[发明专利]作物产量预测方法、装置、电子设备及介质

权利要求书

1.一种作物产量预测方法，其特征在于，包括：

归一化处理待预测作物原始数据，获取待预测作物特征数据；

输入所述待预测作物特征数据至作物产量预测模型，获取所述作物产量预测模型输出的产量预测数据；

所述作物产量预测模型是根据所有具备完整维度特征的样本数据训练得到的；

所述具备完整维度特征的样本数据是根据生成对抗网络对图网络中节点缺失的缺失维度特征进行数据插补后确定的；

所述图网络是将所有具备原始维度特征的样本数据的各个维度特征作为节点特征而构建的；

所述所有具备原始维度特征的样本数据至少包括缺失维度特征的样本数据；

归一化处理待预测作物原始数据，获取待预测作物特征数据，包括：

获取每一待预测作物原始数据中的所有性状数据以及所有气象数据，计算每一气象数据的平均值以及方差；

将每一性状数据、每一气象数据的平均值和方差作为维度特征，计算每一维度特征与作物产量间的皮尔逊相关系数，并按照皮尔逊相关系数从高至低的顺序对所有维度特征进行排序，获取排序后维度特征；

归一化处理所述排序后维度特征，获取待预测作物特征数据；

所述气象数据包括日最高气温、日平均气温、日最低气温、日温差、日平均地面气压、日平均相对湿度、日降水量、日平均风速、日最大风速、日风力等级以及日日照时数；

所述性状数据包括品种类型、株型、穗型、持绿性、幼苗叶鞘色、轴色，穗腐病、大斑病、灰斑病，株高、穗位高、空杆率、穗长、秃尖长、行粒数、穗柄长度、穗粗以及生育期；

所述待预测作物特征数据包括株型维度特征、穗型维度特征、持绿性维度特征、幼苗叶鞘色维度特征、轴色维度特征、穗腐病维度特征、大斑病维度特征、灰斑病维度特征、株高维度特征、穗位高维度特征、空杆率维度特征、穗长维度特征、秃尖长维度特征、行粒数维度特征、穗柄长度维度特征、穗粗维度特征、生育期维度特征、日最高气温平均值维度特征、日最高气温方差维度特征、日平均气温平均值维度特征、日平均气温方差维度特征、日最低气温平均值维度特征、日最低气温方差维度特征、日温差平均值维度特征、日温差方差维度特征、日平均地面气压平均值维度特征、日平均地面气压方差维度特征、日平均相对湿度平均值维度特征、日平均相对湿度方差维度特征、日降水量平均值维度特征、日降水量方差维度特征、日平均风速平均值维度特征、日平均风速方差维度特征、日最大风速平均值维度特征、日最大风速方差维度特征、日风力等级平均值维度特征、日风力等级方差维度特征、日日照时数平均值维度特征以及日日照时数方差维度特征；

所述作物产量预测模型为图注意力网络模型；

所述输入所述待预测作物特征数据至作物产量预测模型，获取所述作物产量预测模型输出的产量预测数据，包括：

所述图注意力网络模型由一个多头图注意力网络层、一个单头图注意力网络层和全连接层构成，将所述待预测作物特征数据作为待预测节点特征输入至图注意力网络模型，依次经过多头图注意力网络层、单头图注意力网络层、全连接层，最终获取所述图注意力网络模型输出的产量预测数据；

所述依次经过多头图注意力网络层、单头图注意力网络层、全连接层，最终获取所述图注意力网络模型输出的产量预测数据，包括：

将所述图网络中每一节点的完整维度特征作为节点初始特征嵌入向量，计算每个节点与其所有邻居节点的注意力系数并作为节点受邻居节点影响的权重，根据权重加权求和计算特征变换后的节点特征向量；

根据所述全连接层以及所述变换后的节点特征向量获取所述产量预测数据。

2.根据权利要求1所述的作物产量预测方法，其特征在于，在输入所述待预测作物特征数据至作物产量预测模型，获取所述作物产量预测模型输出的产量预测数据之前，还包括：

将所有具备原始维度特征的样本数据的各个维度特征作为所有样本数据的节点特征，根据所有样本数据的节点特征构建图网络；

根据生成对抗网络对图网络中节点缺失的缺失维度特征进行数据插补，获取所有具备完整维度特征的样本数据；

根据所有具备完整维度特征的样本数据以及每一样本数据所对应的样本产量进行训练，获取作物产量预测模型；

所述缺失维度特征包括灰斑病维度特征、穗腐病维度特征、大斑病维度特征、轴色维度特征、品种类型维度特征、持绿性维度特征、穗型维度特征、穗长维度特征、秃尖长维度特征、穗粗维度特征、空杆率维度特征以及穗柄长度维度特征中的至少一种。