本技术涉及农业智能化监测领域，特别是涉及一种大田光合参数预测方法、设备、介质及产品。
背景技术：
1、光合作用是作物吸收太阳能，将co2和水转化为有机物质的重要过程，为作物生长提供物质和能量，光合参数是反映光合作用能力的重要指标，因此反演光合参数对于了解作物生长状况、预测产量和品质具有重要意义。气孔导度和胞间co2浓度是重要的2个光合参数，反映了气体交换等能力，与作物生理状态密切相关，可用于监测大田小麦的生长状况。
2、为了获取光合参数的田间真值，通常采用便携式光合作用测量系统li-6400或li-6800，但是该设备仅用于测量某一点的光合参数，要想测量更大的区域，耗时费力，效率低。因此，开发以低成本自动化方式预测作物光合参数的方法，可以使育种者和研究人员做出数据驱动的决策，对生长过程进行干预优化。考虑到光合参数的重要性，估计光合参数的新方法正在不断研发。
3、随着无人机技术的发展，其操作简单、飞行模式灵活、高分辨率等优势使其在大田作物光合参数获取中的应用研究越来越广泛。目前的许多研究都是基于特征选择和传统的机器学习模型进行建模，虽然不需要过多的计算资源和存储空间，但是通常需要人为地选择和设计特征，这过程可能需要一些专业知识，且不一定能捕获到最关键的特征信息，从而不能准确预测光合参数。除此之外，还会应用特征选择进行特征的筛选，费时费力，针对不同的数据集，选取的特征集也存在差异性，模型后期的使用和开发存在局限性。选取特征提取能力较强的深度学习模型，尝试以原始的遥感影像作为模型的输入，实现“端到端”的光合参数预测，可以解决这些问题。
4、多源数据融合可以提供广泛的信息，实现特征互补。此外，已有光合参数预测模型大多数是对单一光合参数分别预测，存在预测效率低的问题。
技术实现思路
1、本技术的目的是提供一种大田光合参数预测方法、设备、介质及产品，以提高大田光合参数预测精度和效率。
2、为实现上述目的，本技术提供了如下方案：
3、第一方面，本技术提供了一种大田光合参数预测方法，包括：
4、获取待预测大田设定区域的可见光图像和多光谱图像；
5、根据所述可见光图像和所述多光谱图像，利用大田光合参数预测模型，确定所述待预测大田设定区域的光合参数；所述光合参数包括气孔导度和胞间co2浓度；其中，所述大田光合参数预测模型是利用训练数据集结合梯度归一化算法对改进的卷积神经网络进行训练得到的；所述训练数据集包括训练用大田的可见光影像和多光谱影像以及对应的光合参数；所述改进的卷积神经网络是将卷积神经网络中残差模块的卷积层替换为深度可分离卷积层得到的，且改进的卷积神经网络为多输出。
6、可选地，利用训练数据集对改进的卷积神经网络进行训练，具体包括：
7、获取训练数据集，并构建改进的卷积神经网络；
8、对所述训练数据集进行预处理，得到预处理后的训练数据集；所述预处理后的训练数据集包括多组处理后的可见光图像和处理后的多光谱图像以及对应的标准化后的光合参数；
9、以处理后的可见光图像和处理后的多光谱图像为输入，以对应的标准化后的光合参数为输出，对所述改进的卷积神经网络进行训练，得到所述大田光合参数预测模型。
10、可选地，获取训练数据集，具体包括：
11、利用dji phantom 4无人机采集训练用大田的可见光影像和多光谱影像；
12、利用li-6400光合仪采集训练用大田各设定区域的光合参数。
13、可选地，对所述训练数据集进行预处理，得到预处理后的训练数据集，具体包括：
14、分别对可见光影像和多光谱影像进行拼接和辐射校正，得到校正后的可见光图像和校正后的多光谱图像；
15、对校正后的可见光图像按照训练用大田的设定区域进行裁剪，得到各设定区域的校正后的可见光图像；
16、对校正后的多光谱图像按照训练用大田的设定区域进行裁剪，得到各设定区域的校正后的多光谱图像；
17、对各设定区域的校正后的可见光图像进行随机缩放、随机裁剪、水平翻转和随机旋转，得到处理后的可见光图像；
18、对各设定区域的校正后的多光谱图像进行随机缩放、随机裁剪、水平翻转和随机旋转，得到处理后的多光谱图像；
19、对光合参数进行z-score标准化，得到标准化后的光合参数。
20、可选地，以处理后的可见光图像和处理后的多光谱图像为输入，以对应的标准化后的光合参数为输出，对所述改进的卷积神经网络进行训练，得到所述大田光合参数预测模型，具体包括：
21、将处理后的可见光图像和处理后的多光谱图像输入至当前改进的卷积神经网络，得到光合参数预测值；
