连续时序的叶面积指数(Leaf Area Index,LAI)可反映苜蓿长势的变化情况,预测苜蓿未来时段的LAI对指导田间管理决策具有重要作用。针对LAI数据采集困难,导致苜蓿时序LAI存在训练数据不足的问题,该文以生长天数为自变量,采用修正的Logisti...连续时序的叶面积指数(Leaf Area Index,LAI)可反映苜蓿长势的变化情况,预测苜蓿未来时段的LAI对指导田间管理决策具有重要作用。针对LAI数据采集困难,导致苜蓿时序LAI存在训练数据不足的问题,该文以生长天数为自变量,采用修正的Logistic模型对实测苜蓿LAI变化的动态过程进行建模,根据LAI模拟曲线进行数据插补,从而构建宁夏引黄灌区试验区3年的逐日苜蓿LAI数据集。在插补数据集的基础上,为解决苜蓿刈割后数据突变问题,提出了一种ME-BiLSTM模型。该模型集成移动累计和检验方法(MOSUM)以及基于双向长短期记忆网络(BiLSTM)的编码器-解码器神经网络。MOSUM方法可以实现LAI数据集中突变点检测,并剔除包含突变点训练批次,同时应用改进的BiLSTM模型进行预测。结果表明:ME-BiLSTM模型能较好地进行苜蓿LAI未来曲线变化的预测,其决定系数(R^(2))、均方根误差(RMSE)值分别为0.9985和0.0722。对于苜蓿生长的各个茬次,预测模型对于第1茬、第4茬的预测精度最高,第2茬和第3茬的预测精度稍有降低。展开更多
文摘连续时序的叶面积指数(Leaf Area Index,LAI)可反映苜蓿长势的变化情况,预测苜蓿未来时段的LAI对指导田间管理决策具有重要作用。针对LAI数据采集困难,导致苜蓿时序LAI存在训练数据不足的问题,该文以生长天数为自变量,采用修正的Logistic模型对实测苜蓿LAI变化的动态过程进行建模,根据LAI模拟曲线进行数据插补,从而构建宁夏引黄灌区试验区3年的逐日苜蓿LAI数据集。在插补数据集的基础上,为解决苜蓿刈割后数据突变问题,提出了一种ME-BiLSTM模型。该模型集成移动累计和检验方法(MOSUM)以及基于双向长短期记忆网络(BiLSTM)的编码器-解码器神经网络。MOSUM方法可以实现LAI数据集中突变点检测,并剔除包含突变点训练批次,同时应用改进的BiLSTM模型进行预测。结果表明:ME-BiLSTM模型能较好地进行苜蓿LAI未来曲线变化的预测,其决定系数(R^(2))、均方根误差(RMSE)值分别为0.9985和0.0722。对于苜蓿生长的各个茬次,预测模型对于第1茬、第4茬的预测精度最高,第2茬和第3茬的预测精度稍有降低。