基于农作物长势的双轴交互方法、装置、设备及介质与流程

1.本发明涉及人工智能领域，提供一种基于农作物长势的双轴交互方法、装置、设备及介质。


背景技术：

2.随着遥感技术的发展，利用遥感影像开展大范围典型农作物研究，快速、准确地获取农田空间分布特征与作物种植类别对促进农业现代化、维护地区生态稳定与可持续发展具有极为重要的现实意义。在遥感应用领域，植被指数ndvi值已广泛用来定性和定量评价植被覆盖及其生长活力，由于植被光谱表现为植被、土壤亮度、环境影响、阴影、土壤颜色和湿度复杂混合反应，而且受大气空间和时相变化的影响。
3.然而，现有的农作物长势数据的交互方法大多是局限于时间轴或者单一的农作物生长周期的ndvi值，无法从一张图表中同时观测到在全年内和农作物生长周期全过程的ndvi值，也无法直接查看某个时间跨度内农作物生长期、播种期、成熟期的相关信息，只能分别选择时间跨度和时间段进行匹配，这种操作步骤较为繁琐，增加了用户的行为负担。


技术实现要素：

4.本发明提供一种基于农作物长势的双轴交互方法、装置、设备及介质，其主要目的在于通过构建生长趋势预估模型，按照所述趋势预估模型调整各种待测农作物的时间跨度，利用时间轴与生长周期之间的联动效应得到所述待测农作物所对应的生长趋势，从而迅速模拟各个待测农作物的生长周期以及生长趋势，减少繁琐的操作，优化提高了农作物生长周期查询的交互体验。
5.为实现上述目的，本发明提供一种基于农作物长势的双轴交互方法，该方法包括：
6.获取待测农作物的种类；
7.接收所述待测的农作物的种类，利用预设的生长趋势预估模型按照所述待测农作物的种类得到预设时间段内该待测农作物在各个生长周期所对应的初始生长趋势，所述生长周期包括生长期、收获期与播种期中至少之一；
8.获取待测农作物在各个生长周期内所对应时间轴上的时间跨度，所述时间跨度由所述待测农作物的时间轴变化确定；
9.当监测到待测农作物在生长期、收获期以及播种期中至少任一阶段所对应的时间跨度发生变化时，根据所述待测农作物的时间跨度调整所述待测农作物在生长期、收获期以及播种期在时间轴上对应的时间段，按照所述时间段更新待测农作物在各个生长周期内所对应的初始生长趋势生成最终的生长趋势，并以图表方式进行差异显示。
10.可选的，所述生长趋势的确定方式包括：
11.基于卫星遥感拍摄图像中不可见波段确定植被覆盖指数；
12.分别计算当期各区域中若干个采样点的实际植被覆盖指数的平均值及标准差；
13.确定各区域平均植被覆盖指数和实际植被覆盖指数之间的区域差值；
14.根据区域差值和标准差确定长势参考因子，所述长势参考因子包括所述标准差与所述区域差值之商；
15.根据所述长势参考因子和预设长势映射关系确定生长趋势。
16.可选的，所述当监测到待测农作物在生长期、收获期以及播种期中至少任一阶段所对应的时间跨度发生变化时，根据所述待测农作物的时间跨度调整所述待测农作物在生长期、收获期以及播种期在时间轴上对应的时间段，按照所述时间段更新待测农作物在各个生长周期内所对应的初始生长趋势生成最终的生长趋势，并以图表方式进行差异显示的步骤，包括：
17.获取当前显示界面内待测农作物所对应的生长周期，所述生长周期为生长期、收获期以及播种期中至少之一；
18.根据当前待测农作物所对应的生长周期确定在时间轴上变化的时间跨度；
19.当监测到待测农作物在生长期、收获期以及播种期中至少任一阶段所对应的时间跨度发生变化时，利用变化的所述时间跨度确定各个生长周期所对应的时间段以及当前农作物因时间变化差异引起的长势影响数据，所述长势影响数据至少包括因时间差异变化引起当前地貌的待测农作物所对应光照、温度、降雨量与虫害变化因子；
20.根据待测农作物在各个生长周期所对应的时间段的长势影响数据的变化因子，分别计算当前各区域中若干个采样点的实际植被覆盖指数的平均值及标准差；
21.确定各区域平均植被覆盖指数和实际植被覆盖指数之间的区域差值；
22.根据区域差值、标准差确定在时间轴与生长周期之间的联动变化，确定所述待测农作物在各个生长周期所对应的生长趋势并以图表方式进行差异显示。
23.可选的，还包括：
24.获取待测农作物的查询请求，所述查询请求至少包括待测农作物的名称、待测农作物的位置归属信息以及描述查询的咨询内容；
25.利用专业知识库提取所述咨询内容的咨询信息；
26.根据所述咨询信息从专业知识库获取若干条引导目录，根据所述咨询信息所对应的知识图谱确定引导目录的排序关系，将排序关系中靠前的引导目录作为查询目录；
27.利用所述查询目录进行咨询引导，预设的所述生长趋势预估模型按照所述查询目录确定的待测农作物的名称以及待测农作物在各个生长周期分别在时间轴上所对应的时间跨度进行响应，根据响应结果将所述待测农作物在各个生长周期所对应的生长趋势并以图表方式进行差异显示。
28.可选的，所述预设的生长趋势预估模型的训练方式包括：
29.将所述样本数据集划分为训练集和验证集；
30.通过所述训练集对预设基础模型进行训练，通过所述验证集对训练后所述预设基础模型进行验证，直到训练后所述预设基础模型输出结果的准确率达到预设准确率，得到生长趋势预估模型；
