(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111440121.4 (22)申请日 2021.11.30 (71)申请人 吉林农业大 学 地址 130000 吉林省长 春市净月开发区新 城大街28 88号吉林农业大 学 申请人 北京市农林科 学院信息技 术研究中 心 (72)发明人 李珊珊　赵春江　吴华瑞　李士军　 宫鹤　张哲　韩笑　 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 113/08(2020.01) G06F 119/08(2020.01) (54)发明名称 一种基于CNN-BiLSTM融合神经网络的温室 甘蓝潜在蒸散量预测方法 (57)摘要 本发明公开了一种基于CNN ‑BiLSTM融合神 经网络的温室甘蓝潜在蒸散量预测方法， 该方法 根据温室内自主部署的小型气象站获取甘蓝生 长环境的气象数据， 使用FAO ‑56推荐的Penman ‑ Monteith方法计算甘蓝潜在蒸散量作为数据基 础。 按照时间序列对数据进行重采样处理， 构成 数据集。 通过融合卷积神经网络和双向长短期记 忆神经网络， 构建CNN ‑BiLSTM神经网络模型， 使 用训练集进行模型训练优化， 利用优化后的CNN ‑ BiLSTM模型预测温室甘蓝ET0。 本方案采用深度 卷积神经网络和循环神经网络融合的方法增强 了模型的学习能力和适应能力， 具有较强的可移 植性， 对温室气象数据分析更加灵敏， 较其他方 法， 简化了流程， 使用更加便捷。 通过调整模型的 结构参数和输入参数， 对模型的精度和稳定性产 生了较大的提升， 在节约资源的同时， 为农业灌 溉提供了有效帮助。 权利要求书2页 说明书5页 附图2页 CN 114330098 A 2022.04.12 CN 114330098 A 1.一种基于CNN ‑BiLSTM融合神经网络的温室甘蓝潜在蒸散量预测方法， 其特征在于， 包括： S1、 获取小型气象站在预设时间段内设定数量组温室气象环境数据； S2、 使用Pandas方法对温室气象环境数据进行数据清洗， 按照时间序列进行数据重采 样处理， 得到统一 规范后的温室气象环境数据； S3、 将统一规范后的温室气象环境数据输入到已训练好的CNN ‑BiLSTM神经网络模型 中， 预测温室甘蓝潜在蒸散量。 2.根据权利 要求1所述的一种基于CNN ‑BiLSTM融合神经网络的温室甘蓝潜在蒸散量预 测方法， 其特 征在于， 所述温室气象环境数据的采集方法包括： A1、 选取预测区域中心位置， 部署小型气象站， 气象站主要由温度传感器、 湿度传感器、 风速传感器和太阳全辐射传感器组成,分别采集平均大气温度、 最高大气温度、 最低大气温 度、 最高相对湿度、 最低相对湿度和太阳辐射强度6种气象环境数据； A2、 各传感器预设数据采集频率为每分钟四次， 不同传感器选取相同时间记录数据， 将 采集到的数据写入CSV文件。 3.根据权利 要求1所述的一种基于CNN ‑BiLSTM融合神经网络的温室甘蓝潜在蒸散量预 测方法， 其特 征在于， 温室气象环境数据的清洗过程主 要包括： B1、 使用Pandas模块读取CSV文件， 检查文件基本结构； B2、 对存在空值的CSV文件进行数据缺失处理， 采用对应列上下行平均值对空值进行填 充； B3、 按照时间序列将缺失处理后的温室气象环境数据进行降采样处理， 得到统一规范 后的温室气象环境数据， 构成 温室气象环境数据集； B4、 将温室气象环境数据集进行 数据归一 化处理， 并划分为训练集、 验证集和 测试集。 4.根据权利 要求1所述的一种基于CNN ‑BiLSTM融合神经网络的温室甘蓝潜在蒸散量预 测方法， 其特 征在于， 所述CN N‑BiLSTM神经网络的模型训练过程包括： C1、 采用彭曼方法计算温室气象环境数据集中每组数据对应时间内的温室甘蓝潜在蒸 散量； C2、 将训练集中所有气象环境数据作为模型的输入， 每组气象环境数据对应的温室甘 蓝潜在蒸散量作为模型的输出， 对CN N‑BiLSTM神经网络进行训练； C3、 训练过程中使用验证集对模型训练效果进行验证， 当模型在验证集上出现发散、 数 据异常 （如无穷大） 等问题时， 及时中止模型训练， 重新调整参数， 当模 型在训练集中的效果 与验证集中的效果差距较大时， 考虑模 型出现过拟合， 重新调整 数据样本， 经过反复调整后 保存效果 最优的模型； C4、 使用测试集测试CN N‑BiLSTM神经网络模型在温室甘蓝潜在蒸散量中的预测效果。 5.根据权利 要求3所述的一种基于CNN ‑BiLSTM融合神经网络的温室甘蓝潜在蒸散量预 测方法， 其特 征在于， 所述数据归一 化方法为： 其中x、 x0、 xmin、 xmax分别是归一化值、 实数值和温室气象环境数据样本的最小值和最大 值。权　利　要　求　书 1/2 页 2 CN 114330098 A 26.根据权利 要求4所述的一种基于CNN ‑BiLSTM融合神经网络的温室甘蓝潜在蒸散量预 测方法， 其特 征在于， 所述彭曼 方法为： 其中ET0为充分灌溉下时段 （t） 内参考蒸散量； ∆为饱和蒸气压曲线斜率； Rn为作物冠层 净辐射； G为土壤热通量密度； γ为干湿表常数； T为地表  1.5～2.5  m 高度处时段内平均气 温； u2为两米高度风速； es为地表 1.5～2.5  m 高度处平均饱和蒸气压； ea为地表1.5～2.5   m 高度处平均实际蒸气压 。 7.根据权利 要求4所述的一种基于CNN ‑BiLSTM融合神经网络的温室甘蓝潜在蒸散量预 测方法， 其特 征在于， 所述CN N‑BiLSTM神经网络结构为： 构建包含输入层、 CNN层、 Dropout层、 B iLSTM层、 全连接层和输出层的网络结构模型， 温 室气象环 境数据以一 维向量的形式作为模型输入， 进入CNN层， 利用卷积核和池化核对数据 进行局部的深层特征提取， 提取完成后得到的多组特征向量经过Dropout层处理， Dropout 层处理得到的输出特征被作为BiLSTM网络的输入进 行模型的训练和优化， 通过对历史数据 的时序性分析， 预测未来时刻的环 境数据， 将BiLSTM训练得到的输出数据进 行拼接融合， 通 过全连接层进行信息的综合处 理， 得到最终模型 预测的ET0值。权　利　要　求　书 2/2 页 3 CN 114330098 A 3