干旱状态预测方法、干旱状态预测模型的训练方法及设备与流程

本发明涉及农业信息，尤其涉及深度学习，具体涉及一种干旱状态预测方法、干旱状态预测模型的训练方法及设备。

背景技术：

1、干旱是世界上最严重的自然灾害之一，旱灾的频繁发生对全球农业的可持续发展产生了极为不利的影响。建立干旱预测模型是减灾防灾的重要手段之一，在对水资源规划上起着重要的作用。因此，如何建立有效的干旱预测模型，提高干旱预测的准确性直观重要。

技术实现思路

1、本发明提供了一种干旱状态预测方法、干旱状态预测模型的训练方法及设备，以提高地区干旱情况的预测准确度。

2、根据本发明的一方面，提供了一种干旱状态预测方法，该方法包括：

3、获取目标地区的历史时间序列数据；所述历史时间序列数据包括季节性特征的均值数据、温度数据、风速、标准降水指数spi、植被指数和土壤湿度数据；

4、采用特征提取网络，对所述历史时间序列数据进行特征提取，得到历史时序特征；

5、采用注意力网络，对所述历史时序特征进行注意力运算，得到目标注意力权重；

6、根据所述历史时序特征和所述目标注意力权重，确定目标时序特征；

7、采用目标时序特征，对目标地区的干旱状态进行预测，得到所述目标地区的目标干旱状态。

8、根据本发明的另一方面，提供了一种干旱状态预测模型的训练方法，该方法包括：

9、获取目标地区的历史时间序列数据；所述历史时间序列数据包括季节性特征的均值数据、温度数据、风速、标准降水指数spi、植被指数和土壤湿度数据；

10、采用特征提取网络，对所述历史时间序列数据进行特征提取，得到历史时序特征；

11、采用注意力网络，对所述历史时序特征进行注意力运算，得到目标注意力权重；

12、根据所述历史时序特征和所述目标注意力权重，确定目标时序特征；

13、采用目标时序特征，对目标地区的干旱状态进行预测，得到所述目标地区的目标干旱状态；

14、根据所述目标干旱状态和所述目标地区的标准干旱状态，对干旱状态预测模型进行训练。

15、根据本发明的另一方面，提供了一种干旱状态预测装置，该装置包括：

16、第一序列数据获取模块，用于获取目标地区的历史时间序列数据；所述历史时间序列数据包括季节性特征的均值数据、温度数据、风速、标准降水指数spi、植被指数和土壤湿度数据；

17、第一历史时序特征确定模块，用于采用特征提取网络，对所述历史时间序列数据进行特征提取，得到历史时序特征；

18、第一目标注意力权重确定模块，用于采用注意力网络，对所述历史时序特征进行注意力运算，得到目标注意力权重；

19、第一目标时序特征确定模块，用于根据所述历史时序特征和所述目标注意力权重，确定目标时序特征；

20、第一目标干旱状态预测模块，用于采用目标时序特征，对目标地区的干旱状态进行预测，得到所述目标地区的目标干旱状态。

21、根据本发明的另一方面，提供了一种干旱状态预测模型的训练装置，该装置包括：

22、第二序列数据获取模块，用于获取目标地区的历史时间序列数据；所述历史时间序列数据包括季节性特征的均值数据、温度数据、风速、标准降水指数spi、植被指数和土壤湿度数据；

23、第二历史时序特征确定模块，用于采用特征提取网络，对所述历史时间序列数据进行特征提取，得到历史时序特征；

24、第二注意力权重确定模块，用于采用注意力网络，对所述历史时序特征进行注意力运算，得到目标注意力权重；

25、第二目标时序特征确定模块，用于根据所述历史时序特征和所述目标注意力权重，确定目标时序特征；

26、第二干旱状态预测模块，用于采用目标时序特征，对目标地区的干旱状态进行预测，得到所述目标地区的目标干旱状态；

27、模型训练模块，用于根据所述目标干旱状态和所述目标地区的标准干旱状态，对干旱状态预测模型进行训练。

28、根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

29、至少一个处理器；以及

30、与所述至少一个处理器通信连接的存储器；其中，

31、所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的干旱状态预测方法或干旱状态预测模型的训练方法。

32、根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的干旱状态预测方法或干旱状态预测模型的训练方法。

33、本发明实施例的技术方案，通过获取目标地区的历史时间序列数据，之后采用特征提取网络，对所述历史时间序列数据进行特征提取，得到历史时序特征，进而采用注意力网络，对所述历史时序特征进行注意力运算，得到目标注意力权重，并根据所述历史时序特征和所述目标注意力权重，确定目标时序特征，最后采用目标时序特征，对目标地区的干旱状态进行预测，得到所述目标地区的目标干旱状态。上述技术方案，通过对历史时间序列数据进行处理，基于注意力机制，来进行地区的干旱状态预测，能够提高干旱状态预测的准确性。

34、应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

技术特征：

1.一种干旱状态预测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述特征提取网络包括至少一个lstm层；相应的，采用特征提取网络，对所述历史时间序列数据进行特征提取，得到历史时序特征，包括：

3.根据权利要求1所述的方法，其特征在于，所述采用注意力网络包括第一注意力网络、第二注意力网络和归一化网络；相应的，采用注意力网络，对所述历史时序特征进行注意力运算，得到目标注意力权重，包括：

4.根据权利要求3所述的方法，其特征在于，所述归一化网络为多层感知机。

5.根据权利要求1所述的方法，其特征在于，所述根据所述历史时序特征和所述目标注意力权重，确定目标时序特征，包括：

6.一种干旱状态预测模型的训练方法，其特征在于，包括：

7.一种干旱状态预测装置，其特征在于，包括：

8.一种干旱状态预测模型的训练装置，其特征在于，包括：

9.一种电子设备，其特征在于，所述电子设备包括：

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-5中任一项所述的干旱状态预测方法，或权利要求6所述的干旱状态预测模型的训练方法。

技术总结
本发明公开了一种干旱状态预测方法、干旱状态预测模型的训练方法及设备，涉及农业信息技术领域，尤其涉及深度学习技术领域。该方法包括：获取目标地区的历史时间序列数据；所述历史时间序列数据包括季节性特征的均值数据、温度数据、风速、标准降水指数SPI、植被指数和土壤湿度数据；采用特征提取网络，对所述历史时间序列数据进行特征提取，得到历史时序特征；采用注意力网络，对所述历史时序特征进行注意力运算，得到目标注意力权重；根据所述历史时序特征和所述目标注意力权重，确定目标时序特征；采用目标时序特征，对目标地区的干旱状态进行预测，得到所述目标地区的目标干旱状态。通过上述技术方案，能够提高干旱预测的准确性。

技术研发人员：毛伟,任滨,郑新立,崔新明
受保护的技术使用者：浙江天演维真网络科技股份有限公司
技术研发日：
技术公布日：2024/1/16