31.其中，所述将所述样本数据集划分为训练集和验证集包括以下任意之一，
32.按照预设比例将所述样本数据集划分为训练集和验证集；
33.将所述样本数据集划分为训练小组和验证小组，将所述验证小组划分为至少两个验证子小组，依次将至少一个所述验证子小组作为验证集，将其余的所述验证子小组和训
练小组作为训练集，生成若干对训练集和验证集，其中，各对训练集和验证集之间的验证集不相同。
34.可选的，在对所述预设基础模型进行训练之前，还包括：
35.获取所述机器学习模型对应的预设长势影响数据；
36.将所述预设长势影响数据和总识别准确率中最小值作为所述机器学习模型的可信因子；
37.通过预设的计算公式对所述长势识别准确率、可信因子，所述机器学习模型的长势识别准确率，以及所述机器学习模型对应的预设长势影响数据进行处理，得到可信度；
38.根据机器学习模型对应的可信度确定可信模型，并将所述可信模型输出的目标生长趋势作为最终生长趋势，将所述可信模型的可信度作为最终生长趋势可信度。
39.可选的，所述预设基础模型包括朴素贝叶斯模型和非线性支持向量机模型中至少之一；
40.所述朴素贝叶斯模型包括，
[0041][0042]
其中，xi为长势，yk为长势影响数据，n为长势的分级数量；
[0043]
所述非线性支持向量机模型包括，
[0044][0045]
其中，w为超平面法向量，c为惩罚系数，表示模型对错误预测长势的惩罚程度，δi为惩罚项，表示对每一个样本得出错误预测长势的惩罚，n为训练非线性支持向量机的训练集中样本数据的总数量，xi为输入到非线性支持向量机的长势影响向量，yi为实际长势，b为调整系数。
[0046]
此外，为实现上述目的，本发明还提供一种基于农作物长势的双轴交互装置，所述装置包括：
[0047]
获取模块，用于获取待测农作物的种类；
[0048]
长势确定模块，用于接收所述待测的农作物的种类，利用预设的生长趋势预估模型按照所述待测农作物的种类得到预设时间段内该待测农作物在各个生长周期所对应的初始生长趋势，所述生长周期包括生长期、收获期与播种期中至少之一；
[0049]
时间轴获取模块，用于获取待测农作物在各个生长周期内所对应时间轴上的时间跨度，所述时间跨度由所述待测农作物的时间轴变化确定；
[0050]
双轴交互模块，用于当监测到待测农作物在生长期、收获期以及播种期中至少任一阶段所对应的时间跨度发生变化时，根据所述待测农作物的时间跨度调整所述待测农作物在生长期、收获期以及播种期在时间轴上对应的时间段，按照所述时间段更新待测农作物在各个生长周期内所对应的初始生长趋势生成最终的生长趋势，并以图表方式进行差异显示。
[0051]
此外，为实现上述目的，本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现
如上任一项实施例所述方法的步骤。
[0052]
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项实施例所述方法的步骤。
[0053]
本发明提出的基于农作物长势的双轴交互方法、装置、设备及介质，该方法通过时间轴与农作物各个生长周期进行双轴交互，可以在接收所述待测的农作物的种类后，利用预设的生长趋势预估模型按照所述待测农作物的种类得到预设时间段内该待测农作物在生长期、收获期与播种期所对应的初始生长趋势，进而根据待测农作物在生长期、播种期、成熟期的不同时间段来确定时间跨度，利用联动变化确定更新待测农作物在各个生长周期内所对应的初始生长趋势生成最终的生长趋势，并以图表方式进行差异显示，使用一张图表展示不同生长周期的生长趋势变化图，不仅操作简单，还能满足各种不同用户需求，大大提高了确定农作物长势的交互体验。
附图说明
[0054]
图1为本发明一个实施例中提供的基于农作物长势的双轴交互方法的一种流程示意图；
[0055]
图2为本发明一个实施例中提供的基于农作物长势的双轴交互方法中另一流程示意图；
[0056]
图3为本发明一个实施例中提供的基于农作物长势的双轴交互方法中生长趋势预估模型训练流程示意图；
[0057]
图4为本发明一个实施例中提供的基于农作物长势的双轴交互方法中生长趋势预估模型确定流程示意图；
[0058]
图5为本发明一个实施例中提供的基于农作物长势的双轴交互装置的一种完整结构示意图；
[0059]
图6为发明一个实施例中提供的计算机设备的一种结构示意图。
[0060]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0061]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0062]
在一个实施例中，提供一种基于农作物长势的双轴交互方法，参照图1所示，该方法包括以下步骤：
[0063]
s101，获取待测农作物的种类；
[0064]
