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：中国科学院空天信息创新研究院

摘要：本发明提出一种基于GNN‑LSTM的县域冬小麦估产分析方法和系统。其中，方法包括：在研究区内计各个县的冬小麦单产数据，然后将其制作带有标签的量产文件，并转化为县域邻接矩阵文件；获取遥感影像和气象数据；在所述遥感影像和气象数据中选择估产分析模型的输入特征；应用所述输入特征、带有标签的量产文件和县域邻接矩阵文件制作训练集和测试集；应用训练集对估产分析模型进行训练和模型调参；应用测试集对训练好的估产分析模型预测县域的冬小麦产量，并对估产分析模型的训练结果进行评价。本发明提出的方案能够看到，预测和真实产量值的空间分布趋势也大致相同，高值和低值的空间展布是温和的，在空间上的预测效果也很好。

主权项：1.一种基于GNN-LSTM的县域冬小麦估产分析方法，其特征在于，所述方法包括：步骤S1、在研究区内计各个县的冬小麦单产数据，然后将其制作带有标签的量产shp文件，并转化为县域邻接矩阵matrix文件；步骤S2、获取Sentinel-2没有经过大气校正处理的原始反射率数据，即Sentinel-2遥感影像和包括降水、气温和气压的气象数据；步骤S3、在所述Sentinel-2遥感影像和气象数据中选择基于GNN和LSTM的估产分析模型的输入特征；步骤S4、应用所述输入特征、带有标签的量产shp文件和县域邻接矩阵matrix文件制作训练集和测试集；步骤S5、应用训练集对所述基于GNN和LSTM的估产分析模型进行训练和模型调参；步骤S6、应用测试集对训练好的估产分析模型预测县域的冬小麦产量，并对估产分析模型的训练结果进行评价；GNN-LSTM表示图神经网络和长短期记忆网络融合；在所述步骤S3中，在所述Sentinel-2遥感影像中选择的输入特征包括：两个红边波段、近红外和短波红外共4个波段，具体为：红边波段3Red-edge3：中心波长为783nm，波宽为20nm，空间分辨率为20m；红边波段4Red-edge4：中心波长为865nm，波宽为20nm，空间分辨率为20m；近红外NIR：中心波长为842nm，波宽为115nm，空间分辨率为10m；短波红外SWIR2：中心波长为2190nm，波宽为180nm，空间分辨率为20m；在所述步骤S3中，在所述气象数据中选择的输入特征包括：距地面2m高度的空气温度的平均温度、最低温度和最高温度，降水总量和地表气压；在所述步骤S4中，所述应用所述输入特征、带有标签的量产shp文件和县域邻接矩阵matrix文件制作训练集和测试集的方法包括：将所述Sentinel-2遥感影像和气象数据构造为按每个时间步为5天和包含50个时间步的时间序列；在所述时间序列中选择输入特征，并通过对选择的输入特征进行裁剪，使每个矢量单元均能得到与其对应的50个时间步的9个特征均值；应用所述50个时间步的9个特征均值、带有标签的量产shp文件和县域邻接矩阵matrix文件制作训练集和测试集；在所述步骤S5中，所述基于GNN和LSTM的估产分析模型包括：将Sentinel-2遥感影像的输入特征和气象数据的输入特征分别输入各自的LSTM网络，再将最后一个时间步的结果concat之后，通过一层全连接层和产量连接，得到时间序列特征；将所述时间序列特征输入GraghSAGE层进一步提取邻域空间信息；在所述步骤S5中，Sentinel-2遥感影像的输入特征的LSTM网络和气象数据的输入特征的LSTM网络的模型结构相同，均为两层LSTM网络层，具体为第一层128个神经元，第二层为256个神经元，之后通过一个全连接层，一个relu激活函数，最后通过一个全连接层和产量进行连接；在所述步骤S5中，所述GraghSAGE层为两层GraghSAGE网络，每层GraghSAGE网络均采用“mean”聚合方式，设置dropout值为0.1。

全文数据：

权利要求：

百度查询： 中国科学院空天信息创新研究院 一种基于GNN-LSTM的县域冬小麦估产分析方法和系统