基于气象数据的农业灾害联合分析方法及系统与流程

本技术涉及数据处理，具体而言，涉及一种基于气象数据的农业灾害联合分析方法及系统。

背景技术：

1、在农业生产中，气象因素对农作物的生长有着重要影响，而且也是引发农业灾害的主要原因之一。例如，连续的高温和干旱会导致水分短缺，从而影响农作物的生长，并可能导致严重的干旱灾害。相反，持续的大雨可能会导致洪水，破坏农田，导致严重的农业损失。

2、尽管已经意识到气象因素对农业生产的重要性，但是如何从大量的气象监测数据中提取有用信息，然后结合农业灾害事件数据，进行深入分析，以预测农业灾害风险，仍然是一个挑战。目前的方法通常侧重于单一类型的农业灾害，例如只关注干旱或洪水，而忽视了不同类型的农业灾害可能存在的联动效应。此外，这些方法往往依赖于专家的经验判断，缺乏足够的数据支持和定量分析。可见，传统技术存在农业灾害预测精度低下的问题。

技术实现思路

1、为了改善上述问题，本技术提供了一种基于气象数据的农业灾害联合分析方法及系统。

2、第一方面，提供一种基于气象数据的农业灾害联合分析方法，应用于人工智能联合分析系统，所述方法包括：

3、获取气象农灾因果关系网训练样例；其中，所述气象农灾因果关系网训练样例中包括若干个气象监测数据单元和若干个农业灾害事件单元，所述气象农灾因果关系网训练样例用于反映所述气象监测数据单元与所述农业灾害事件单元之间的牵涉影响，以及所述气象监测数据单元之间的牵涉影响；

4、生成所述气象农灾因果关系网训练样例中的各个气象农灾因果单元分别对应的联动描述向量；其中，所述气象农灾因果单元对应的联动描述向量携带了所述气象农灾因果单元的关键属性数据和所述气象农灾因果单元的上下游气象农灾因果单元的关键属性数据；

5、基于所述气象农灾因果关系网训练样例对应的x个原始气象监测分团基准，以及所述若干个气象监测数据单元分别对应的联动描述向量，确定联动描述挖掘网络的分团训练代价；其中，所述分团训练代价用于反映所述联动描述挖掘网络对所述气象监测数据单元的分团质量评分，所述原始气象监测分团基准为用于反映所述气象农灾因果关系网训练样例的基准分团成员的气象监测数据单元，x为正整数；

6、基于所述分团训练代价，对所述联动描述挖掘网络进行调试，得到已调试的联动描述挖掘网络；其中，所述已调试的联动描述挖掘网络用于对气象农灾因果关系网进行分析以实现农业灾害风险预测。

7、在一些方案中，所述基于所述分团训练代价，对所述联动描述挖掘网络进行调试，得到已调试的联动描述挖掘网络，包括：

8、基于所述联动描述向量，对所述若干个农业灾害事件单元进行判别，得到所述若干个农业灾害事件单元分别对应的灾害关键词置信权重；其中，所述农业灾害事件单元的灾害关键词置信权重用于反映所述农业灾害事件单元属于各个灾害种类的判别可能性值；

9、依据所述若干个农业灾害事件单元分别对应的灾害关键词置信权重，确定所述联动描述挖掘网络的判别训练代价，所述判别训练代价用于反映所述联动描述挖掘网络对所述农业灾害事件单元的判别质量评分；

10、基于所述分团训练代价和所述判别训练代价，对所述联动描述挖掘网络进行调试，得到所述已调试的联动描述挖掘网络。

11、在一些方案中，所述基于所述联动描述向量，对所述若干个农业灾害事件单元进行判别，得到所述若干个农业灾害事件单元分别对应的灾害关键词置信权重，包括：

12、对于每个农业灾害事件单元，基于所述农业灾害事件单元的联动描述向量，对所述农业灾害事件单元进行判别，得到所述农业灾害事件单元在各个灾害种类下的判别决策指数；

13、对所述农业灾害事件单元在各个灾害种类下的判别决策指数进行加法运算，得到第一全局判别指数；

14、将所述农业灾害事件单元在各个灾害种类下的判别决策指数，分别与所述第一全局判别指数进行比例运算，得到所述农业灾害事件单元对应的灾害关键词置信权重。

15、在一些方案中，所述方法还包括：

16、获取所述若干个气象监测数据单元分别对应的积极训练样例集和消极训练样例集；其中，所述积极训练样例集中包括与所述气象监测数据单元存在因果牵涉的第一农业灾害事件单元，所述消极训练样例集中包括与所述气象监测数据单元不存在因果牵涉的第二农业灾害事件单元；

17、对于每个气象监测数据单元，依据所述气象监测数据单元的联动描述向量、所述气象监测数据单元的积极训练样例集中各个第一农业灾害事件单元的联动描述向量和所述气象监测数据单元的消极训练样例集中各个第二农业灾害事件单元的联动描述向量，确定所述气象监测数据单元对应的局部农灾风险预测训练代价；

