本技術(shù)屬于人工智能，具體涉及一種基于環(huán)境光識別的農(nóng)作物生長趨勢預(yù)測方法及其相關(guān)設(shè)備。

背景技術(shù)：

1、基于農(nóng)產(chǎn)品生長趨勢的智能農(nóng)業(yè)保險(xiǎn)評估，是現(xiàn)代科技與農(nóng)業(yè)深度融合的產(chǎn)物，它通過物聯(lián)網(wǎng)、傳感器等技術(shù)實(shí)時采集農(nóng)田環(huán)境及作物生長數(shù)據(jù)，運(yùn)用大數(shù)據(jù)、機(jī)器學(xué)習(xí)等先進(jìn)方法分析預(yù)測作物生長趨勢及潛在風(fēng)險(xiǎn)，為農(nóng)戶提供精準(zhǔn)、個性化的保險(xiǎn)服務(wù)。該評估方式不僅提高了風(fēng)險(xiǎn)評估的科學(xué)性和準(zhǔn)確性，還實(shí)現(xiàn)了保險(xiǎn)業(yè)務(wù)的自動化處理和快速理賠，有效降低了農(nóng)業(yè)生產(chǎn)中的不確定性和農(nóng)戶的經(jīng)濟(jì)損失。隨著信息技術(shù)的持續(xù)發(fā)展，智能農(nóng)業(yè)保險(xiǎn)將展現(xiàn)更廣闊的應(yīng)用前景，為農(nóng)業(yè)生產(chǎn)的可持續(xù)發(fā)展保駕護(hù)航。

2、當(dāng)前基于農(nóng)產(chǎn)品生長趨勢的智能農(nóng)業(yè)保險(xiǎn)評估，會引入環(huán)境光識別技術(shù)來實(shí)現(xiàn)，通常通過高精度傳感器實(shí)時監(jiān)測光照強(qiáng)度、時長及光譜，結(jié)合大數(shù)據(jù)分析，精準(zhǔn)預(yù)測作物生長趨勢。但是，在引入環(huán)境光識別技術(shù)時，面臨的難點(diǎn)在于環(huán)境光的多變性和復(fù)雜性，即不同農(nóng)作物對光照強(qiáng)度、光照時長及光譜成分的需求各異，且環(huán)境因素如天氣變化、季節(jié)更替及農(nóng)田布局等均能顯著影響光照條件。

3、因此，準(zhǔn)確識別并解析環(huán)境光對農(nóng)產(chǎn)品生長的具體影響，建立精確的生長趨勢預(yù)測模型，是智能農(nóng)業(yè)保險(xiǎn)評估中亟需攻克的技術(shù)難題。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)實(shí)施例的目的在于提出一種基于環(huán)境光識別的農(nóng)作物生長趨勢預(yù)測方法及其相關(guān)設(shè)備，以解決如何準(zhǔn)確識別并解析環(huán)境光對農(nóng)產(chǎn)品生長的具體影響，并結(jié)合其他環(huán)境因素和作物特性進(jìn)行綜合分析，建立精確的生長趨勢預(yù)測模型的技術(shù)問題。

2、為了解決上述技術(shù)問題，本技術(shù)實(shí)施例提供一種基于環(huán)境光識別的農(nóng)作物生長趨勢預(yù)測方法，采用了如下所述的技術(shù)方案：

3、一種基于環(huán)境光識別的農(nóng)作物生長趨勢預(yù)測方法，包括：

4、獲取預(yù)先收集的農(nóng)作物生長數(shù)據(jù)，其中，農(nóng)作物生長數(shù)據(jù)包括農(nóng)作物生長參數(shù)，以及農(nóng)作物生長參數(shù)對應(yīng)的環(huán)境光參數(shù)；

5、計(jì)算農(nóng)作物生長參數(shù)和環(huán)境光參數(shù)之間的線性關(guān)聯(lián)度；

6、以線性關(guān)聯(lián)度作為加權(quán)權(quán)重值，使用加權(quán)權(quán)重值對農(nóng)作物生長參數(shù)和環(huán)境光參數(shù)進(jìn)行加權(quán)處理，得到加權(quán)生長參數(shù)和加權(quán)環(huán)境光參數(shù)；