其中，待测农作物可分为粮食作物和经济作物两大类，粮食作物包括水稻玉米、豆类、薯类、青稞、蚕豆、小麦等；经济作物又分为油料作物、蔬菜作物，以及花、草、树木类，常见的品种有苹果、桃、杏、白菜、芹菜、韭菜、大芥、花生、胡麻等，可根据用户需求选定待测农作物的种类，在此不再进一步限定。
[0065]
s102，接收所述待测的农作物的种类，利用预设的生长趋势预估模型按照所述待测农作物的种类得到预设时间段内该待测农作物在各个生长周期所对应的初始生长趋势，所述生长周期包括生长期、收获期与播种期中至少之一；
[0066]
其中，生长期：指一个地区在一年内适合作物生长的时间，一般以指候均温≥10℃
的天数衡量。如长江以南的农作物生长期较长一般在8-10个月，淮河以北3-5个月，东北地区一般在4个月左右。
[0067]
收获期：指适合农作物收获的时间；播种期：指适合农作物播种的时间。
[0068]
生长周期：指某一作物从播种到收获所需的时间。如玉米一般为95-130天。根据待测农作物的种类不同，其对应的生长期、收获期、播种期以及生长周期各有差异，在此不再列举。
[0069]
具体地，预设时间段为用户根据需求设置，
[0070]
s103，获取待测农作物在各个生长周期内所对应时间轴上的时间跨度，所述时间跨度由所述待测农作物的时间轴变化确定；
[0071]
具体地，时间跨图为一年时间内的时段，在时间轴该时间跨图的变化精度可精确到天数。
[0072]
例如，该时间跨图可为生长期、收获期以及播种期各自单独对应的时间，时间跨图也可为整个生长周期对应的时间。
[0073]
需要说明的是，根据待测农作物的种类不同，其在生长期、收获期以及播种期各自对应的时间段也有差异，该差异是根据当前待测农作物的特性相关联，例如，稻谷与玉米等都是春夏季农作物，其对应的时间段也应该是春夏季时间段，同理，土豆、白菜等都是秋冬季节的农作物，其对应的的时间段也应该是秋冬季时间段，在此不再赘述。
[0074]
s104，当监测到待测农作物在生长期、收获期以及播种期中至少任一阶段所对应的时间跨度发生变化时，根据所述待测农作物的时间跨度调整所述待测农作物在生长期、收获期以及播种期在时间轴上对应的时间段，按照所述时间段更新待测农作物在各个生长周期内所对应的初始生长趋势生成最终的生长趋势，并以图表方式进行差异显示。
[0075]
其中，由于时间轴与生长周期之间存在联动效应，当监测到待测农作物在生长期、收获期以及播种期中至少任一阶段所对应的时间跨度发生变化时，例如，根据所述待测农作物的时间跨度调整所述待测农作物在生长期、收获期以及播种期在时间轴上对应的时间段，按照所述时间段更新待测农作物在各个生长周期内所对应的初始生长趋势生成最终的生长趋势，通过联动反映显示以图表方式进行差异显示各个生长周期内所对应的初始生长趋势生成最终的生长趋势。例如，选择待测农作物为以玉米为例，将玉米输入生长趋势预估模型，通过获取当前显示界面内预设时间段如一年的ndvi值，该生长趋势包括预设时间段内的植被覆盖指数，或，根据所述长势参考因子和预设长势映射关系确定生长趋势，从而得到玉米的生长趋势；当检测到玉米在各个生长周期所对应的时间跨度发生变化时，根据玉米因时间跨度变化导致各个生长周期的时间段变化进行联动变化，更新玉米在各个生长周期内所对应的初始生长趋势形成最终的生长趋势，通过联动反映显示以图表方式进行差异显示各个生长周期内所对应的初始生长趋势形成最终的生长趋势。
[0076]
通过上述方式，用户可选择不同待测农作物种类，根据需要拉伸改变时间跨度，并以此时间跨度在时间轴内移动实现在全年内不同月份的选择，则可对其生长期、收获期、播种期进行生长趋势预估模型的数据显示，使得整个的信息显示更为清晰，用户操作更为简洁；同时，也能直观看到因时间跨度变化所引起的实时更新后的生长趋势。
[0077]
另外，能够迅速得到当前界面内待测农作物的生长趋势图，还能在同一图表内看到各个不同时段的生长周期的生长趋势，便于用于监测或模拟各种待测农作物。
[0078]
在一些实施例中，所述生长趋势的确定方式包括：
[0079]
基于卫星遥感拍摄图像中不可见波段确定植被覆盖指数；
[0080]
分别计算当期各区域中若干个采样点的实际植被覆盖指数的平均值及标准差；
[0081]
确定各区域平均植被覆盖指数和实际植被覆盖指数之间的区域差值；
[0082]
根据区域差值和标准差确定长势参考因子，所述长势参考因子包括所述标准差与所述区域差值之商；
[0083]
根据所述长势参考因子和预设长势映射关系确定生长趋势。
[0084]
其中，卫星遥感拍摄图像的获取方式可以采用本领域技术人员所知晓的方式实现，基于卫星遥感拍摄图像中不可见波段确定实际植被覆盖指数(ndvi)的方式也可以采用本领域技术人员所知晓的方式实现，在此不做限定。
[0085]
总平均值的确定方式为将所采集到的全部实际植被覆盖指数进行加总后，求得平均值，作为总平均值。
[0086]
区域平均值为某一区域中各个采样点所对应的实际植被覆盖指数加总求和后，得到的平均值作为区域平均值。
[0087]
标准差的确定方式如下：
[0088][0089]
其中，σ为标准差，n为所采集到的采样点总数量，xi为区域i的区域平均值，为总平均值。
[0090]
