1.一種基于融合網(wǎng)絡(luò)模型的作物產(chǎn)量反演方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于融合網(wǎng)絡(luò)模型的作物產(chǎn)量反演方法，其特征在于，獲取研究區(qū)域內(nèi)的氣象數(shù)據(jù)和遙感影像數(shù)據(jù)，包括：
3.根據(jù)權(quán)利要求2所述的基于融合網(wǎng)絡(luò)模型的作物產(chǎn)量反演方法，其特征在于，所述氣象數(shù)據(jù)包括太陽輻照度、最高氣溫、最低氣溫、風(fēng)速、氣壓和降水量，由所述太陽輻照度、所述最高氣溫、所述最低氣溫、所述風(fēng)速、所述氣壓和所述降水量構(gòu)成多維氣象矩陣；
4.根據(jù)權(quán)利要求1所述的基于融合網(wǎng)絡(luò)模型的作物產(chǎn)量反演方法，其特征在于，采用lstm和cnn構(gòu)建lstm-cnn耦合神經(jīng)網(wǎng)絡(luò)模型，包括：
5.根據(jù)權(quán)利要求4所述的基于融合網(wǎng)絡(luò)模型的作物產(chǎn)量反演方法，其特征在于，確定所述lstm包括依次連接的lstm輸入層、一維卷積層、批歸一化層和lstm輸出層，包括：
6.根據(jù)權(quán)利要求4所述的基于融合網(wǎng)絡(luò)模型的作物產(chǎn)量反演方法，其特征在于，確定所述cnn包括依次連接的cnn輸入層、cnn層和全連接層，所述cnn層包括兩個(gè)依次連接的堆疊層，每個(gè)堆疊層均為一個(gè)二維卷積層和一個(gè)最大池化層，包括：
7.根據(jù)權(quán)利要求1所述的基于融合網(wǎng)絡(luò)模型的作物產(chǎn)量反演方法，其特征在于，利用wofost作物生長模型生成的模擬數(shù)據(jù)對(duì)所述lstm進(jìn)行預(yù)訓(xùn)練，凍結(jié)lstm層參數(shù)，采用所述氣象數(shù)據(jù)和所述遙感影像數(shù)據(jù)訓(xùn)練所述lstm-cnn耦合神經(jīng)網(wǎng)絡(luò)模型，得到作物產(chǎn)量反演模型，包括：
8.一種基于融合網(wǎng)絡(luò)模型的作物產(chǎn)量反演系統(tǒng)，其特征在于，包括：
9.一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)如權(quán)利要求1至7任一項(xiàng)所述基于融合網(wǎng)絡(luò)模型的作物產(chǎn)量反演方法。
10.一種非暫態(tài)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至7任一項(xiàng)所述基于融合網(wǎng)絡(luò)模型的作物產(chǎn)量反演。