7、基于加權(quán)生長參數(shù)和加權(quán)環(huán)境光參數(shù)構(gòu)建模型訓(xùn)練數(shù)據(jù)集；

8、使用模型訓(xùn)練數(shù)據(jù)集對預(yù)設(shè)的初始預(yù)測模型進(jìn)行訓(xùn)練，得到農(nóng)作物生長的風(fēng)險(xiǎn)趨勢預(yù)測模型；

9、接收生長趨勢預(yù)測指令，獲取待預(yù)測農(nóng)作物生長數(shù)據(jù)，將待預(yù)測農(nóng)作物生長數(shù)據(jù)輸入到風(fēng)險(xiǎn)趨勢預(yù)測模型，得到生長風(fēng)險(xiǎn)趨勢預(yù)測結(jié)果。

10、進(jìn)一步地，計(jì)算農(nóng)作物生長參數(shù)和環(huán)境光參數(shù)之間的線性關(guān)聯(lián)度的步驟，具體包括：

11、獲取農(nóng)作物在不同生長階段下的農(nóng)作物生長參數(shù)；

12、獲取不同生長階段下農(nóng)作物生長參數(shù)對應(yīng)的環(huán)境光參數(shù)；

13、計(jì)算不同生長階段下的農(nóng)作物生長參數(shù)與不同生長階段下農(nóng)作物生長參數(shù)對應(yīng)的環(huán)境光參數(shù)之間的皮爾遜相關(guān)系數(shù)，得到不同生長階段下農(nóng)作物生長參數(shù)和環(huán)境光參數(shù)之間的線性關(guān)聯(lián)度。

14、進(jìn)一步地，計(jì)算不同生長階段下的農(nóng)作物生長參數(shù)與不同生長階段下農(nóng)作物生長參數(shù)對應(yīng)的環(huán)境光參數(shù)之間的皮爾遜相關(guān)系數(shù)，得到不同生長階段下農(nóng)作物生長參數(shù)和環(huán)境光參數(shù)之間的線性關(guān)聯(lián)度的步驟，具體包括：

15、根據(jù)不同生長階段下的農(nóng)作物生長參數(shù)計(jì)算生長參數(shù)平均值；

16、根據(jù)不同生長階段下農(nóng)作物生長參數(shù)對應(yīng)的環(huán)境光參數(shù)計(jì)算環(huán)境光參數(shù)平均值；

17、基于生長參數(shù)平均值和環(huán)境光參數(shù)平均值，使用皮爾遜相關(guān)系數(shù)公式計(jì)算農(nóng)作物在不同生長階段下的皮爾遜相關(guān)系數(shù)，得到不同生長階段下農(nóng)作物生長參數(shù)和環(huán)境光參數(shù)之間的線性關(guān)聯(lián)度。

18、進(jìn)一步地，皮爾遜相關(guān)系數(shù)公式表示如下：

19、

20、式中，r為皮爾遜相關(guān)系數(shù)，xi和yi分別表示第i個生長階段對應(yīng)的農(nóng)作物生長參數(shù)和環(huán)境光參數(shù)，表示生長參數(shù)平均值，表示環(huán)境光參數(shù)平均值，n表示生長階段的數(shù)量。

21、進(jìn)一步地，以線性關(guān)聯(lián)度作為加權(quán)權(quán)重值，使用加權(quán)權(quán)重值對農(nóng)作物生長參數(shù)和環(huán)境光參數(shù)進(jìn)行加權(quán)處理，得到加權(quán)生長參數(shù)和加權(quán)環(huán)境光參數(shù)的步驟，具體包括：

