[发明专利]基于知识与数据共同驱动的作物单产量预测方法

权利要求书

1.一种基于知识与数据共同驱动的作物单产量预测方法，其特征在于，该方法包括以下步骤：

步骤1，利用基于数据驱动的作物单产量生产潜力子模型，根据输入的环境数据得到作物的单产量生产潜力E；

步骤2，利用基于过程的作物模型，构建得到基于知识驱动的作物单产量子模型，然后根据所述作物的单产量生产潜力E和作物内在的机理参数得到作物的单产量y；

步骤3，利用区域历史环境数据和所述步骤2得到的作物的单产量y，辨识得到所述基于数据驱动的作物单产量生产潜力子模型的模型参数θ_d和所述基于知识驱动的作物单产量子模型的模型参数θ_k，以根据未来某区域的气象数据来对该区域作物的单产量进行预测。

2.根据权利要求1所述的方法，其特征在于，所述环境数据包括但不限于气象数据。

3.根据权利要求1所述的方法，其特征在于，所述基于数据驱动的作物单产量生产潜力子模型是基于数据驱动的方法构建得到的，其表示为：

E＝f_d(x,θ_d)，

其中，f_d(·)表示基于数据驱动的方法，x为输入的环境数据，E为对应环境条件下作物单产量的生产潜力，θ_d为子模型E的参数。

4.根据权利要求1所述的方法，其特征在于，所述基于知识驱动的作物单产量子模型表示为：

y＝f_k(E,θ_k)，

其中，f_k(·)表示基于过程的作物模型，θ_k为子模型y的参数，即作物内在的机理参数。

5.根据权利要求1所述的方法，其特征在于，所述步骤3中，利用梯度下降法辨识得到基于数据驱动的作物单产量生产潜力子模型的模型参数θ_d和基于知识驱动的作物单产量子模型的模型参数θ_k。

6.根据权利要求1所述的方法，其特征在于，基于径向基函数神经网络(RBFN)构建基于数据驱动的作物单产量生产潜力子模型。

7.根据权利要求6所述的方法，其特征在于，基于径向基函数神经网络(RBFN)构建得到的基于数据驱动的作物单产量生产潜力子模型可表示为：

E＝f_d(x,θ_d)＝Φ(x)θ_d，

其中，θ_d为RBFN的权值参数，Φ(x)＝[φ₁(x),φ₂(x),…,φ_h(x)]为径向基函数，且φl(x)=1+(x-clσl)2.]]>

8.根据权利要求1所述的方法，其特征在于，基于植物功能结构模型(GreenLab)或园艺作物通用模型(HortiSim)构建基于知识驱动的作物单产量子模型。