例如，确定区域平均值与总评均值之间的区域差值；
[0091]
将该区域差值作为长势参考因子；
[0092]
根据所述长势参考因子和预设长势映射关系确定实际长势。
[0093]
当然，关于实际长势确定，也可以通过方差的方式进行确定，其具体实现方式与上述采用标准差的方式类似，在此不再赘述。
[0094]
一种示例性的预设长势映射关系如下：
[0095]
10—长势参考因子小于-3*标准差；
[0096]
9—长势参考因子位于-3*标准差到-2*标准差之间；
[0097]
8—长势参考因子位于-2*标准差到-1*标准差之间；
[0098]
7—长势参考因子位于-1*标准差到-0.5*标准差之间；
[0099]
6—长势参考因子位于0.5*标准差到0之间；
[0100]
5—长势参考因子位于0到0.5*标准差之间；
[0101]
4—长势参考因子位于0.5*标准差到1*标准差之间；
[0102]
3—长势参考因子位于1*标准差到2*标准差之间；
[0103]
2—长势参考因子位于2*标准差到3*标准差之间；
[0104]
1—长势参考因子大于3*标准差。
[0105]
通过上述方式，一方面，能够精准的确定生长趋势，便于用户了解待测农作物的状况，另一方面，结合本实施例中待测农作物在时间轴与生长周期的双轴交互方式，能够快速确定最佳时间段的生长趋势，有助于用户按照这个生长趋势进行种植，形成有效的借鉴经
验。
[0106]
请参阅图2，为本发明一个实施例中提供的基于农作物长势的双轴交互方法中另一流程示意图，包括：
[0107]
所述当监测到待测农作物在生长期、收获期以及播种期中至少任一阶段所对应的时间跨度发生变化时，根据所述待测农作物的时间跨度调整所述待测农作物在生长期、收获期以及播种期在时间轴上对应的时间段，按照所述时间段更新待测农作物在各个生长周期内所对应的初始生长趋势生成最终的生长趋势，并以图表方式进行差异显示的步骤，详述如下：
[0108]
步骤s201，获取当前显示界面内待测农作物所对应的生长周期，所述生长周期为生长期、收获期以及播种期中至少之一；
[0109]
步骤s202，根据当前待测农作物所对应的生长周期确定在时间轴上变化的时间跨度；
[0110]
步骤s203，当监测到待测农作物在生长期、收获期以及播种期中至少任一阶段所对应的时间跨度发生变化时，利用变化的所述时间跨度确定各个生长周期所对应的时间段以及当前农作物因时间变化差异引起的长势影响数据，所述长势影响数据至少包括因时间差异变化引起当前地貌的待测农作物所对应光照、温度、降雨量与虫害变化因子；
[0111]
步骤s204，根据待测农作物在各个生长周期所对应的时间段的长势影响数据的变化因子，分别计算当前各区域中若干个采样点的实际植被覆盖指数的平均值及标准差；
[0112]
步骤s205，确定各区域平均植被覆盖指数和实际植被覆盖指数之间的区域差值；
[0113]
步骤s206，根据区域差值、标准差确定在时间轴与生长周期之间的联动变化，确定所述待测农作物在各个生长周期所对应的生长趋势并以图表方式进行差异显示。
[0114]
其中，需要说明的是，通过确定时间轴上变化的时间跨定，按照上述变化因子能够直接计算到各个生长周期所对应的生长趋势(最终的生长趋势)。
[0115]
具体地，通过点击、拖动、拉拽等方式改变时间轴上待测农作物的某一段或整个生长周期的时间跨度；当检测到待测农作物在某一段或整个生长周期所对应变化的时间跨度发生变化时，根据时间跨度的差异确定由时间因素引起的长势影响数据。
[0116]
具体地，待测农作物为某一地区的同一种类的农作物，通过采集该地区因时间变动后引起的长势影响数据，例如，某一地区受时间变化的影响的长势影响数据包括光照、温度、气候(降雨量)等。
[0117]
例如，长势影响数据发生变化，通过调节生长趋势预估模型内长势影响数据能够优化生长趋势预估模型的精度。
[0118]
其中，根据区域差值、标准差确定生长趋势的方式包括：
[0119]
根据区域差值和标准差确定长势参考因子，所述长势参考因子包括所述标准差与所述区域差值之商；
[0120]
根据所述长势参考因子和预设长势映射关系确定生长趋势。
[0121]
例如，当然，关于长势的确定，也可以通过方差的方式进行确定，其具体实现方式与上述采用标准差的方式类似，在此不再赘述。
[0122]
通过上述方式，利用时间轴上时间变化的时间跨度，调整待测农作物在生长周期内所对应的时间段，按照所述时间段的长势影响数据的变化因子，分别计算当前各区域中
若干个采样点的实际植被覆盖指数的平均值及标准差，确定各区域平均植被覆盖指数和实际植被覆盖指数之间的区域差值；根据区域差值、标准差确定在时间轴与生长周期之间的联动变化，确定所述待测农作物在各个生长周期所对应的生长趋势并以图表方式进行差异显示，进而满足各种用户的需求，大大简化了操作流程，能够快速的确定所述待测农作物在各个生长周期所对应的生长趋势，显著提高了用户确定农作物长势的体验度。
[0123]
在另一些实施例中，还包括：
[0124]