22、根據(jù)農(nóng)作物生長參數(shù)和環(huán)境光參數(shù)確定農(nóng)作物的生長階段；

23、根據(jù)農(nóng)作物的生長階段獲取匹配的線性關(guān)聯(lián)度，得到匹配關(guān)聯(lián)度；

24、使用匹配關(guān)聯(lián)度對農(nóng)作物生長參數(shù)進(jìn)行加權(quán)處理，得到加權(quán)生長參數(shù)；

25、使用匹配關(guān)聯(lián)度對環(huán)境光參數(shù)進(jìn)行加權(quán)處理，得到加權(quán)環(huán)境光參數(shù)。

26、進(jìn)一步地，基于加權(quán)生長參數(shù)和加權(quán)環(huán)境光參數(shù)構(gòu)建模型訓(xùn)練數(shù)據(jù)集的步驟，具體包括：

27、根據(jù)農(nóng)作物的生長階段對加權(quán)生長參數(shù)和加權(quán)環(huán)境光參數(shù)進(jìn)行分類，并構(gòu)建農(nóng)作物不同生長階段下的數(shù)據(jù)參數(shù)子集；

28、根據(jù)農(nóng)作物的生長階段構(gòu)建農(nóng)作物生長時間序列；

29、按照農(nóng)作物生長時間序列對數(shù)據(jù)參數(shù)子集進(jìn)行排序，生成模型訓(xùn)練數(shù)據(jù)集。

30、進(jìn)一步地，使用模型訓(xùn)練數(shù)據(jù)集對預(yù)設(shè)的初始預(yù)測模型進(jìn)行訓(xùn)練，得到農(nóng)作物生長的風(fēng)險(xiǎn)趨勢預(yù)測模型的步驟，具體包括：

31、對模型訓(xùn)練數(shù)據(jù)集進(jìn)行特征提取，獲取農(nóng)作物生長時間-參數(shù)序列特征；

32、利用初始預(yù)測模型學(xué)習(xí)農(nóng)作物生長時間-參數(shù)序列特征，并輸出風(fēng)險(xiǎn)趨勢預(yù)測結(jié)果；

33、將風(fēng)險(xiǎn)趨勢預(yù)測結(jié)果與預(yù)設(shè)的標(biāo)準(zhǔn)結(jié)果進(jìn)行比較，并計(jì)算初始預(yù)測模型的預(yù)測誤差；

34、使用反向傳播算法將預(yù)測誤差在初始預(yù)測模型中進(jìn)行傳遞；

35、使用梯度下降算法進(jìn)行模型參數(shù)的迭代更新，直至模型擬合，得到農(nóng)作物生長的風(fēng)險(xiǎn)趨勢預(yù)測模型。

36、為了解決上述技術(shù)問題，本技術(shù)實(shí)施例還提供一種基于環(huán)境光識別的農(nóng)作物生長趨勢預(yù)測裝置，采用了如下所述的技術(shù)方案：

37、一種基于環(huán)境光識別的農(nóng)作物生長趨勢預(yù)測裝置，包括：

38、數(shù)據(jù)獲取模塊，用于獲取預(yù)先收集的農(nóng)作物生長數(shù)據(jù)，其中，農(nóng)作物生長數(shù)據(jù)包括農(nóng)作物生長參數(shù)，以及農(nóng)作物生長參數(shù)對應(yīng)的環(huán)境光參數(shù)；

39、關(guān)聯(lián)度計(jì)算模塊，用于計(jì)算農(nóng)作物生長參數(shù)和環(huán)境光參數(shù)之間的線性關(guān)聯(lián)度；

40、參數(shù)加權(quán)模塊，用于以線性關(guān)聯(lián)度作為加權(quán)權(quán)重值，使用加權(quán)權(quán)重值對農(nóng)作物生長參數(shù)和環(huán)境光參數(shù)進(jìn)行加權(quán)處理，得到加權(quán)生長參數(shù)和加權(quán)環(huán)境光參數(shù)；

41、數(shù)據(jù)集構(gòu)建模塊，用于基于加權(quán)生長參數(shù)和加權(quán)環(huán)境光參數(shù)構(gòu)建模型訓(xùn)練數(shù)據(jù)集；

