一种基于复杂图形表征的农作物病虫害预测方法、电子设备和存储介质与流程

本发明涉及病虫害预测领域，尤其涉及一种基于复杂图形表征的农作物病虫害预测方法、电子设备和存储介质。

背景技术：

1、随着社会的高速发展，我国甚至全球的气候和环境问题逐渐增多，导致人们饱受各种病虫害的侵袭，尤其对现代化农业而言，农业病虫害的复杂化和多样性严重影响了农作物产量和质量，因此，对农作物病虫害的检测和预防、预测农作物病虫害的发生成为了当前的研究热点之一。

2、传统的农作物病虫害检测方法为人工检测，需要人工到现场检验作物叶片或其他发病位置有无病虫害侵染现象，这种检测方法成本高、效率低、缺乏客观性、准确率较低、无时效性。随着精准农业的不断发展，农业信息化技术的推广及使用给农作物病虫害检测提供了全新的思路和手段。基于现有历史数据，可以尝试将机器学习模型应用到病虫害的预测中，通过使模型学习到充分的历史数据信息来发现病虫害的变化规律，从而计算出未来一定时间内的病虫害情况，实现对病虫害的预测。

3、早期病害虫预测技术以图像识别为主，通过图像预处理、图像分割和特征提取技术人为进行特征选择和设计，之后通过特定的机器学习算法训练其对特定特征向量的分类能力，从而达到识别病虫害图像的目的。此方法在病虫害预测与诊断任务中取得了显著成果。然而，这种方法存在一个重要弱点，即它依赖于检测到病虫害侵袭的图像，而且可能需要一段时间才能检测到。这就意味只有在作物受到病虫害侵袭后才能生效。一旦识别出侵染状况，如果此时再采取防治措施，防治效果会大大降低。这是因为很多病虫害都是可防不可治的，若错过了最佳施药时间，致使没有及时的对农作物进行施药，从而影响农作物产量，给种植户带来一定程度的经济损失。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供一种基于复杂图形表征的农作物病虫害预测方法、电子设备和存储介质。

2、本发明的目的是通过以下技术方案来实现的：

3、本发明的第一方面，提供一种基于复杂图形表征的农作物病虫害预测方法，包括以下步骤：

4、利用病虫害影响因子-复杂图形表征模块，构建病虫害的各种影响因子之间的关系的复杂图形结构；

5、利用基于图卷积神经网络的特征提取模块，对复杂图形结构中的影响因子进行挑选并映射后、实现图形的特征提取；

6、利用基于循环神经网络的病虫害预测模块，将特征提取模块处理得到的图形特征构造为特征演化序列，并将特征演化序列输入至循环神经网络时间序列机器学习模型，预测未来一定时间内病虫害的发生情况，即病虫害爆发率。

7、进一步地，所述利用病虫害影响因子-复杂图形表征模块，构建病虫害的各种影响因子之间的关系的复杂图形结构，包括：

8、数据收集和预处理：收集与农作物病虫害相关的数据，对这些收集到的数据进行预处理，确保数据的质量和一致性；数据包括不随时间变化的空间模式数据、以及随时间变化的时间模式数据；所述空间模式数据包括土壤信息和地理位置，所述时间模式数据包括气象数据和生理状态数据；

9、数据库构建：将处理后得到的数据进行数据集成与规约，从而得到样本数据，并将整合后得到的样本数据进行汇集，从而形成样本数据库；将所述样本数据库进行划分处理得到训练数据集和测试数据集；

10、复杂图形构建：利用图论方法将各种影响因子之间的关系和时空信息构建成复杂的图形结构，其中复杂图形的节点即影响因子表示不同类型的信息源，边表示它们之间的层次关系。

11、进一步地，所述利用基于图卷积神经网络的特征提取模块，对复杂图形结构中的影响因子进行挑选并映射后、实现图形的特征提取，包括：

12、图形特征的挑选与映射：利用人工干涉的方式对病虫害影响因子进行挑选；对每个节点使用one-hot编码的方式进行映射，将其转化为唯一的向量表示；

13、特征提取模块搭建：将若干图卷积层堆叠在一起，使得输入特征以生成更高级别的特征表示，以捕捉不同信息源之间的关联和特征；在图卷积网络的输出层后堆叠图注意力层从而引入图注意力机制。

14、进一步地，所述利用人工干涉的方式对病虫害影响因子进行挑选，包括：

15、挑选的影响因子包括所预测区域内前病虫害种群总数量f、当前病虫害种群总数量c、所预测区域内单位天数对应的平均温度t、相对湿度h、累计降雨量r、地理坐标p、海拔高度q、土壤ph值η、土壤含氮量χ、光谱反射率γ、植被水分含量指数γ；

16、所述对每个节点使用one-hot编码的方式进行映射，将其转化为唯一的向量表示，包括：

17、对于每个节点i，均有其特征xi，使用one-hot编码的方式进行映射，将它们转化为唯一的向量表示；整个图g的特征可以用矩阵xn*d表示，其中n表示节点数，d表示每个节点的特征数。

18、进一步地，所述将若干图卷积层堆叠在一起，使得输入特征以生成更高级别的特征表示，以捕捉不同信息源之间的关联和特征，包括：

19、任何一个图卷积都可定义为：

20、hl+1＝σ(lhlwl)