获取待测农作物的查询请求，所述查询请求至少包括待测农作物的名称、待测农作物的位置归属信息以及描述查询的咨询内容；
[0125]
利用专业知识库提取所述咨询内容的咨询信息；
[0126]
根据所述咨询信息从专业知识库获取若干条引导目录，根据所述咨询信息所对应的知识图谱确定引导目录的排序关系，将排序关系中靠前的引导目录作为查询目录；
[0127]
利用所述查询目录进行咨询引导，预设的所述生长趋势预估模型按照所述查询目录确定的待测农作物的名称以及待测农作物在各个生长周期分别在时间轴上所对应的时间跨度进行响应，根据响应结果将所述待测农作物在各个生长周期所对应的生长趋势并以图表方式进行差异显示。
[0128]
其中，该查询请求可以为用户手动输入的查询语句，也可以为通过语音方式采集的查询语句，在此不做限定。
[0129]
具体地，利用专业语料对关键信息进行语义分割，获取训练关键字和测试关键字；对所述关键字和有效问题进行训练，生成关键字-问题逻辑模型；将所述测试关键字对训练后的关键字-问题逻辑模型进行测试，并根据测试结果对所述关键字-问题逻辑模型进行修正，获得符合要求的关键字-问题逻辑模型；将所述关键信息导入所述关键字-问题逻辑模型，自动组合形成若干个问题；生成与各个所述问题相关的导引目录，以获取若干条导引目录。
[0130]
例如，通过对待处理的语句进行分词，得到多个单独词；识别所述多个单独词中的实体，将该实体两个一组组成实体对；对于每个实体对，获取其对应语句的句向量，该句向量包括多个单独词的词-位置向量，所单独词的词-位置向量包括所述单独词的词向量，以及所述单独词与所述实体对的相对位置向量；根据所述句向量提取所述语句多个方面的表示特征；根据所述多个方面的表示特征得到一个融合特征，所述融合特征包括不少于一个特征向量；根据所述融合特征预测所述实体对的实体关系；根据所述实体对和对应的实体关系构建知识图谱。其中，为了充分体现词组与实体对之间的关联性，可以从多个方面、多角度地挖掘语句与语句中实体关系之间的特征，通过融合手段，能够更加全面地对实体对之间的实体关系进行预测，进而可以更加完备地构建知识图谱。
[0131]
具体地，通过专业知识库中构建的知识图谱对若干条引导目录进行排序，其中，按照关联度由大至小的方式对各个所述知识图谱进行排序，通过对知识图谱的排序从而实现引导目录的排序，按照所述引导目录的排序关系得到当前用户输入的查询目录，从而提高查询目录的准确率。
[0132]
具体地，通过待测农作物的位置归属信息，不仅能够获取该地理位置所对应的气象数据，同时，调用对该地理位置所处环境的传感器，还能得到当前待测农作物的地貌信息、降雨量、气温、施肥情况、虫害情况等可能影响作物长势的因素。
[0133]
通过上述方式，在信息交互时，能够精准获取到用户查询请求的咨询内容，利用该咨询内容中咨询信息在农业信息知识库中匹配专业信息答案，不仅提高了用户交互的体验感，还提高了待测农作物的信息。
[0134]
在一些实施例中，请参阅图3，为本发明一个实施例中提供的基于农作物长势的双轴交互方法中生长趋势预估模型训练流程示意图，详述如下：
[0135]
步骤s301，将所述样本数据集划分为训练集和验证集；
[0136]
步骤s302，通过所述训练集对预设基础模型进行训练，通过所述验证集对训练后所述预设基础模型进行验证，直到训练后所述预设基础模型输出结果的准确率达到预设准确率，得到生长趋势预估模型；
[0137]
其中，所述将所述样本数据集划分为训练集和验证集包括以下任意之一，
[0138]
按照预设比例将所述样本数据集划分为训练集和验证集；
[0139]
将所述样本数据集划分为训练小组和验证小组，将所述验证小组划分为至少两个验证子小组，依次将至少一个所述验证子小组作为验证集，将其余的所述验证子小组和训练小组作为训练集，生成若干对训练集和验证集，其中，各对训练集和验证集之间的验证集不相同。
[0140]
预设比例可以由本领域技术人员根据需要进行设定，按照预设比例划分训练集和验证集时可以采取随机分配的方式实现。将样本数据集划分为训练小组和验证小组时也可以采用随机分配的方式实现。
[0141]
下面通过一个示例，具体的说明若干对训练集和验证集的生成方式，将样本数据集中的数据划分为训练小组和验证小组，将训练小组划分为若干个训练子小组，多次对验证小组拆分为新增训练小组和剩余验证小组，根据得到的新增训练小组与训练子小组生成训练集，根据剩余验证小组生成验证集，每一次初始验证子小组拆分所得到的剩余验证子小组不同。又例如，将样本数据集中的数据划分为训练小组和验证小组，将训练小组划分为m个初始训练子小组，将验证小组划分为n个初始验证子小组，轮流进行初始验证子小组拆分，得到新增训练子小组和剩余验证子小组，根据得到的新增训练子小组与初始训练子小组生成训练集，根据剩余验证子小组生成验证集，每一次初始验证子小组拆分所得到的剩余验证子小组不同，其中，轮流进行初始验证子小组拆分得到新增训练子小组和剩余验证子小组包括，取(n-1)个验证子小组作为第(m+1)个训练子小组，剩余的一个剩余验证子小组作为验证集。通过上述实施方式，可以得到多对存在一定差异的训练集和验证集的组合，可以对预设基础模型的训练次数更多，以提升训练得到的机器学习模型的准确率。
