杂草在作物生长初期受环境变化影响快速扩散,严重压缩作物生长环境。为有效管理农田并准确获取杂草群落扩散位置和生长状况,采用深度学习技术,基于卷积长短期记忆网络(Convolutional long short term memory,ConvLSTM)模型及多特征融合...杂草在作物生长初期受环境变化影响快速扩散,严重压缩作物生长环境。为有效管理农田并准确获取杂草群落扩散位置和生长状况,采用深度学习技术,基于卷积长短期记忆网络(Convolutional long short term memory,ConvLSTM)模型及多特征融合对农田杂草群落扩散准确预测,通过无人机获取具有时间序列的数字正射图像(Digital orthophoto map,DOM)数据,数据预处理后,优化土壤调节植被指数(Optimizing soil adjustment vegetation index,OSAVI)阈值法,构建多种输入特征制作数据集。将ConvLSTM模型与多种输入特征融合并对模型进行堆叠优化,构建多特征融合卷积长短期记忆网络(Multi-feature convolutional long short term memory networks,MF-ConvLSTM)模型,实现多步预测,使用制作数据集进行网络训练,综合对比MF-ConvLSTM、ConvLSTM、深度神经网络(Deep neural network,DNN)、全连接长短期记忆网络(Fully-connected long short term memory networks,FC-LSTM)4个模型。结果表明,构建的MF-ConvLSTM模型预测效果较好,其综合性能优于ConvLSTM、DNN和FC-LSTM,均方误差(Mean square error,MSE)值为0.0191,较传统FC-LSTM模型下降0.0087、POD提高0.0702、CSI提高0.0583、FAR降低0.0727。在不同覆盖度和降雨量条件下,MF-ConvLSTM模型杂草群落扩散预测结果较为平均,拥有较稳定MSE值及预测精度,体现模型较好的鲁棒性。此外,根据试验可知特征输入和预测步长对MF-ConvLSTM模型有不同程度影响。研究提出MF-ConvLSTM模型能自适应学习短期时空依赖关系,在多特征共同输入和短期预测步长情况下达到最佳性能。研究为准确获取农田杂草群落扩散位置和生长状况提供思路和方法,也可为后续农田精准除草和制作杂草处方图提供参考。展开更多
文摘杂草在作物生长初期受环境变化影响快速扩散,严重压缩作物生长环境。为有效管理农田并准确获取杂草群落扩散位置和生长状况,采用深度学习技术,基于卷积长短期记忆网络(Convolutional long short term memory,ConvLSTM)模型及多特征融合对农田杂草群落扩散准确预测,通过无人机获取具有时间序列的数字正射图像(Digital orthophoto map,DOM)数据,数据预处理后,优化土壤调节植被指数(Optimizing soil adjustment vegetation index,OSAVI)阈值法,构建多种输入特征制作数据集。将ConvLSTM模型与多种输入特征融合并对模型进行堆叠优化,构建多特征融合卷积长短期记忆网络(Multi-feature convolutional long short term memory networks,MF-ConvLSTM)模型,实现多步预测,使用制作数据集进行网络训练,综合对比MF-ConvLSTM、ConvLSTM、深度神经网络(Deep neural network,DNN)、全连接长短期记忆网络(Fully-connected long short term memory networks,FC-LSTM)4个模型。结果表明,构建的MF-ConvLSTM模型预测效果较好,其综合性能优于ConvLSTM、DNN和FC-LSTM,均方误差(Mean square error,MSE)值为0.0191,较传统FC-LSTM模型下降0.0087、POD提高0.0702、CSI提高0.0583、FAR降低0.0727。在不同覆盖度和降雨量条件下,MF-ConvLSTM模型杂草群落扩散预测结果较为平均,拥有较稳定MSE值及预测精度,体现模型较好的鲁棒性。此外,根据试验可知特征输入和预测步长对MF-ConvLSTM模型有不同程度影响。研究提出MF-ConvLSTM模型能自适应学习短期时空依赖关系,在多特征共同输入和短期预测步长情况下达到最佳性能。研究为准确获取农田杂草群落扩散位置和生长状况提供思路和方法,也可为后续农田精准除草和制作杂草处方图提供参考。
