本发明属于农田气象监控，具体地，涉及一种基于迭代式深浅感知机的农田气温反演与重构方法。
背景技术：
1、气象环境信息的实时监测对作物生长发育十分重要，然而农田气象数据的全覆盖监测成本十分高昂，为解决这个问题，需要根据气象格点实况数据反演出农田气象数据，其中，格点实况数据是通过插值方法，如克里金插值、反距离权重插值等，从地面自动气象观测站中计算获得的，而地面自动气象观测站大多数都是建立在城市中，不能准确的反应农田小气候的特点。因此，由于气象格点数据本身的问题，完全基于已有气象格点实况数据来反演出农田气象数据会有较大的误差。
2、现有农田气温反演方法主要包括统计学方法和数学建模。统计学方法往往通过对观测站数据进行平均或插值，以获得相对均匀的格点数据。然而，作物生长过程中会影响周围的气象环境，这种粗糙的处理方式无法有效捕捉到农田小气候的复杂性；数学建模方法通常使用气象模型，但这些模型在处理微观气象现象时，往往无法提供足够高空间分辨率的格点数据。另一方面，反演所使用的气象格点数据本身就不精准，因此，用这些数据来反演农田气象数据会存在加大的误差，而现有的方法并没有考虑对原始气象格点数据进行修正或者进一步处理。总的来说，缺少足够精准的反演模型以及反演所需的低置信度气象格点数据二者共同影响着现有方法对于温度数据反演精度。
3、现有的气温反演模型大多是采用一些物理方法、统计方法和人工智能方法进行数据反演。物理方法是模拟大气、地表和地球表面之间的能量交换过程，从而推断地表或近地表的温度。虽然物理方法生成的模型具有很强的解释性，但是物理方法需要大量的物理过程和参数，计算量大，运行速度慢，统计方法计算量小，运行速度快。人工智能方法如均是用卫星图像进行气温反演，对是否贴合地面实况气温有待进行对比。
4、此外，集成物理方法、统计方法和深度学习建立近地表气温反演方程组，用深度学习方法进行算法优化的一种新的全耦合框架从热红外遥感数据中稳定的直接反演近地表气温，但是，现有的反演方法所用到的输入数据都是置信度很高的数据，并没有考虑数据重构或者数据订正后可以使用更精准的数据来对目标进行反演。
5、现有气象网格数据的重构方法大致分为传统的统计学方法和基于深度学习方法。传统的重构方法利用时间序列分析方法来对数据进行重构，然而，这些方法往往使用固定的分析模式并没有考虑到时间、地点、季节、以及不同作物对重构结果的影响，并且没有利用上大量的历史数据。
6、同时基于深度学习的方法仅仅是利用历史多模式气象要素网格预测数据进行建模，虽然可以提高时空分辨率，但是订正后的网格预测数据并不能高准确率的反应实际的气象情况；即使基于自动区域气象观测站，虽然在时间和空间范围上覆盖范围广，但是不能反应具体的小气候情况。
7、尽管上述方法取得了不错的效果，但是这些方法并没有考虑地面农作物对气象要素的影响，并且没有利用好时间、日期、地形等辅助信息对重构结果的影响。
技术实现思路
1、针对现有技术存在的不足，为了更加精准地反演出农田温度数据，本发明提出了一种基于迭代式深浅感知机的农田气温反演与重构方法，能够根据农田小气候观测站数据对格点实况数据进行重构，重构后的格点实况数据能够具有农田小气候的特征，更加贴合农田的实际情况。
2、本发明通过以下技术方案实现：
3、一种基于迭代式深浅感知机的农田气温反演与重构方法：
4、所述方法具体包括以下步骤：
5、步骤1：使用历史的气温网格数据、农田气温数据、农田的经纬度坐标、农田的海拔高度信息来训练农田温度气象数据反演模型和温度气象网格数据重构模型；
6、步骤2：将步骤1完成训练的农田温度气象数据反演模型和温度气象网格数据重构模型两部分串联在一起；
7、步骤3：将原始的气温格点实况数据输入步骤2串联的模型中，数据首先输入进行温度气象网格数据重构模型进行修正，生成一组新的格点信息；
8、步骤4：修正后的地表温度数据再输入进农田温度气象数据反演模型，利用步骤3重构的数据，结合辅助信息，反演计算出温度网格数据内的农田温度；最终农田温度气象数据反演模型输出反演得到的农田温度数据。
9、进一步地，所述所述农田温度气象数据反演模型和温度气象网格数据重构模型均采用深浅感知机模型结构，两个模型均包含三部分；
10、第一部分是包含三个全层链接的深层神经网络；深层神经网络输入辅助信息；
11、第二部分是包含一个全连接层的宽层神经网络；宽层神经网络输入格点信息，用于辅助信息和格点信息之间高阶交叉特征，为模型的输出提供特征表示；
12、第三部分是包含两个全连接层的最终输出层；最终输出层将连接在一起的深层神经网络和宽层神经网络的特征向量转换为模型的最终输出值。
13、进一步地，所述温度气象网格数据重构模型的输入是原始格点信息和辅助信息，输出是重构后新的四组格点信息；
14、所述农田温度气象数据反演模型的输入是原始格点信息、经过温度气象网格数据重构模型重构后新生成的格点信息和辅助信息，输出是一个农田温度数据。