[0142]
在一些实施例中，请参阅图4，为本发明一个实施例中提供的基于农作物长势的双轴交互方法中生长趋势预估模型确定流程示意图，在对所述预设基础模型进行训练之前，还包括：
[0143]
步骤s401，获取所述机器学习模型对应的预设长势影响数据；
[0144]
步骤s402，将所述预设长势影响数据和总识别准确率中最小值作为所述机器学习模型的可信因子；
[0145]
步骤s403，通过预设的计算公式对所述长势识别准确率、可信因子，所述机器学习模型的长势识别准确率，以及所述机器学习模型对应的预设长势影响数据进行处理，得到可信度；
[0146]
步骤s404，根据机器学习模型对应的可信度确定可信模型，并将所述可信模型输出的目标生长趋势作为最终生长趋势，将所述可信模型的可信度作为最终生长趋势可信度。
[0147]
例如，预设影响因子可以由本领域技术人员根据不同类别的预设基础模型来对应设置。其中，预设影响因子大于0且小于1。
[0148]
可选的，可信度的确定方式(预设的计算公式)包括：
[0149]
ai＝si*wi/max(sb*wb)；
[0150]
其中，ai为可信度，si为第i个机器学习模型所输出目标预测长势的长势识别准确率，w1为第i个机器学习模型的预设影响因子，sb为第b个机器学习模型的目标预测长势下长势识别准确率，wb为第b个机器学习模型的预设影响因子，i∈[1，n]，b＝{1
……
n}，n为机器学习模型的数量，n≥2。
[0151]
其中，max(sb*wb)为各机器学习模型的预设影响因子与长势识别准确率乘积中最大的一个数值。可信模型为可信度最大的机器学习模型。
[0152]
通过可信度选择机器学习模型不仅有助于提高输出的目标生长趋势，还能提高最终生长趋势的预测准确率，同时，根据与当前目标区域待测农作物往期的生长趋势进行比较，不仅可以预判生长趋势是否出现异常，还能提前发出预警信息，提示该目标区域存在生长趋势异常风险，以便相关待测农作物的工作人员提前准备。
[0153]
在一些实施例中，所述预设基础模型包括朴素贝叶斯模型和非线性支持向量机模型中至少之一；
[0154]
所述朴素贝叶斯模型包括，
[0155][0156]
其中，xi为长势，yk为长势影响数据，n为长势的分级数量；
[0157]
所述非线性支持向量机模型包括，
[0158][0159]
其中，w为超平面法向量，c为惩罚系数，表示模型对错误预测长势的惩罚程度，δi为惩罚项，表示对每一个样本得出错误预测长势的惩罚，n为训练非线性支持向量机的训练集中样本数据的总数量，xi为输入到非线性支持向量机的长势影响向量，yi为实际长势，b为调整系数。
[0160]
可选的，为了提高待测农作物在生长趋势的，
[0161]
将样本数据集中的数据根据实际生长趋势划分为若干个生长趋势小组，对所述生长趋势小组中的长势影响数据进行聚类处理，得到若干个聚类小组，包括数据量较多的n个聚类小组中的长势影响数据，作为各生长趋势所对应的相关长势影响数据，获取目标生长趋势影响向量所对应的目标生长趋势，根据目标生长趋势与最终预测生长趋势确定理想生长趋势，并从各相关长势影响数据中确定理想生长趋势对应的理想影响数据，根据目标长势影响数据与理想长势影响数据确定救灾方案。
[0162]
其中，理想生长趋势为目标长势与最终预测长势中长势较好的一个。
[0163]
长势影响数据包括地貌信息、作物种类、降雨量、气温、施肥情况、虫害情况，根据目标长势影响数据与理想长势影响数据确定救灾方案包括：
[0164]
若目标长势影响数据中的降雨量高于理想长势影响数据中的降雨量，增加排水渠；
[0165]
若目标长势影响数据中的降雨量低于理想长势影响数据中的降雨量，人工降雨或加强灌溉；
[0166]
若目标长势影响数据中的施肥量低于理想长势影响数据中的施肥量，追肥；
[0167]
若目标长势影响数据中的虫害量高于理想长势影响数据中的施肥量，喷洒农药或生物驱虫。
[0168]
在将样本数据集中的数据根据实际生长趋势划分为若干个生长趋势小组之后，对所述生长趋势小组中的长势影响数据分别进行聚类处理之前，还包括：
[0169]
获取长势影响数据的属性信息，属性信息可以预先进行设定，属性信息包括种类和可调性，可调性包括可调和不可调；
[0170]
对属性信息包括可调的长势影响数据按照种类进行聚类处理。
[0171]
例如，长势数据的种类可能为地貌信息、作物种类、降雨量、气温、施肥情况、虫害情况等，其中地貌信息、作物种类的数据不可调，降雨量、气温、施肥情况、虫害情况的数据可调。
[0172]
通过对各个生长趋势的主要影响因素进行归纳总结，以知晓若预测长势比之前上一期的目标生长趋势要差时，则可以根据主要影响因素进行对应的调整，以减少灾害的影响。
[0173]