18、对所述若干个气象监测数据单元分别对应的局部农灾风险预测训练代价进行加法运算，得到所述联动描述挖掘网络的农灾风险预测训练代价；其中，所述农灾风险预测训练代价用于反映所述联动描述挖掘网络对所述农业灾害事件单元的农灾风险预测质量评分；

19、基于所述联动描述挖掘网络的分团训练代价、判别训练代价和农灾风险预测训练代价，对所述联动描述挖掘网络进行调试，得到所述已调试的联动描述挖掘网络。

20、在一些方案中，所述依据所述气象监测数据单元的联动描述向量、所述气象监测数据单元的积极训练样例集中各个第一农业灾害事件单元的联动描述向量和所述气象监测数据单元的消极训练样例集中各个第二农业灾害事件单元的联动描述向量，确定所述气象监测数据单元对应的局部农灾风险预测训练代价，包括：

21、对于所述积极训练样例集中的第一第一农业灾害事件单元和所述消极训练样例集中的第一第二农业灾害事件单元，依据所述气象监测数据单元的联动描述向量和所述第一第一农业灾害事件单元的联动描述向量，确定第一隐含特征变量，以及依据所述气象监测数据单元的联动描述向量和所述第一第二农业灾害事件单元的联动描述向量，确定第二隐含特征变量；

22、基于所述第一隐含特征变量和所述第二隐含特征变量，确定所述气象监测数据单元在所述第一第一农业灾害事件单元和所述第一第二农业灾害事件单元对下的局部农灾风险预测训练代价；

23、对所述气象监测数据单元在任一第一农业灾害事件单元和第二农业灾害事件单元对下的局部农灾风险预测训练代价进行加法运算，得到所述气象监测数据单元对应的局部农灾风险预测训练代价。

24、在一些方案中，所述基于所述气象农灾因果关系网训练样例对应的x个原始气象监测分团基准，以及所述若干个气象监测数据单元分别对应的联动描述向量，确定所述联动描述挖掘网络的分团训练代价，包括：

25、利用预设统计条件记录，基于所述x个原始气象监测分团基准分别对应的联动描述向量和所述若干个气象监测数据单元分别对应的联动描述向量，确定所述若干个气象监测数据单元分别在所述x个原始气象监测分团基准下的分团可能性值；

26、依据所述分团可能性值，获取目标统计条件记录，所述目标统计条件记录用于优化所述分团可能性值的加权系数；

27、依据所述目标统计条件记录和所述分团可能性值，确定所述联动描述挖掘网络的分团训练代价。

28、在一些方案中，所述利用预设统计条件记录，基于所述x个原始气象监测分团基准分别对应的联动描述向量和所述若干个气象监测数据单元分别对应的联动描述向量，确定所述若干个气象监测数据单元分别在所述x个原始气象监测分团基准下的分团可能性值，包括：

29、对于每个气象监测数据单元，分别基于所述气象监测数据单元对应的联动描述向量和所述x个原始气象监测分团基准分别对应的联动描述向量，获取所述气象监测数据单元与所述x个原始气象监测分团基准之间的第三隐含特征变量；

30、利用预设统计条件记录，基于所述第三隐含特征变量，获取所述气象监测数据单元与所述x个原始气象监测分团基准之间的第四隐含特征变量；

31、对所述第四隐含特征变量进行加法运算，得到第二全局判别指数；

32、基于所述第四隐含特征变量和所述第二全局判别指数，确定所述气象监测数据单元分别在所述x个原始气象监测分团基准下的分团可能性值。

33、在一些方案中，所述依据所述分团可能性值，获取目标统计条件记录，所述目标统计条件记录用于优化所述分团可能性值的加权系数，包括：

34、对于每个原始气象监测分团基准，获取所述原始气象监测分团基准对应的分簇热力值，分簇热力值用于反映所述气象监测数据单元属于所述原始气象监测分团基准的热力值；

35、依据所述气象监测数据单元在所述原始气象监测分团基准下的分团可能性值和所述原始气象监测分团基准对应的分簇热力值，确定第五隐含特征变量；

36、对所述x个原始气象监测分团基准分别对应的第五隐含特征变量进行加法运算，得到第三全局判别指数；

37、依据所述第五隐含特征变量和所述第三全局判别指数，获取所述目标统计条件记录。

38、在一些方案中，所述方法还包括：

39、获取所述分团训练代价对于气象监测分团基准的变化指标；

40、以所述分团训练代价对于气象监测分团基准的变化指标减少为期望，对所述气象农灾因果关系网训练样例对应的原始气象监测分团基准进行调整，得到所述气象农灾因果关系网训练样例对应的调整后的气象监测分团基准；其中，所述气象农灾因果关系网训练样例对应的调整后的气象监测分团基准作为所述气象农灾因果关系网训练样例的后一气象农灾因果关系网训练样例的原始气象监测分团基准。

