及农作物产量预测技术领域。该结合气象适宜度的Transformer冬小麦产量预测方法，使用Transformer模型并结合多模态数据进行定制化修改和训练，使得模型能够更好地捕捉数据中的复杂关系和模式，提高了模型的泛化能力和预测精度。

主权项：1.结合气象适宜度的Transformer冬小麦产量预测方法，其特征在于：具体包括以下步骤：S1、数据采集：实时采集气象数据和冬小麦生长环境数据，并抽样采集冬小麦本身生长数据，同时调取历史种植的各项数据；S2、数据清洗与整合：对数据进行检查、去重与冗余处理，并对来源不同的数据进行时间和空间上的整合与对齐，对于缺失数据进行填补；S3、气候适宜度分析：建立专家知识库，并将专家知识整合到气候适宜度计算中，使用加权方法，依据冬小麦的生长周期将不同阶段的适宜度整合为一个综合指标Ci；S4、构建Transformer模型并训练：将气象数据、土壤数据、卫星图像多模态数据融合，并动态调整不同模态数据的权重建立Transformer模型，结合冬小麦生长的特点对Transformer模型进行定制化修改，通过优化算法训练Transformer模型；S5、模型验证与优化：采用k折交叉验证方法对Transformer模型进行验证，并结合网格搜索来寻找最佳的模型超参数组合；S6、冬小麦产量预测：使用实际采集的数据代入Transformer模型预测冬小麦产量，并设定更新时间定时更新；所述步骤S1中，采集的气象数据包括日平均温度T、日降水量P，冬小麦生长环境数据包括日平均土壤湿度S、病虫害指数D、农药使用量Nu、肥料使用量Fu，冬小麦本身生长数据包括叶面积指数L、叶绿素含量Chl；所述农药使用量Nu特征包括农药种类、使用量、使用日期信息；所述肥料使用量Fu特征包括肥料种类、施肥量、施肥时间；历史种植的各项数据为待预测品种的冬小麦种植的历史数据，如果更换冬小麦品种且初次种植，则获取更换的新品种冬小麦的培育数据；所述步骤S2中，对于缺失数据采用插值或机器学习预测方法进行填补，并利用特征提取和选择技术，识别出对冬小麦产量影响显著的特征，使用主成分分析或自编码器技术进行特征降维，减少模型复杂度；所述步骤S3中气候适宜度计算：考虑温度、降水量和土壤湿度对气候适宜度的影响，并引入非线性关系和权重调整，设计如下的气候适宜度指数C： ；其中，α、β、γ、δ、ϵ是根据历史数据和专家知识确定的权重系数；Topt是冬小麦生长的最优温度；Pmax和Smax分别是降水量和土壤湿度的最大值；exp表示以自然常数e为底的指数函数；所述步骤S4中构建Transformer模型具体包括：S4.1模型输入：将预处理后的数据T、P、S、D、Nu、Fu、L、Chl、C进行归一化处理，并编码为模型可接受的嵌入向量序列；S4.2多模态数据融合：设计专门的融合层，用于将气象数据、土壤数据、卫星图像多模态数据融合为统一的特征表示，并引入注意力机制来动态调整不同模态数据的权重，使得模型能够根据当前输入自适应地关注更重要的特征；S4.3模型架构：定义Transformer模型的层数L、隐藏层大小H、多头注意力机制的头数A、位置编码方式参数；结合图神经网络来处理空间上的相关性；所述步骤S4中Transformer模型的训练具体包括：S4.4建立损失函数：使用加权均方误差WMSE作为损失函数，处理不同特征之间的量纲差异： ；其中，N是样本数量，yi是实际产量，y^i是预测产量，wi是每个样本的权重；S4.5优化算法：使用优化算法优化Transformer模型，优化算法为正则化、自适应学习率、动量方法或AdamW中的一种；S4.6学习率策略：使用学习率衰减策略，随着训练的进行逐渐减小学习率；所述步骤S5中模型验证包括：采用k折交叉验证，即将数据分为k个部分，每次使用k-1个部分作为训练集，剩下的1个部分作为验证集，对于每一次验证计算以下指标：平均绝对误差MAE： ；其中，N^是验证集样本数量；均方根误差RMSE： ；在k折交叉验证完成后，计算这些指标的平均值作为模型性能的最终评估；所述步骤S5中模型超参数优化涉及多个超参数的组合搜索，设关注以下超参数：学习率lr、批次大小bs和正则化系数reg；为以上超参数定义一个超参数网格：学习率：lr∈（0.001,0.005,0.01）；批次大小：bs∈（32,64,128）；正则化系数：reg∈（0.01,0.05,0.1）；然后使用网格搜索结合交叉验证来找到最佳的超参数组合，对于每一组超参数，在训练集上训练模型，并在验证集上使用MAE或RMSE作为评估指标评估其性能，最终，选择使验证集性能最佳的超参数组合作为模型的最终超参数；所述步骤S6中，使用训练好的Transformer模型进行预测，得到预测的冬小麦产量Y^，预测公式表示为：Y^=Model{EmbedT,EmbedP,EmbedS,EmbedD,EmbedNu,EmbedFu,EmbedL,EmbedChl,EmbedC}；其中，Model表示训练好的Transformer模型，Embed表示嵌入函数，用于将原始数据编码为模型可接受的向量；所述步骤S6对于冬小麦产量的预测结果，使用注意力可视化或特征重要性排序方法解释模型的预测结果，为用户提供可解释性强的预测依据。

全文数据：

权利要求：

百度查询： 江苏省气候中心 结合气象适宜度的Transformer冬小麦产量预测方法