本实施例提供了一种基于农作物长势的双轴交互方法，该方法通过时间轴与农作物各个生长周期进行双轴交互，可以在接收所述待测的农作物的种类后，利用预设的生长趋势预估模型按照所述待测农作物的种类得到预设时间段内该待测农作物在生长期、收获期与播种期所对应的初始生长趋势，进而根据待测农作物在生长期、播种期、成熟期的不同时间段来确定时间跨度，利用联动变化确定更新待测农作物在各个生长周期内所对应的初始生长趋势生成最终的生长趋势，并以图表方式进行差异显示，使用一张图表展示不同生长周期的生长趋势变化图，不仅操作简单，还能满足各种不同用户需求，大大提高了确定农作物长势的交互体验。
[0174]
下面通过一个具体的实施例，示例性的说明上述基于农作物长势的双轴交互方法，该具体的基于农作物长势的双轴交互方法包括：
[0175]
下拉选择待测的农作物种类。
[0176]
在初始状态下，按照不同类别待测农作物显示在全年范围内农作物的生长期、收获期、播种期；同时，显示选中待测农作物全年范围内近五年的ndvi平均值和2021年、2020年的ndvi值；例如，当选择某一类型的待测农作物时，调用相关数据信息，以初始状态显示全年范围内相关数据值(ndvi值，即，植被指数)。
[0177]
对时间轴进行拉伸来选择时间跨度，当待测农作物的生长周期联动发生变化，从而实现农作物生长期或播种期或收获期的显示；例如，在选定待测农作物的在收获期，通过拉速时间轴的时间跨度确定当前收获期所对应的时间范围，假如选中的待测农作物为玉米，在时间轴上对应的时间段为2021年6月1日至2021年12月31日这个时间段内。
[0178]
时间跨度不移动的默认情况下，图表可根据时间跨度显示农作物播种期或成熟期或收获期，还显示固定时间跨度内农作物近五年的ndvi平均值和2021年、2020年的ndvi值，以不同颜色曲线进行展示。
[0179]
通过在时间轴上左右移动时间跨度，调整确定各个生长周期所对应的时间跨度；根据时间跨度的移动，显示农作物生长期或收获期或播种期的时间以及农作物近五年的ndvi平均值和2021年、2020年的ndvi值。
[0180]
通过上述方式，利用待测农作物在时间轴与生长周期所对应的双轴交互方式，可以根据用户需求选择不同待测农作物，同时，也能够通过时间跨度与对应的月份进行关联调节，从而迅速查询到待测农作物的ndvi值。
[0181]
此外，为实现上述目的，本发明还提供了一种基于农作物长势的双轴交互装置500，参见图5，该装置包括：
[0182]
获取模块501，用于获取待测农作物的种类；
[0183]
长势确定模块502，用于接收所述待测的农作物的种类，利用预设的生长趋势预估模型按照所述待测农作物的种类得到预设时间段内该待测农作物在各个生长周期所对应的初始生长趋势，所述生长周期包括生长期、收获期与播种期中至少之一；
[0184]
时间轴获取模块503，用于获取待测农作物在各个生长周期内所对应时间轴上的时间跨度，所述时间跨度由所述待测农作物的时间轴变化确定；
[0185]
双轴交互模块504，用于当监测到待测农作物在生长期、收获期以及播种期中至少任一阶段所对应的时间跨度发生变化时，根据所述待测农作物的时间跨度调整所述待测农作物在生长期、收获期以及播种期在时间轴上对应的时间段，按照所述时间段更新待测农作物在各个生长周期内所对应的初始生长趋势生成最终的生长趋势，并以图表方式进行差异显示。
[0186]
具体地，在本实施例中，所述生长趋势的确定方式包括：
[0187]
基于卫星遥感拍摄图像中不可见波段确定植被覆盖指数；
[0188]
分别计算当期各区域中若干个采样点的实际植被覆盖指数的平均值及标准差；
[0189]
确定各区域平均植被覆盖指数和实际植被覆盖指数之间的区域差值；
[0190]
根据区域差值和标准差确定长势参考因子，所述长势参考因子包括所述标准差与所述区域差值之商；
[0191]
根据所述长势参考因子和预设长势映射关系确定生长趋势。
[0192]
具体地，在本实施例中，所述当监测到待测农作物在生长期、收获期以及播种期中至少任一阶段所对应的时间跨度发生变化时，根据所述待测农作物的时间跨度调整所述待测农作物在生长期、收获期以及播种期在时间轴上对应的时间段，按照所述时间段更新待测农作物在各个生长周期内所对应的初始生长趋势生成最终的生长趋势，并以图表方式进行差异显示的步骤，包括：
[0193]
获取当前显示界面内待测农作物所对应的生长周期，所述生长周期为生长期、收获期以及播种期中至少之一；
[0194]
根据当前待测农作物所对应的生长周期确定在时间轴上变化的时间跨度；
[0195]
当监测到待测农作物在生长期、收获期以及播种期中至少任一阶段所对应的时间跨度发生变化时，利用变化的所述时间跨度确定各个生长周期所对应的时间段以及当前农
作物因时间变化差异引起的长势影响数据，所述长势影响数据至少包括因时间差异变化引起当前地貌的待测农作物所对应光照、温度、降雨量与虫害变化因子；
[0196]
根据待测农作物在各个生长周期所对应的时间段的长势影响数据的变化因子，分别计算当前各区域中若干个采样点的实际植被覆盖指数的平均值及标准差；
[0197]
确定各区域平均植被覆盖指数和实际植被覆盖指数之间的区域差值；
[0198]