41、在一些方案中，所述生成所述气象农灾因果关系网训练样例中的各个气象农灾因果单元分别对应的联动描述向量，包括：

42、对于所述各个气象农灾因果单元中的目标气象农灾因果单元，基于所述目标气象农灾因果单元对应的最少一个因果推导轨迹，获取所述目标气象农灾因果单元分别在所述最少一个因果推导轨迹下的上下游气象农灾因果单元集，所述上下游气象农灾因果单元集包括多层上下游气象农灾因果单元，每层上下游气象农灾因果单元对应最少一个气象农灾因果单元；

43、对于所述目标气象农灾因果单元对应的目标上下游气象农灾因果单元集，对所述目标气象农灾因果单元的关键属性数据和所述目标上下游气象农灾因果单元集中各个上下游气象农灾因果单元的关键属性数据进行集成，得到所述目标气象农灾因果单元在目标因果推导轨迹下的联动描述向量；

44、基于所述目标气象农灾因果单元分别在最少一个因果推导轨迹下的联动描述向量，生成所述目标气象农灾因果单元对应的联动描述向量。

45、在一些方案中，所述目标气象农灾因果单元的上下游气象农灾因果单元集中包括y层上下游气象农灾因果单元，y为正整数，第1层上下游气象农灾因果单元与所述目标气象农灾因果单元具有直接关联，第y层上下游气象农灾因果单元与第y-1层上下游气象农灾因果单元具有直接关联；

46、所述对所述目标气象农灾因果单元的关键属性数据和所述目标上下游气象农灾因果单元集中各个上下游气象农灾因果单元的关键属性数据进行集成，得到所述目标气象农灾因果单元在目标因果推导轨迹下的联动描述向量，包括：

47、响应于y＝1，获取所述目标上下游气象农灾因果单元集中各个第1层上下游气象农灾因果单元分别对应的贡献因子，所述贡献因子用于反映所述上下游气象农灾因果单元对所述上下游气象农灾因果单元对应的具有直接关联气象农灾因果单元的贡献；

48、基于所述各个第1层上下游气象农灾因果单元分别对应的贡献因子和关键属性数据，集成得到全局属性数据；

49、基于所述全局属性数据和所述目标气象农灾因果单元的关键属性数据，集成得到所述目标气象农灾因果单元在所述目标因果推导轨迹下的联动描述向量；

50、响应于y＞1，对于每个第y-1层上下游气象农灾因果单元，获取每个第y层上下游气象农灾因果单元对于所述第y-1层上下游气象农灾因果单元的贡献因子；

51、基于所述每个第y层上下游气象农灾因果单元对于所述第y-1层上下游气象农灾因果单元的贡献因子，以及所述每个第y层上下游气象农灾因果单元的关键属性数据，集成得到所述第y-1层上下游气象农灾因果单元的全局属性数据；

52、基于所述第y-1层上下游气象农灾因果单元的全局属性数据和所述第y-1层上下游气象农灾因果单元的关键属性数据，集成得到所述第y-1层上下游气象农灾因果单元的隐含属性数据；

53、根据各个第1层上下游气象农灾因果单元的隐含属性数据，以及所述每个第1层上下游气象农灾因果单元对于所述目标气象农灾因果单元的贡献因子，集成得到所述第1层上下游气象农灾因果单元对应的全局属性数据；

54、基于所述第1层上下游气象农灾因果单元对应的全局属性数据和所述目标气象农灾因果单元的关键属性数据，集成得到所述目标气象农灾因果单元在所述目标因果推导轨迹下的联动描述向量。

55、第二方面，提供一种人工智能联合分析系统，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中调取计算机程序，并通过运行所述计算机程序实现第一方面所述的方法。

56、第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时实现第一方面所述的方法。

57、本技术实施例所提供的基于气象数据的农业灾害联合分析方法及系统，首先，通过获取气象农灾因果关系网训练样例并生成对应的联动描述向量，该技术方案可以有效地捕获和表示气象监测数据单元与农业灾害事件单元之间的牵涉影响。这为理解和预测气象条件如何影响农作物的生长和可能产生的农业灾害提供了数据基础。其次，通过基于原始气象监测分团基准确定联动描述挖掘网络的分团训练代价，该技术方案进一步提高了模型的预测精度。这一步骤帮助评估和优化模型的聚类效果，从而使模型更好地捕捉到数据中的因果关系。最后，根据分团训练代价对联动描述挖掘网络进行调试，得到已调试的联动描述挖掘网络，这使得模型能够对气象农灾因果关系网进行深入的分析以实现农业灾害风险预测。这种方法不仅提高了预测结果的准确性，也能够在灾害发生前及时采取防范措施。总的来说，通过结合气象监测数据和农业灾害事件数据，利用联动描述挖掘网络进行深入分析，实现了准确有效的农业灾害风险预测，从而可以帮助做出更好的决策。