42、模型訓(xùn)練模塊，用于使用模型訓(xùn)練數(shù)據(jù)集對預(yù)設(shè)的初始預(yù)測模型進(jìn)行訓(xùn)練，得到農(nóng)作物生長的風(fēng)險(xiǎn)趨勢預(yù)測模型；

43、趨勢預(yù)測模塊，用于接收生長趨勢預(yù)測指令，獲取待預(yù)測農(nóng)作物生長數(shù)據(jù)，將待預(yù)測農(nóng)作物生長數(shù)據(jù)輸入到風(fēng)險(xiǎn)趨勢預(yù)測模型，得到生長風(fēng)險(xiǎn)趨勢預(yù)測結(jié)果。

44、為了解決上述技術(shù)問題，本技術(shù)實(shí)施例還提供一種計(jì)算機(jī)設(shè)備，采用了如下所述的技術(shù)方案：

45、一種計(jì)算機(jī)設(shè)備，包括存儲器和處理器，所述存儲器中存儲有計(jì)算機(jī)可讀指令，所述處理器執(zhí)行所述計(jì)算機(jī)可讀指令時實(shí)現(xiàn)如上述任一項(xiàng)所述的基于環(huán)境光識別的農(nóng)作物生長趨勢預(yù)測方法的步驟。

46、為了解決上述技術(shù)問題，本技術(shù)實(shí)施例還提供一種計(jì)算機(jī)可讀存儲介質(zhì)，采用了如下所述的技術(shù)方案：

47、一種計(jì)算機(jī)可讀存儲介質(zhì)，所述計(jì)算機(jī)可讀存儲介質(zhì)上存儲有計(jì)算機(jī)可讀指令，所述計(jì)算機(jī)可讀指令被處理器執(zhí)行時實(shí)現(xiàn)如上述中任一項(xiàng)所述的基于環(huán)境光識別的農(nóng)作物生長趨勢預(yù)測方法的步驟。

48、與現(xiàn)有技術(shù)相比，本技術(shù)實(shí)施例主要有以下有益效果：

49、本技術(shù)公開一種基于環(huán)境光識別的農(nóng)作物生長趨勢預(yù)測方法及其相關(guān)設(shè)備，屬于人工智能技術(shù)領(lǐng)域。首先，通過收集農(nóng)作物生長過程中的生長參數(shù)及其對應(yīng)的環(huán)境光參數(shù)。隨后，利用統(tǒng)計(jì)分析計(jì)算了生長參數(shù)與環(huán)境光之間的線性關(guān)聯(lián)度，以此作為加權(quán)權(quán)重，對參數(shù)進(jìn)行加權(quán)處理。接著，以加權(quán)后的數(shù)據(jù)構(gòu)建模型訓(xùn)練數(shù)據(jù)集，用于訓(xùn)練生成一個能夠預(yù)測農(nóng)作物生長風(fēng)險(xiǎn)趨勢的模型。當(dāng)接收到生長趨勢預(yù)測指令時，獲取待預(yù)測農(nóng)作物生長數(shù)據(jù)，并輸入到風(fēng)險(xiǎn)趨勢預(yù)測模型中，輸出農(nóng)作物的生長風(fēng)險(xiǎn)趨勢預(yù)測結(jié)果。本技術(shù)通過環(huán)境光識別與農(nóng)作物生長數(shù)據(jù)的深度融合，并訓(xùn)練農(nóng)作物生長風(fēng)險(xiǎn)趨勢的模型，實(shí)現(xiàn)了對農(nóng)作物生長風(fēng)險(xiǎn)趨勢的精準(zhǔn)預(yù)測，為智能農(nóng)業(yè)保險(xiǎn)評估提供了強(qiáng)有力的數(shù)據(jù)支持，促進(jìn)了農(nóng)業(yè)保險(xiǎn)產(chǎn)品的個性化定制，提升了農(nóng)業(yè)生產(chǎn)的抗風(fēng)險(xiǎn)能力。