15、进一步地，在步骤1中，所述农田温度气象数据反演模型和温度气象网格数据重构模型的训练方式是基于循环迭代的优化过程；
16、步骤1.1，第一次循环首先对农田温度气象数据反演模型进行训练，模型输入辅助信息和原始格点信息，模型训练后通过反向传播算法计算反演模型参数的梯度，并使用优化算法来更新参数，使损失函数逐渐减小；
17、步骤1.2，然后对温度气象网格数据重构模型进行训练，温度气象网格数据重构模型输入辅助信息和原始格点数据，重构模型训练后通过反向传播算法计算重构模型的参数梯度，使用优化算法更新参数，使损失函数逐渐减小，最后输出重构后新的四组格点信息；
18、步骤1.3，第二次循环首先是农田温度气象数据反演模型的训练，此时农田温度气象数据反演模型的输入数据包括辅助信息和第一次循环后温度气象网格数据重构重构模型训练后新生成的格点数据；农田温度气象数据反演模型训练后计算参数梯度并更新参数，使损失函数减小；
19、步骤1.4，然后对温度气象网格数据重构模型进行训练，输出新的四组格点数据；
20、步骤1.5，按照第二次循环继续循环优化，输入辅助信息和重构模型生成的新的格点信息，输出反演后的农田气温数据，直到反演模型的损失函数不再下降则停止训练。
21、进一步地，在步骤1中，通过重构差异和反演差异计算模型输出与真实标签之间的差值的绝对值之和来衡量模型的性能；
22、重构差异maeg是指温度气象网格数据重构模型进行重构得到的格点与实际格点之间的差异；
23、
24、其中，n是样本数量，其中，n是样本数量，是第i个样本模型输出的格点，是第i个样本实际格点；
25、反演差异maep是指农田温度气象数据反演模型进行反演得到的温度值与真实温度值之间的差异；
26、
27、其中，n是样本数量，是第i个样本模型输出的温度值，是第i个样本真实温度，由上述公式可知，maeg和maep越小说明模型重构和反演的效果越好。
28、进一步地，在步骤2中，将温度气象网格数据重构模型的输出作为农田温度气象数据反演模型的输入。
29、一种基于迭代式深浅感知机的农田气温反演与重构系统：
30、所述系统包括训练模块、重构模块和反演模块：
31、所述训练模块使用历史的气温网格数据、农田气温数据、农田的经纬度坐标、农田的海拔高度信息来训练农田温度气象数据反演模型和温度气象网格数据重构模型；再将完成训练的农田温度气象数据反演模型和温度气象网格数据重构模型两部分串联在一起；
32、在所述重构模块中，将原始的气温格点实况数据输入串联的模型中，数据首先输入进行温度气象网格数据重构模型进行修正，生成一组新的格点信息；
33、在所述反演模块中，修正后的地表温度数据再输入进农田温度气象数据反演模型，利用重构的数据，结合辅助信息，反演计算出温度网格数据内的农田温度；最终农田温度气象数据反演模型输出反演得到的农田温度数据。
34、一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
35、一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现上述方法的步骤。
36、本发明有益效果
37、本发明能够根据农田小气候观测站数据对中国气象据陆面同化系统(cldas)下发的格点实况数据进行重构，重构后的格点实况数据能够具有农田小气候的特征，更加贴合农田的实际情况。同时，本发明的技术能够对农田数据进行反演，对于任一经纬度等信息，可以反演出格点化农田小气候数据。
38、(1)对反演模型来说，利用反演模型可实现农田小气候站缺失数据数据的准确、高效插补，确保农田小气候观测资料的完整性和连贯性，为农业气象条件评价，灾害监测、预警、评估和作物产量预估等业务的开展提供数据支撑；
39、(2)对重构模型来说利用重构模型可在无农田小气候观测站观测区域，实现1km*1km尺度的逐时数据模拟，同时使得重构后的格点数据更符合农田尺度特征，进而提升农业气象服务的精细化水平和针对性；
40、(3)综合利用重构模型和反演模型，构建基于农田的1km*1km格点实况多要素数据集，可以大幅降低农田小气候观测站建设产生的经济成本和农田小气候观测站运维、数据质控产生的人工成本。
1.一种基于迭代式深浅感知机的农田气温反演与重构方法，其特征在于：
2.根据权利要求1所述方法，其特征在于：
3.根据权利要求2所述方法，其特征在于：
4.根据权利要求3所述方法，其特征在于：
5.根据权利要求4所述方法，其特征在于：
6.根据权利要求5所述方法，其特征在于：
7.一种基于迭代式深浅感知机的农田气温反演与重构系统，其特征在于：
8.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任意一项所述方法的步骤。
9.一种计算机可读存储介质，用于存储计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求1至7中任意一项所述方法的步骤。