根据区域差值、标准差确定在时间轴与生长周期之间的联动变化，确定所述待测农作物在各个生长周期所对应的生长趋势并以图表方式进行差异显示。
[0199]
具体地，在本实施例中，还包括：
[0200]
获取待测农作物的查询请求，所述查询请求至少包括待测农作物的名称、待测农作物的位置归属信息以及描述查询的咨询内容；
[0201]
利用专业知识库提取所述咨询内容的咨询信息；
[0202]
根据所述咨询信息从专业知识库获取若干条引导目录，根据所述咨询信息所对应的知识图谱确定引导目录的排序关系，将排序关系中靠前的引导目录作为查询目录；
[0203]
利用所述查询目录进行咨询引导，预设的所述生长趋势预估模型按照所述查询目录确定的待测农作物的名称以及待测农作物在各个生长周期分别在时间轴上所对应的时间跨度进行响应，根据响应结果将所述待测农作物在各个生长周期所对应的生长趋势并以图表方式进行差异显示。
[0204]
具体地，在本实施例中，所述预设的生长趋势预估模型的训练方式包括：
[0205]
将所述样本数据集划分为训练集和验证集；
[0206]
通过所述训练集对预设基础模型进行训练，通过所述验证集对训练后所述预设基础模型进行验证，直到训练后所述预设基础模型输出结果的准确率达到预设准确率，得到生长趋势预估模型；
[0207]
其中，所述将所述样本数据集划分为训练集和验证集包括以下任意之一，
[0208]
按照预设比例将所述样本数据集划分为训练集和验证集；
[0209]
将所述样本数据集划分为训练小组和验证小组，将所述验证小组划分为至少两个验证子小组，依次将至少一个所述验证子小组作为验证集，将其余的所述验证子小组和训练小组作为训练集，生成若干对训练集和验证集，其中，各对训练集和验证集之间的验证集不相同。
[0210]
具体地，在本实施例中，在对所述预设基础模型进行训练之前，还包括：
[0211]
获取所述机器学习模型对应的预设长势影响数据；
[0212]
将所述预设长势影响数据和总识别准确率中最小值作为所述机器学习模型的可信因子；
[0213]
通过预设的计算公式对所述长势识别准确率、可信因子，所述机器学习模型的长势识别准确率，以及所述机器学习模型对应的预设长势影响数据进行处理，得到可信度；
[0214]
根据机器学习模型对应的可信度确定可信模型，并将所述可信模型输出的目标生长趋势作为最终生长趋势，将所述可信模型的可信度作为最终生长趋势可信度。
[0215]
具体地，在本实施例中，所述预设基础模型包括朴素贝叶斯模型和非线性支持向量机模型中至少之一；
[0216]
所述朴素贝叶斯模型包括，
[0217][0218]
其中，xi为长势i，yk为长势影响数据，n为长势的分级数量；
[0219]
所述非线性支持向量机模型包括，
[0220][0221]
其中，w为超平面法向量，c为惩罚系数，表示模型对错误预测长势的惩罚程度，δi为惩罚项，表示对每一个样本得出错误预测长势的惩罚，n为训练非线性支持向量机的训练集中样本数据的总数量，xi为输入到非线性支持向量机的长势影响向量，yi为实际长势，b为调整系数。
[0222]
本实施例提供了一种基于农作物长势的双轴交互装置，该装置通过时间轴与农作物各个生长周期进行双轴交互，可以在接收所述待测的农作物的种类后，利用预设的生长趋势预估模型按照所述待测农作物的种类得到预设时间段内该待测农作物在生长期、收获期与播种期所对应的初始生长趋势，进而根据待测农作物在生长期、播种期、成熟期的不同时间段来确定时间跨度，利用联动变化确定更新待测农作物在各个生长周期内所对应的初始生长趋势生成最终的生长趋势，并以图表方式进行差异显示，使用一张图表展示不同生长周期的生长趋势变化图，不仅操作简单，还能满足各种不同用户需求，大大提高了确定农作物长势的交互体验。
[0223]
应当知晓的是，上述基于农作物长势的双轴交互装置系统实质上是设置了多个模块用以执行上述任一实施例中的基于农作物长势的双轴交互方法，具体功能和技术效果参照上述实施例即可，此处不再赘述。
[0224]
在一个实施例中，参见图6，本实施例还提供了一种计算机设备600，包括存储器601、处理器602及存储在存储器上并可在处理器上运行的计算机程序，所述处理器602执行所述计算机程序时实现如上任一项实施例所述方法的步骤。
[0225]
在一个实施例中，还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项实施例所述方法的步骤。
[0226]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0227]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
[0228]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于
这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0229]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。