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！

摘要：本发明提供一种基于融合网络模型的作物产量反演方法及系统，属于农作物产量测算技术领域，包括：获取研究区域内的气象数据和遥感影像数据；采用LSTM和CNN构建LSTM‑CNN耦合神经网络模型；利用WOFOST作物生长模型生成的模拟数据对LSTM进行预训练，冻结LSTM层参数，采用气象数据和遥感影像数据训练LSTM‑CNN耦合神经网络模型，得到作物产量反演模型。本发明结合了作物生长模型和神经网络模型的优势，对气象数据和遥感影像数据分别进行信息抽取，将特征信息融合到一个特征向量中，既可以由气象数据得到先验的产量反演信息，也可以引入地块信息实现更高空间分辨率的作物产量反演。

主权项：1.一种基于融合网络模型的作物产量反演方法，其特征在于，包括：获取研究区域内的气象数据和遥感影像数据；采用长短期记忆网络LSTM和卷积神经网络CNN构建LSTM-CNN耦合神经网络模型；利用WOFOST作物生长模型生成的模拟数据对所述LSTM进行预训练，冻结LSTM层参数，采用所述气象数据和所述遥感影像数据训练所述LSTM-CNN耦合神经网络模型，得到作物产量反演模型；将目标区域的气象数据和遥感影像数据输入所述作物产量反演模型，得到所述目标区域的作物产量反演结果；采用LSTM和CNN构建LSTM-CNN耦合神经网络模型，包括：确定所述LSTM包括依次连接的LSTM输入层、一维卷积层、批归一化层和LSTM输出层；确定所述CNN包括依次连接的CNN输入层、CNN层和全连接层，所述CNN层包括两个依次连接的堆叠层，每个堆叠层均为一个二维卷积层和一个最大池化层；将所述气象数据输入所述LSTM得到LSTM输出向量，将所述遥感影像数据输入所述CNN得到CNN输出向量；合并所述LSTM输出向量和所述CNN输出向量，得到融合特征向量；将所述融合特征向量输入整体的全连接层，得到耦合神经网络模型输出结果；确定所述LSTM包括依次连接的LSTM输入层、一维卷积层、批归一化层和LSTM输出层，包括：所述LSTM输入层将所述气象数据按照多维气象矩阵进行展开输入至所述一维卷积层；所述一维卷积层从时间维度对所述气象数据进行信息抽取得到气象抽取时间信息，所述卷积层包括相同的输入通道数和输出通道数；所述批归一化层对所述气象抽取时间信息进行归一化处理，将归一化处理结果输出至所述LSTM层；所述LSTM层将所述归一化处理结果展平为所述LSTM输出向量，所述LSTM层中的隐藏神经元个数与所述卷积层的输出通道数的维数相对应；确定所述CNN包括依次连接的CNN输入层、CNN层和全连接层，所述CNN层包括两个依次连接的堆叠层，每个堆叠层均为一个二维卷积层和一个最大池化层，包括：所述CNN输入层对所述遥感影像数据重采样至预设尺寸，并归一化处理为张量；将所述张量输入至所述CNN层，所述CNN层中的第一个二维卷积层的输出通道数等于第二个二维卷积层的输入通道数，并具有相同的卷积核大小，每个堆叠层中的最大池化层具有相同的核数量；将所述CNN层的输出结果输入至所述全连接层，得到所述CNN输出向量；利用WOFOST作物生长模型生成的模拟数据对所述LSTM进行预训练，冻结LSTM层参数，采用所述气象数据和所述遥感影像数据训练所述LSTM-CNN耦合神经网络模型，得到作物产量反演模型，包括：获取所述模拟数据，将所述模拟数据载入所述LSTM-CNN耦合神经网络模型的LSTM；冻结所述LSTM中的LSTM层参数，使所述LSTM层参数在训练过程中停止更新；基于预设训练周期、批大小尺寸、预设损失函数以及梯度优化方法，利用所述气象数据和所述遥感影像数据构成的样本数据，训练所述LSTM-CNN耦合神经网络模型，直到模型满足预设收敛条件，停止训练，保存当前训练模型为所述作物产量反演模型。

全文数据：

权利要求：

百度查询： 武汉大学 一种基于融合网络模型的作物产量反演方法及系统