一种基于迁移学习的农业遥感图像时空序列预测方法
摘要文本
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。
申请人信息
- 申请人:安徽农业大学
- 申请人地址:230000 安徽省合肥市蜀山区长江西路130号
- 发明人: 安徽农业大学
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 一种基于迁移学习的农业遥感图像时空序列预测方法 |
| 专利类型 | 发明申请 |
| 申请号 | CN202410061794.6 |
| 申请日 | 2024/1/16 |
| 公告号 | CN117575111A |
| 公开日 | 2024/2/20 |
| IPC主分类号 | G06Q10/04 |
| 权利人 | 安徽农业大学 |
| 发明人 | 赵雨阳; 王永梅; 张友华; 吴雷; 文思鉴; 张世豪; 潘海瑞; 李洋 |
| 地址 | 安徽省合肥市长江西路130号 |
专利主权项内容
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，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神经网络模型；以训练好的Transformer架构的自注意力机制神经网络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进行调整和校正，将预测结果在地图上可视化。 详见官网：www.macrodatas.cn