21、其中，是复杂图形g的拉普拉斯矩阵，in是单位矩阵，d是度矩阵，其计算方法为dii＝∑jaij，a是g的邻接矩阵，用于表示节点之间的连接和关系；h0＝x为第一层的输入，x∈rn*d，wl是第l层的权重参数矩阵，σ(·)为非线性激活函数；

22、通过将若干图卷积层的堆叠：

23、z＝f(x，a)＝σ(l...σ(lσ(lh0w0)w1)...wn)

24、使得节点的特征从输入数据特征x变成输出数据特征z；通过特征连接的方式将学到的特征进行融合，以生成更高级别的特征表示，反映出不同因子之间的复杂交互；

25、在图卷积网络的输出层后堆叠图注意力层从而引入图注意力机制，包括：

26、在图卷积神经网络模型的输出层后堆叠图注意力层，图注意力层的定义为：

27、

28、

29、其中，αij表示节点i和节点j之间的注意力系数，w为权重矩阵，w∈rn*d，和表示经图卷积神经网络处理后的节点i和节点j的节点特征，||表示张量的粘合；为注意力kernel，分为两个部分，一个部分负责自注意力，另一部分负责邻节点注意力；将与粘合的向量相乘就可以得到未加工的注意力系数，σ(·)为非线性激活函数，softmax(·)函数将输出值转换为范围在[0，1]的概率分布；表示这层gal关于节点i的输出特征；通过注意力权重计算，衡量节点和边之间的重要性和贡献度。

30、进一步地，所述将特征提取模块处理得到的图形特征构造为特征演化序列，包括：

31、将通过基于图卷积神经网络的特征提取模块获得的特征矩阵y按照时间顺序展平为特征向量yt，形成一个特征演化序列；该特征演化序列反映了不同时间点的影响因子的状态；并将特征演化序列作为循环神经网络时间序列机器学习模型的输入；

32、所述将特征演化序列输入至循环神经网络时间序列机器学习模型，预测未来一定时间内病虫害的发生情况，即病虫害爆发率，包括：

33、对任意时刻t，循环神经网络时间序列机器学习模型的输入层y的值是特征向量yt，隐藏层s的值是st，输出层o的值是ot；对于循环神经网络时间序列机器学习模型来说，st的值不仅仅取决于yt，还取决于前一时刻的隐藏层st-1；模型用下面的公式来表示：

34、st＝f(u·yt+w·st-1)

35、ot＝g(v·st)

36、式中st表示t时刻的隐藏层s的值，ot即为预测区域一定时间内的病虫害爆发率。其中u表示输入层y到隐藏层s的参数矩阵，w表示每个时间点之间的权重矩阵，v是隐藏层s到输出层o的参数矩阵。

37、进一步地，所述循环神经网络时间序列机器学习模型调用pytorch中的rnn模块函数torch.nn.rnn(input_size，hidden_size，num_layers)；其中：input_size表示输入数据的编码维度，即展平后的特征向量维度；hidden_size表示隐藏层的维数，即每批次输入数据的个数+1，包含初始参数w0；num_layers表示隐藏层的层数，通常设置为1。

38、进一步地，所述图卷积神经网络和循环神经网络为经过训练的网络；

39、利用训练数据集，使用反向传播算法逐渐调整图卷积神经网络gcn、循环神经网络rnn的权重和参数，并利用测试数据集进行模型性能评估，使用平均绝对误差mae来评估准确性。

40、本发明的第二方面，提供一种电子设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行所述的一种基于复杂图形表征的农作物病虫害预测方法的步骤。

41、本发明的第三方面，提供一种存储介质，其上存储有计算机指令，所述计算机指令运行时执行所述的一种基于复杂图形表征的农作物病虫害预测方法的步骤。

42、本发明的有益效果是：

43、(1)相较于现有技术在作物受到病虫害侵袭后才能发挥作用，而且往往难以提前应对，在本示例性实施例中，提出了一种基于多源异构数据的创新思路，通过综合分析已知数据，能够更早地发现潜在的病虫害威胁，并迅速采取防控措施。

44、(2)相较于现有技术主要侧重于局部病虫害种群的预测，然而，这些研究通常忽略了给定位置及其周围地区其他病虫害种群对局部病虫害种群的潜在相关性。以图形的方式进行表达更适合描述不规则的病虫害种群数据之间的空间相关性。通过采用图卷积神经网络，能够更全面地考虑不同地区、不同种群之间的相互作用，捕捉到更广泛的空间联系，使得预测模型能够更准确地反映整个区域内病虫害的传播和扩散情况，而不仅仅局限于单一位置、单一种群的预测。这种方法将大大提高病虫害预测的精度和全面性。

45、(3)病虫害的活跃度在不同季节和时间段内可能会有显著的变化，因此时间因素的考虑可以更好地理解这些周期性变化。通过分析不同时间节点下的图形数据，捕获这些趋势和模式，以更好地理解和预测病虫害的发展。因此在本示例性实施例中，建立一种可靠的时间序列模型，以更好地把握病虫害的周期性变化，提前采取有效的措施来保护作物。这将有助于农业科学家和从业者更好地应对病虫害问题，减少损失，提高农产品的质量和产量。