本发明涉及智能农业信息处理，尤其涉及一种基于超图神经网络的玉米倒伏分类方法及装置。
背景技术：
1、玉米植株倒伏是影响玉米产量的一个重要因素，全球范围内可能导致5%至25%的产量损失。通常分为玉米倒伏和玉米倒折两种情况，一般由大风、病害、害虫等因素导致。以上这两种倒伏现象都会对玉米的生长和产量产生很大影响，需采取适当的管理措施来防止其发生。传统选择抗倒伏的玉米品种需要重点观测倒伏倒折比例，但是试验观测需要天气和病虫害等外部条件配合，且测试周期长、成本高。此外，耕作方法、遗传因素等因素都可能影响倒伏结果，但现有研究多聚焦于表型数据的单一性状依赖性，缺乏对综合因素的全面考量。
技术实现思路
1、本发明提供一种基于超图神经网络的玉米倒伏分类方法及装置，用以解决现有技术中通过试验观测法确定倒伏倒折比例周期长成本高的技术问题。
2、第一方面，本发明提供一种基于超图神经网络的玉米倒伏分类方法，包括：
3、基于玉米表型数据及环境型数据，构建出气候、病虫害和育种性状的多视角视图；
4、将所述多视角视图中的样本作为节点，各视图中节点间关系构建超边，形成多视角超图；
5、利用超图神经网络识别玉米倒伏风险相关的关键特征子集，并利用所述关键特征子集重构多视角超图结构，再根据重构后的多视角超图结构更新所述超图神经网络；
6、根据预设的倒伏分类阈值，使用更新后的超图神经网络确定玉米倒伏分类结果。
7、在一些实施例中，基于玉米表型数据及环境型数据，构建出气候、病虫害和育种性状的多视角视图，包括：
8、对玉米表型数据及环境型数据进行补全和标准化处理；
9、根据处理后的玉米表型数据及环境型数据构建出气候、病虫害和育种性状的多视角视图，每一多视角视图对应一类数据集，每一多视角视图通过一个特征矩阵来表示。
10、在一些实施例中，将所述多视角视图中的样本作为节点，各视图中节点间关系构建超边，形成多视角超图，包括：
11、将所述多视角视图中的样本作为节点，预设k值；
12、采用knn算法将相似节点连成一个超边，形成多视角超图。
13、在一些实施例中，利用超图神经网络识别玉米倒伏风险相关的关键特征子集，包括：
14、利用包含多层卷积结构的超图神经网络学习节点的特征和超边结构的重要性，得到综合特征表示，输出每个节点的预测结果；
15、使用hsiclasso图可解释性分析方法，应用于掩蔽向量标记的已知节点，依次计算已知节点之间在不同特征上的高斯核值，分析得到hsic值并选择出玉米倒伏风险相关的关键特征子集。
16、在一些实施例中，利用所述关键特征子集重构多视角超图结构，包括：
17、根据所述关键特征子集使用knn算法寻找相似节点；
18、根据所述相似节点调整或重新定义超图中的超边，确定重构的多视角超图结构。
19、在一些实施例中，根据预设的倒伏分类阈值，使用更新后的超图神经网络确定玉米倒伏分类结果，包括：
20、掩蔽向量应用到更新后的超图神经网络的输出上，进行元素级别的乘法操作，保留未知数据点的预测值并求和；
21、根据预设的倒伏分类阈值将预测值的和归类到相应的类别，得到玉米倒伏分类结果。
22、在一些实施例中，所述方法还包括：
23、通过图形界面来展示玉米倒伏分类结果。
24、第二方面，本发明还提供一种基于超图神经网络的玉米倒伏分类装置，包括：
25、多视角视图构建模块，用于基于玉米表型数据及环境型数据，构建出气候、病虫害和育种性状的多视角视图；
26、多视角超图构建模块，用于将所述多视角视图中的样本作为节点，各视图中节点间关系构建超边，形成多视角超图；
27、超图神经网络训练模块，用于利用超图神经网络识别玉米倒伏风险相关的关键特征子集，并利用所述关键特征子集重构多视角超图结构，再根据重构后的多视角超图结构更新所述超图神经网络；
28、分类模块，用于根据预设的倒伏分类阈值，使用更新后的超图神经网络确定玉米倒伏分类结果。
29、第三方面，本发明还提供一种电子设备，包括存储器、处理器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程序时实现如上述第一方面任一种所述基于超图神经网络的玉米倒伏分类方法。
30、第四方面，本发明还提供一种非暂态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如上述第一方面任一种所述基于超图神经网络的玉米倒伏分类方法。
31、第五方面，本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述第一方面任一种所述基于超图神经网络的玉米倒伏分类方法。
32、本发明提供的基于超图神经网络的玉米倒伏分类方法及装置，利用超图神经网络挖掘玉米倒伏风险的多视图特征子集，实现高性能、高精度的玉米倒伏风险预测，辅助玉米育种效率的有效提高。
1.一种基于超图神经网络的玉米倒伏分类方法，其特征在于，包括：
2.根据权利要求1所述的基于超图神经网络的玉米倒伏分类方法，其特征在于，基于玉米表型数据及环境型数据，构建出气候、病虫害和育种性状的多视角视图，包括：
3.根据权利要求1所述的基于超图神经网络的玉米倒伏分类方法，其特征在于，将所述多视角视图中的样本作为节点，各视图中节点间关系构建超边，形成多视角超图，包括：
4.根据权利要求1所述的基于超图神经网络的玉米倒伏分类方法，其特征在于，利用超图神经网络识别玉米倒伏风险相关的关键特征子集，包括：
5.根据权利要求1所述的基于超图神经网络的玉米倒伏分类方法，其特征在于，利用所述关键特征子集重构多视角超图结构，包括：
6.根据权利要求1所述的基于超图神经网络的玉米倒伏分类方法，其特征在于，根据预设的倒伏分类阈值，使用更新后的超图神经网络确定玉米倒伏分类结果，包括：
7.根据权利要求1所述的基于超图神经网络的玉米倒伏分类方法，其特征在于，所述方法还包括：
8.一种基于超图神经网络的玉米倒伏分类装置，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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程序时实现如权利要求1至7任一项所述基于超图神经网络的玉米倒伏分类方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于超图神经网络的玉米倒伏分类方法。