22、根据所述光合参数预测值和对应的标准化后的光合参数，利用加权损失函数结合梯度归一化算法，确定加权损失函数值；
23、判断是否达到设定迭代次数；
24、若是，则将在设定范围的加权损失函数值对应的训练后的改进的卷积神经网络作为所述大田光合参数预测模型；
25、若否，则调整当前改进的卷积神经网络的模型参数，并返回“将处理后的可见光图像和处理后的多光谱图像输入至当前改进的卷积神经网络，得到光合参数预测值”。
26、可选地，所述加权损失函数为：
27、；
28、其中，为加权损失函数值；为气孔导度损失函数值；为气孔导度损失函数值的权重；为胞间co2浓度损失函数值；为胞间co2浓度损失函数值的权重。
29、可选地，所述改进的卷积神经网络包括第二全连接层、第三全连接层以及依次连接的第一卷积层、最大池化层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、全局平均池化层、flatten函数层和第一全连接层；所述第一全连接层分别与所述第二全连接层和所述第三全连接层连接；所述第二卷积层、所述第三卷积层、所述第四卷积层和所述第五卷积层均包括两个依次连接的残差模块。
30、第二方面，本技术提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述中任一项所述的大田光合参数预测方法。
31、第三方面，本技术提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述中任一项所述的大田光合参数预测方法。
32、第四方面，本技术提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述中任一项所述的大田光合参数预测方法。
33、根据本技术提供的具体实施例，本技术公开了以下技术效果：
34、本技术提供了一种大田光合参数预测方法、设备、介质及产品，通过获取待预测大田设定区域的可见光图像和多光谱图像；根据可见光图像和多光谱图像，利用大田光合参数预测模型，确定待预测大田设定区域的光合参数；其中，大田光合参数预测模型是利用训练数据集结合梯度归一化算法对改进的卷积神经网络进行训练得到的；训练数据集包括训练用大田的可见光影像和多光谱影像以及对应的光合参数；改进的卷积神经网络是将卷积神经网络中残差模块的卷积层替换为深度可分离卷积层得到的，且改进的卷积神经网络为多输出。本技术以多源遥感数据为输入，基于多任务深度学习模型端到端的同步预测2种光合参数，解决人工测量光合参数和经典机器学习模型预测光合参数的耗时费力、效率低、开发难等问题，本技术提高了光合参数预测的效率和准确性。
1.一种大田光合参数预测方法，其特征在于，包括：
2.根据权利要求1所述的大田光合参数预测方法，其特征在于，利用训练数据集对改进的卷积神经网络进行训练，具体包括：
3.根据权利要求2所述的大田光合参数预测方法，其特征在于，获取训练数据集，具体包括：
4.根据权利要求2所述的大田光合参数预测方法，其特征在于，对所述训练数据集进行预处理，得到预处理后的训练数据集，具体包括：
5.根据权利要求2所述的大田光合参数预测方法，其特征在于，以处理后的可见光图像和处理后的多光谱图像为输入，以对应的标准化后的光合参数为输出，对所述改进的卷积神经网络进行训练，得到所述大田光合参数预测模型，具体包括：
6.根据权利要求5所述的大田光合参数预测方法，其特征在于，所述加权损失函数为：
7.根据权利要求1所述的大田光合参数预测方法，其特征在于，所述改进的卷积神经网络包括第二全连接层、第三全连接层以及依次连接的第一卷积层、最大池化层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、全局平均池化层、flatten函数层和第一全连接层；所述第一全连接层分别与所述第二全连接层和所述第三全连接层连接；所述第二卷积层、所述第三卷积层、所述第四卷积层和所述第五卷积层均包括两个依次连接的残差模块。
8.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-7中任一项所述的大田光合参数预测方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述的大田光合参数预测方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述的大田光合参数预测方法。
