论文部分内容阅读
近些年来，农作物产量预测已经成为农业科学领域的研究热点，对解决粮食生产问题具有关键性作用。因此准确、及时地对农作物产量进行预测对国家制定相关粮食政策具有重大意义，同时为农业决策提供了合理的依据，也为农作物改善措施提供重要根据。通过预测得到的结果可以有针对性地观察农作物的生长周期、土壤变化、雨水分布等因素对农作物产量的影响。传统的农作物产量预测方法尽管能获得一个农作物估产值，并在一定程度上反映农作物当前的长势情况，但是其预测精度偏低，与真实产值相差较大，无法取得良好的效果。
针对以上问题，在深入研究了农作物产量预测的发展和研究现状，比较分析国内外产量预测算法的优势及其存在的问题后，本文提出了一种基于遥感图像数据融合的深度神经网络模型来对美国地区县级大豆产值进行预估，研究主要完成了以下几个方面的内容：
(1)就农作物产量预测的相关理论知识进行深度研究，分析算法适用性及可行性。基于多频段卫星遥感图像能更加全面地显示农作物信息，采用遥感图像特征融合数据作为模型的输入数据，将最能表征农作物生长情况的植被健康指数、全球土壤湿度数据、陆地表面反射率及土地覆盖类型进行特征融合，一种数据代表一种特征，融合之后的特征包含了农作物生长更多的有效信息，展示了农作物更加丰富的细节，为产量预测提供更多的数据支撑。
(2)针对数据集庞大、无效信息冗余等问题，采用直方图计算方法来降低模型复杂度，将遥感图像的像素用三维矩阵表示后划分到不同的区域进行统计，通过数据降维的方式来提取所需的特征，剔除多余的地理位置信息。
(3)农作物产量预测属于典型的回归问题，并且具有复杂的时间关联性，信息长度不尽相同，基于这两种特点，选取CNN网络结合LSTM网络以两种不同的模型组合方式来预测农作物产量，有效解决输入数据信息之间的整体逻辑性问题。
最后，将融合后的数据通过直方图计算得到的结果作为输入数据送入到组合神经网络模型中，通过训练来自主学习数据的特征并得出最终的预测值，以此来验证算法模型的可行性及优化结果。实验结果表明，四种特征数据融合后对比两种特征数据能获取到更多农作物生长有关信息，提高预测准确性。在此基础上，LSTM-CNN模型相较于CNN-LSTM模型，其预测误差下降了2.8%，经过特征融合后的遥感数据结合LSTM-CNN模型对比传统的农作物产量预测模型过程简单，预测成本低，实验结果更加精准。
针对以上问题，在深入研究了农作物产量预测的发展和研究现状，比较分析国内外产量预测算法的优势及其存在的问题后，本文提出了一种基于遥感图像数据融合的深度神经网络模型来对美国地区县级大豆产值进行预估，研究主要完成了以下几个方面的内容：
(1)就农作物产量预测的相关理论知识进行深度研究，分析算法适用性及可行性。基于多频段卫星遥感图像能更加全面地显示农作物信息，采用遥感图像特征融合数据作为模型的输入数据，将最能表征农作物生长情况的植被健康指数、全球土壤湿度数据、陆地表面反射率及土地覆盖类型进行特征融合，一种数据代表一种特征，融合之后的特征包含了农作物生长更多的有效信息，展示了农作物更加丰富的细节，为产量预测提供更多的数据支撑。
(2)针对数据集庞大、无效信息冗余等问题，采用直方图计算方法来降低模型复杂度，将遥感图像的像素用三维矩阵表示后划分到不同的区域进行统计，通过数据降维的方式来提取所需的特征，剔除多余的地理位置信息。
(3)农作物产量预测属于典型的回归问题，并且具有复杂的时间关联性，信息长度不尽相同，基于这两种特点，选取CNN网络结合LSTM网络以两种不同的模型组合方式来预测农作物产量，有效解决输入数据信息之间的整体逻辑性问题。
最后，将融合后的数据通过直方图计算得到的结果作为输入数据送入到组合神经网络模型中，通过训练来自主学习数据的特征并得出最终的预测值，以此来验证算法模型的可行性及优化结果。实验结果表明，四种特征数据融合后对比两种特征数据能获取到更多农作物生长有关信息，提高预测准确性。在此基础上，LSTM-CNN模型相较于CNN-LSTM模型，其预测误差下降了2.8%，经过特征融合后的遥感数据结合LSTM-CNN模型对比传统的农作物产量预测模型过程简单，预测成本低，实验结果更加精准。